Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dekomposisi spektrum merupakan salah satu attribut seismik yang menggunakan domain frekuensi dalam analisanya. Metode ini sangat berguna untuk mendeteksi lapisan tipis dengan ketebalan sekitar ¼ λ dimana pada ketebalan tersebut terjadi efek tuning. Metode ini juga dapat digunakan untuk mendeteksi patahan, channel (sungai), dan hidrokarbon. Untuk menggunakan metode ini dibutuhkan data seismik dalam domain waktu yang dengan menggunakan persamaan Short Time Fourier Transform (STFT), akan diubah ke dalam domain frekuensi.Hasil akhirnya berupa peta struktur dalam domain frekuensi. Metode ini akan diaplikasikan pada data seismik yang telah mengalami tahap processing pada Lapangan X seluas 10 km x 10 km di daerah Cekungan Sunda. Dari data sumur permboran yang berupa data log, diperoleh 5 sand yang memiliki ketebalan yang berbeda-beda dan akan dianalisis penyebarannya dengan menggunakan metode ini. Setelah mengalami tahap interpretasi, data seismik akan diubah ke dalam domain frekuensi dengan Short Time Fourier Transform. Hasil yang diperoleh berupa penampang seismik secara lateral dalam domain frekuensi antara 5-65 Hz yang menunjukkan lapisan sand yang ketebalannya mendekati efek tuning dapat terdeteksi penyebarannya, sedangkan untuk lapisan sand yang ketebalannya di bawah resolusi seismik, pola penyebarannya tidak terlihat."

"ABSTRAKPada uji tak rusak (non-destructive testing, NDT) metode ultrasonik, dikenal adanya gelombang ruah (bulk wave) dan gelombang terarah (guided wave). Salah satu jenis gelombang terarah yang memiliki potensi untuk mendeteksi dan mengkarakterisasi cacat adalah gelombang Lamb. Gelombang Lamb memiliki profil mode gelombang antisymmetical dan symmetrical, berdasarkan profil displacement saat merambat dalam suatu pelat tipis, dalam penelitian ini digunakan metode kontak teknik pulse-echo untuk menghasilkan gelombang symetris mode nol. Gelombang ini dirambatkan pada pelat aluminium baik yang bebas cacat maupun yang telah diberi cacat fatik simulasi. Setelah itu dilakukan analisis signal menggunakan time dan frekuensi-domain.Hasil penelitian menunjukkan bahwa cacat fatik dapat dideteksi oleh gelombang Lamb simetris mode nol. Analisis time-domain menunjukkan perbedaan amplitudo antara pelat non-cacat dan cacat fatik sebesar 91,11%, sementara pada frekuensi-domain, perbedaan amplitudonya 80,96%. Perhitungan lokasi cacat dengan menggunakan Time-of-flight (TOF) signal menunjukkan bahwa lokasi cacat menyimpang 19,42% dari lokasi sebenarnya. Dari penelitian ini dapat disimpulkan bahwa gelombang Lamb simetris mode nol dapat digunakan secara independen untuk mendeteksi dan mengkarakterisasi cacat fatik.

---

ABSTRACT

In the field of Non-Destructive Test (NDT) using ultrasonic method, it is known that there are bulk waves and guided waves. The type of guided waves that has the potential to detect and characterize defect is the Lamb waves. Lamb waves have antisymmetrical and symmetrical profile modes, based on the profile displacement when it propagated inside a thin plate. In this research, the pulse-echo contact method was being used to produce the zero order symmetrical wave. This wave was propagate inside the aluminium plate with both no defect and with simulated fatique defect. Then, the data was analyzed by using time-domain and frequency-domain.

The results showed that a fatique defect can be detected by zero order symmetrical Lamb wave. Time-Domain analysis showed that the difference of ampliudes between fatique defect and non-defect is 91,11% while by using frequency-domain, the difference is 80,96%. The calculation of the defected location using the Time-of Flight signal showed that the amount of deviation to the distance of this simulation defects is 19.42% from the real location. From the abovementioned results, it can be concluded that the zero order symmetrical Lamb wave, can be used independently to detect and characterize the fatique defect."

"ABSTRAKKetika manusia mengalami stres, tubuhnya akan memproduksi hormon stres serta menimbulkan respon fisiologis yang berkaitan dengan sistem saraf otonom atau autonomous nervous system (ANS). Salah satu respon fisiologis dari timbulnya stres pada tubuh yaitu meningkatnya variabilitas detak jantung atau heart rate variability (HRV). Data HRV merupakan beberapa feature yang didapatkan dari interval R-R yang berasal dari sinyal Electrocardiograph (ECG). HRV didapatkan dengan menggunakan analisis domain waktu dan analisis domain frekuensi. Dalam penelitian ini, akan dijelaskan mengenai pengembangan sistem pendeteksi stres berbasis detak jantung dengan menghitung dan membandingkan feature HRV berdasarkan analisis domain waktu dan frekuensi serta mengklasifikasikan feature tersebut dengan algoritma k-Nearest Neighbors (kNN). Sistem diimplementasikan pada perangkat Android dan juga Laptop. Hasil yang diperoleh yaitu feature HRV gabungan dari hasil analisis domain waktu dan frekuensi yang paling merepresentasikan stres dari detak jantung serta menghasilkan akurasi sebesar 79,17% menggunakan algoritma kNN pada Laptop dan akurasi sebesar 79,166% dari klasifikasi kNN pada aplikasi Android yang dibuat.

---

ABSTRACTWhen humans deal with stress, they produce stress hormones which create physiological responses related to the autonomic nervous system (ANS). One of the physiological responses to stress in the body is a variation in heart rate or heart rate variability (HRV). HRV data are some features obtained from the R-R interval derived from Electrocardiograph (ECG) signals. HRV is obtained using time domain analysis and frequency domain analysis. In this study, we will discuss the development of a stress detection system based on heart rate by calculating and comparing HRV features from time and frequency domain analysis and classifying these features with the k-Nearest Neighbors (kNN) algorithm. The system is implemented on Android device and PC. The results obtained were combined HRV features from the results of time and frequency domain analysis are the best features to represent stress from heart rate with accuracy of 79,17% using the kNN algorithm on PC and accuracy of 79,166% from the kNN classification on Android application.

 

"