Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
K-mean methods is a clustering method in which grouping techniques are based only on distance measure among observed objects,withouth considering statistical aspects. Model based clustering is a method that use statistical aspects,as its theoretical basis i.e.probality maximum criterion.....

Abstrak :
K-Mean method is a clustering method in which grouping techniques are based only on distance measure among observed objects, without considering statistical aspects....

Abstrak :
Gas Serpih dianggap sebagai salah satu sumber energi yang paling menjanjikan untuk menopang kebutuhan energi dunia. Meskipun begitu, eksplorasi terhadap gas serpih di beberapa negara dinilai masih kurang bekembang dimana hasl ini disinyalir disebabkan karena kurangnya metode dan implementasi teknologi dibandingkan dengan eksplorasi hidrokarbon konvensional. Selain itu, teknologi, metode, dan data yang tersedia di berbagai perusahaan migas saat ini masih terkonsentrasi pada eksplorasi hidrokarbon konvensional. Tujuan dari penelitian ini adalah untuk mengusulkan metode yang berbeda dalam eksplorasi gas serpih dengan memanfaatkan data eksplorasi hidrokarbon konvensional yang ada menggunakan pendekatan data science dan decision analysis. Metode yang digunakan dalam penelitian ini adalah K-Mean Clustering untuk mengelompokkan batuan berdasarkan karakterisitik yang serupa (TOC, Porosity, Poisson Ratio dan Water Saturation) kemudian dilanjutkan dengan Multi Criteria Decision Analysis untuk menentukan cluster batuan terbaik untuk eksplorasi gas serpih. penelitian ini mengambil Formasi Serpih Banuwati di Cekungan Asri sebagai studi kasus yang dikenal sebagai salah satu batuan induk yang menjanjikan di Indonesia. Berdasarkan penelitian ini, batuan di daerah penelitian dapat diklasifikasikan menjadi tiga cluster. Cluster 1 ditetapkan sebagai “High Fractability Cluster”, Cluster 2 ditetapkan sebagai “Water Saturated Cluster” dan Cluster 3 ditetapkan sebagai “High Organic Content Cluster” berdasarkan sifat fisik dan kimianya. Sementara itu, Cluster 3 ditetapkan sebagai cluster terbaik dengan interval kedalaman 10212 ft – 10412 ft (3113 m – 3174 m) yang dinilai sebagai sweet spot untuk eksplorasi Shale Gas berdasarkan hasil Multi Criteria Decision Analysis style ......Shale gas has been regarded as one of the most promising energy sources to sustain the world’s energy demand. However, its exploration is still underdeveloped in several countries due to a lack of methods and technology implementation compared to conventional hydrocarbon exploration. In addition, the technology, methods, and data available in various oil and gas companies are currently still concentrated on conventional hydrocarbon exploration. The purpose of this study is to propose a new comprehensive method in shale gas exploration by utilizing the existing conventional hydrocarbon exploration data using data science and decision analysis approaches. The methods used in this study are K-Mean Clustering to cluster the similar rock characters (TOC, Porosity, Water Saturation, and Poisson Ratio) then continued by Multi-Criteria Decision Analysis to determine the best rock cluster for shale gas exploration. The study takes Banuwati Shale Formation in Asri Basin as a case which is well known as one of the promising source rocks in Indonesia. Based on this study, the rocks in the study area can be classified into three clusters. Cluster 1 is determined as “High Fractability Cluster”, Cluster 2 is determined as “Water Saturated Cluster” and Cluster 3 is determined as “High Organic Content Cluster” based on its physical and chemical properties. Meanwhile, Cluster 3 is determined as the best cluster with 10212 ft – 10412 ft (3113 m – 3174 m) depth interval preferred as the sweet spot for Shale Gas exploration based on Multi-Criteria Decision Analysis result.

Abstrak :

Penelitian ini bertujuan untuk melakukan pengelompokan varian virus SARS-CoV-2 melalui proses clustering menggunakan metode unsupervised learning. Data yang digunakan adalah sekuens protein SARS-CoV-2 yang diekstraksi fiturnya menggunakan paket Discere dalam bahasa pemrograman Python. Sebanyak 27 fitur dihasilkan dan diseleksi dengan metode seleksi fitur Least Absolute Shrinkage and Selection Operator (LASSO). Metode Elbow digunakan untuk menentukan jumlah cluster yang optimal. Dalam penelitian ini, digunakan metode clustering K-Means dan Balanced Iterative Reducing and Clustering using Hierarchies (BIRCH). Evaluasi hasil clustering dilakukan menggunakan metrik evaluasi Silhouette Score dan Davies-Bouldin Index, serta memperhatikan waktu runtime untuk setiap simulasi. Hasil evaluasi kemudian dibandingkan untuk melihat perbedaan performa antara kedua metode clustering yang digunakan, serta pengaruh seleksi fitur terhadap performa clustering. Hasil terbaik diperoleh pada simulasi dengan metode clustering BIRCH + LASSO, dengan nilai Silhouette Score 0,74186 untuk jumlah cluster k=4 dan 0,73207 untuk k=5. Nilai Davies-Bouldin Index terbaik juga diperoleh pada simulasi tersebut, yaitu 0,42697 untuk k=4 dan 0,37949 untuk k=5. Waktu runtime terbaik tercatat pada simulasi dengan metode K-Means + LASSO, yaitu 0,21551 detik untuk k=4 dan 0,17539 detik untuk k=5. Dapat disimpulkan bahwa metode BIRCH menghasilkan cluster yang lebih baik berdasarkan metrik evaluasi, namun K-Means memberikan proses clustering yang lebih cepat. Seleksi fitur dengan metode LASSO juga membantu meningkatkan performa clustering. ......This study aims to perform clustering of SARS-CoV-2 virus variants using unsupervised learning methods. The data used consists of SARS-CoV-2 protein sequences whose features are extracted using the Discere package in the Python programming language. A total of 27 features are generated and selected using the Least Absolute Shrinkage and Selection Operator (LASSO) feature selection method. The Elbow method is employed to determine the optimal number of clusters for the clustering process. The clustering methods used in this research are K-Means clustering and Balanced Iterative Reducing and Clustering using Hierarchies (BIRCH). The clustering results are evaluated using the Silhouette Score and Davies-Bouldin Index metrics, while also considering the runtime for each simulation. The evaluation results are then compared to examine the performance differences between the two clustering methods and the impact of feature selection on clustering performance. The best Silhouette Score is obtained in the simulation using the BIRCH + LASSO clustering method, with a value of 0.74186 for k=4 and 0.73207 for k=5. The best Davies-Bouldin Index is also achieved in the same simulation, with values of 0.42697 for k=4 and 0.37949 for k=5. The fastest runtime is recorded in the simulation using the K-Means + LASSO method, with a time of 0.21551 seconds for k=4 and 0.17539 seconds for k=5. In conclusion, the BIRCH method yields better clustering results based on the evaluation metrics, while K-Means provides faster clustering processes. The LASSO feature selection method also aids in improving clustering performance.