Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini terletak di lapangan X, tepatnya di Jambi. Reservoar gas pada lapangan ini merupakan bagian dari sub cekungan Jambi, dimana litologinya berupa sandstone pada Formasi Air Benakat. Metoda Atribut Dekomposisi Spektral sangat baik untuk mengidentifikasi lapisan tipis berdasarkan parameter frekuensi. Pada penelitian ini menggunakan CWT (Continuous Wavelet Transform) dengan menggunakan wavelet Mexican Hat sebagai wavelet input. Frekuensi dominan dari reservoar gas ditunjukan pada 30 Hz. Metode lain yang digunakan adalah Spectral Ratio yang berfungsi untuk menghitung besar Q Factor. Berdasarkan hasil perhitungan, analisis nilai Q Factor menunjukan nilai yang kecil yaitu 140,75 , pada zona M, 184,89 pada zona N, dan 89,10 pada zona O relatif terhadap zona referensi. Nilai Q Factor yang kecil pada zona reservoar menunjukan koefisien atenuasi yang besar.

---

This research is located in Field X, the South side of Sumatra. Gas Reservoirs in the field were formed at Air Benakat Formation. The spectral decomposition method is very good tool to identify the thin layers based on frequency parameters. In this research, the author using CWT (Continuous Wavelet Transform) with respect to Mexican Hat wavelet type as wavelet. From gas reservoir, it was found the frequency dominant around 30 Hz. Spectral Ratio method is used to estimate Q Factor value. Based on calculation, Q Factor values is 140,75 for M zone, 184,89 for N zone, and 89,10 for O zone, relative to reference zone. Q factor that is small in reservoir, represent a large attenuation."

"Pulau Kalimantan merupakan pulau yang memiliki aktivitas tektonik yang cenderung stabil. Hal ini mengakibatkan pulau ini dapat menjadi reservoar hidrokarbon yang baik. Lapangan 'B' terletak di Kalimantan timur dan berada pada cekungan Tarakan yang merupakan salah satu cekungan intrakraton di Indonesia. Pada lapangan 'B' telah ditemukan hidrokarbon berupa gas di sumur 'M'. Gas ditemukan pada interval kedalaman 1800 - 1900 m. Hasil ini merupakan dasar untuk tahapan pengembangan suatu lapangan gas 'B' guna mengoptimalkan produksi. Dalam upaya mengoptimalkan produksi gas dibutuhkan pengeboran sumur tambahan di lapangan 'B'. Akan tetapi pengeboran sumur memakan biaya yang sangat mahal sehingga pengeboran harus tepat sasaran. Agar pengeboran tepat sasaran perlu dilakukan pendekatan tehadap persebaran hidrokarbon gas pada reservoar. Hidrokarbon gas lebih mudah teridentifikasi dengan metode dekomposisi spektral karena sifat dari gas yang akan mengatenuasi gelombang dengan frekuensi tinggi. Penelitian ini mengunakan dekomposisi spektral untuk menentukan persebaran gas dengan mengamati pola dari respon frekuensi. Berdasarkan hasil analisa dekomposisi spektral diperoleh persebaran hidrokarbon gas pada reservoar batu pasir formasi Tarakan berada pada bagian barat laut dan selatan yang memiliki potensi yang menjanjikan.

---

Kalimantan is an island with stable tectonic activity. So this island has high potential to be good hydrocarbon reservoir. 'B' field is located in the Tarakan basin eastern Kalimantan. In 'B' field hydrocarbon gas was found at 'M' well. Gas was found in the depth between 1800-1900 m. These results are the basis for the development of 'B' gas field in order to optimize production. To optimize production we must drilling another wells in this field. Because of drilling cost are very expensive, so drilling should be right on target. to make drilling precise we need representation of distribution hydrocarbon gas in the reservoir. Hydrocarbon gas more easily identified by spectral decomposition method because gas will atenuated with increasing frequency. This study uses spectral decomposition to determine the distribution of gas by observing the pattern of the frequency response. Based on spectral decomposition result, distribution of hydrocarbon gas detected in Northwest and Southern field on sandstone reservoir Tarakan formation."

"This book provides a modern introduction to harmonic analysis and synthesis on topological groups. It serves as a guide to the abstract theory of Fourier transformation. For the first time, it presents a detailed account of the theory of classical harmonic analysis together with the recent developments in spectral analysis and synthesis."

"This is the only book on spectral methods built around MATLAB programs. Along with finite differences and finite elements, spectral methods are one of the three main technologies for solving partial differential equations on computers. Since spectral methods involve significant linear algebra and graphics they are very suitable for the high level programming of MATLAB. This hands-on introduction is built around forty short and powerful MATLAB programs, which the reader can download from the World Wide Web. This book presents the key ideas along with many figures, examples, and short, elegant MATLAB programs for readers to adapt to their own needs. It covers ODE and PDE boundary value problems, eigenvalues and pseudospectra, linear and nonlinear waves, and numerical quadrature."

"Penelitian ini bertujuan untuk mengimplementasikan spectral clustering-PAM dengan menggunakan algoritma similaritas serial dan mengimplementasikan algoritma similaritas paralel berbasis CUDA dalam metode spectral clustering pada data microarray gen karsinoma. Implementasi dibantu dengan perangkat lunak R berbasis open source yang digunakan pada algoritma spectral clustering-PAM dengan algoritma similaritas serial dan CUDA yang digunakan pada algoritma similaritas paralel. Pengelompokan data microarray gen karsinoma diawali dengan menormalisasi data menggunakan normalisasi min-max. Pada algoritma spectral clustering-PAM, pertama-tama similaritas antar gen karsinoma dihitung. Selanjutnya, membentuk matriks Laplacian ternormalisasi dari matriks diagonal dan matriks Laplacian tak ternormalisasi. Langkah berikutnya yaitu menghitung eigenvalue dari matriks Laplacian ternormalisasi dan menentukan eigenvector dari eigenvalue terkecil matriks Laplacian ternormalisasi yang disusun menjadi dataset baru untuk dipartisi setiap barisnya menggunakan metode PAM. Berdasarkan running time, waktu yang dibutuhkan untuk menghitung nilai similaritas secara paralel di CUDA 378 kali lebih cepat daripada secara serial di R. Hasil penelitian menunjukkan bahwa spectral clustering-PAM mengelompokkan data microarray gen karsinoma menjadi dua cluster dengan nilai rata-rata silhouette yaitu 0,6458276.

---

This research aims to implement the spectral clustering PAM using serial similarity algorithm and implement parallel similarity algorithm based on CUDA in spectral clustering method on microarray data of carcinoma genes. Implementation assisted with software based on open source R used in spectral clustering algorithm PAM with serial similarity algorithm and CUDA used to parallel similarity algorithm. Clustering microarray data of carcinoma genes preceded by normalizing the data using min max normalization. In the spectral clustering PAM algorithm, first of all, similarity between genes of carcinoma calculated. Furthermore, forming the normalized Laplacian matrix from diagonal matrix and unnormalized Laplacian matrix. The next step is to calculate the eigenvalues of normalized Laplacian matrix and determine the eigenvectors of k smallest eigenvalues of normalized Laplacian matrix is organized into a new dataset to be partitioned each line using PAM. Based on the running time, the time required to calculate the value of parallel similarity in CUDA is 378 times faster than a serial in R. The results showed that spectral clustering PAM classify microarray data of carcinoma genes into two clusters with an average silhouette value is 0,6458276."

" ABSTRAKClustering adalah salah satu topik penting pada bidang Data Mining. Teori graf dapat digunakan untuk membantu clustering dengan cara membuat graf yang mewakili data-data yang akan di-cluster. Salah satu metode graf clustering adalah k-way spectral clustering yang memanfaatkan sebanyak k nilai eigen dan vektor eigen pertama dari matriks Laplacian suatu graf untuk melakukan clustering dengan k adalah banyaknya cluster yang diinginkan. Pada skripsi ini dibahas mengenai algoritma k-way spectral clustering merujuk kepada Ng, Jordan, dan Weiss (2002) dan von Luxburg (2007).

---

ABSTRACT

Clustering is one of the most important topic in Data Mining. Graph can be used to do clustering by forming a representation graph data which is needed to be clustered. K-way spectral clustering is one of many methods of graph clustering. This method uses first-k eigen values and eigen vectors of a Laplacian matrix to cluster with k is the number of desired clusters. In this skripsi, it will be discussed a k-way spectral clustering algorithm by Ng, Jordan, and Weiss (2002) and von Luxburg (2007)."

"Coronavirus disease (COVID-19) adalah penyakit pernapasan menular yang disebabkan oleh jenis coronavirus baru. Penyakit ini sebelumnya disebut dengan 2019-nCoV atau 2019 novel coronavirus. Virus penyebab COVID-19 ini adalah SARS-CoV-2. Terdapat varian SARS-CoV-2 lain yang memiliki potensi berdampak besar bagi kesehatan masyarakat seperti Lambda dan Mu. Ada pula kelompok varian SARS-CoV-2 under monitoring yang belum diketahui dampak dan bentuk penyebarannya di tingkat masyarakat. Kappa, Iota, dan Epsilon merupakan beberapa contoh varian yang termasuk ke dalam kelompok tersebut. World Health Organization (WHO) terus melakukan pengawasan kemunculan varian SARS-CoV-2 yang baru. Varian SARS-CoV-2 yang telah diketahui penularan dan dampaknya cukup signifikan pada masyarakat hingga saat ini adalah Alpha, Beta, Delta, Gamma, dan Omicron. Penelitian ini menggunakan data dari kelima varian SARS-CoV-2 tersebut. Penelitian ini mengimplementasikan program unsupervised dari machine learning yaitu simulasi proses clustering untuk mengelompokkan varian SARS-CoV-2. Dilakukan ekstraksi fitur terhadap data sekuens protein SARS-CoV-2 menggunakan package discere dalam bahasa pemrograman Python. Melalui proses ekstraksi fitur dihasilkan 27 fitur data sekuens protein SARS-CoV-2 yang siap digunakan. Elbow method kemudian diimplementasikan terhadap data untuk mengetahui jumlah pembentukan cluster yang optimal untuk digunakan pada clustering. Berdasarkan elbow method didapatkan jumlah cluster optimal untuk simulasi clustering sebanyak  dan dilakukan juga simulasi dengan  untuk memberi kesempatan kepada seluruh varian untuk membentuk clusternya sendiri.  Metode clustering yang digunakan pada penelitian ini adalah spectral clustering. Cluster yang dihasilkan kemudian dievaluasi menggunakan metrik evaluasi silhouette score serta melihat runtime pada setiap simulasi yang dilakukan. Hasil silhouette score untuk simulasi dengan  bernilai 0,614 dan untuk simulasi dengan  yang bernilai 0,631. Durasi rata-rata runtime mencatat bahwa simulasi dengan  dengan 6,566 detik lebih baik dibanding simulasi dengan  dengan 7,529 detik. Berdasarkan hasil tersebut, spectral clustering dapat dilakukan terhadap varian SARS-CoV-2 dengan pemilihan jumlah cluster  menggunakan elbow method.

---

Coronavirus disease (COVID-19) is an infectious respiratory disease caused by a new type of coronavirus. This disease was previously called 2019-nCoV or 2019 novel coronavirus. The virus that causes COVID-19 is the SARS-CoV-2. There are several variants of SARS-CoV-2 that have the potential to have a major impact on public health, such as Lambda and Mu. There is also a group of variants of SARS-CoV-2 under monitoring whose impact and form of spread are unknown at the community level. Kappa, Iota, and Epsilon are some examples of variants that belong to this group. The World Health Organization (WHO) continues to monitor the emergence of a new variant of SARS-CoV-2. The variants of SARS-CoV-2 that are known to transmit and have a significant impact on society so far are Alpha, Beta, Delta, Gamma and Omicron. This study uses data from that five variants of SARS-CoV-2. This study implements an unsupervised program from machine learning, which is a simulation of the clustering process to group variants of SARS-CoV-2 . Feature extraction was carried out on the SARS-CoV-2 protein sequence data using discere package in the Python programming language. Through the feature extraction process, 27 features of the SARS-CoV-2 protein sequence data were produced which were ready for use. The elbow method is then implemented on the data to find out the optimal number of cluster formations for use in clustering. Based on the elbow method, the optimal number of clusters for the clustering simulation is  and a simulation with  is also carried out to provide an opportunity for all variants to form their own clusters. The clustering method used in this study is spectral clustering. The resulting clusters are then evaluated using the silhouette score evaluation metric and looking at the runtime in each simulation that is performed. The results of the silhouette score for the simulation with  is worth 0.614 and for the simulation with  it is worth 0.631. The average duration of the runtime noted that the simulation with  with 6.566 seconds was better than the simulation with  with 7.529 seconds. Based on these results, spectral clustering can be carried out on the SARS-CoV-2 variant by selecting the number of  clusters using the elbow method."