Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam era digital saat ini, banyaknya data finansial yang melimpah dan tidak berlabel menimbulkan tantangan dalam pemilihan teknik pendeteksian outlier (outlier detection) yang optimal. Penelitian ini bertujuan untuk menangani tantangan tersebut dengan membandingkan model unsupervised outlier detection pada data sintetis yang dirancang untuk meniru karakteristik data finansial nyata. Sebagai studi kasus, penelitian ini menggunakan data Laporan Harta Keuangan Penyelenggara Negara (LHKPN) tahun 2022. Proses penelitian mencakup pengumpulan data, pemrosesan, pembuatan data sintetis, pengujian sepuluh algoritma outlier detection, dan penerapan model terbaik pada data LHKPN tahun 2022. Dari proses ini, model Median Absolute Deviation (MAD) dengan threshold 7.8 teridentifikasi sebagai yang paling efektif pada data sintetis yang meniru data LHKPN. Penelitian ini juga menemukan hyperparameter terbaik untuk model lain dan melakukan analisis skor outlier pada data nyata. Hasilnya memberikan wawasan baru dan menunjukkan potensi investigasi lanjutan dalam outlier detection pada data finansial tidak berlabel, dengan pendekatan yang menyeluruh mulai dari analisis distribusi data hingga pengujian model pada data sintetis dan asli.

---

In the current digital era, the abundance of unlabeled financial data poses challenges in selecting optimal outlier detection techniques. This research aims to address these challenges by comparing unsupervised outlier detection models on synthetic data, designed to mimic real financial data characteristics. Using 2022 data from the Laporan Harta Keuangan Penyelenggara Negara (LHKPN) as a case study, the research process includes data collection, processing, creating synthetic data, testing 10 outlier detection algorithms, and applying the most effective model, identified as Median Absolute Deviation (MAD) with a threshold of 7.8, on synthetic data based on LHKPN data. The study also finds the best hyperparameters for other models and conducts real data outlier score analysis, providing new insights and demonstrating further investigation potential in outlier detection for unlabeled financial data."

"Lapangan panas bumi S merupakan wilayah prospek yang belum dikembangkan, dengan tingkat keberhasilan eksplorasi yang masih rendah akibat tingginya ketidakpastian data bawah permukaan. Penelitian ini bertujuan untuk menganalisis respon bawah permukaan melalui pendekatan curve splitting pada data resistivitas Magnetotellurik (MT) guna mengidentifikasi struktur geologi. Analisis dilakukan menggunakan data sintetik hasil forward modelling untuk memahami respon kurva MT terhadap berbagai kontras resistivitas. Hasil dari data sintetik kemudian diaplikasikan pada data riil MT, dan dianalisis untuk mengidentifikasi area dengan nilai curve splitting tinggi dan skin depth rendah yang mengindikasikan keberadaan kontak struktur geologi. Hasil menunjukkan bahwa kurva TM memiliki sensitivitas tinggi terhadap perbedaan lateral resistivitas, dan nilai skin depth yang kecil dapat menandai lokasi struktur geologi dekat permukaan. Validasi dengan inversi 3D dan First Horizontal Derivative (FHD) memperkuat keberadaan struktur bawah permukaan pada titik-titik tersebut. Integrasi dari ketiga metode ini menunjukkan potensi besar analisis curve splitting dan skin depth sebagai indikator geologi awal dalam survei eksplorasi panas bumi.

---

The S geothermal field is a prospective area that has not yet been developed, with a low exploration success rate due to high uncertainty in subsurface data. This study aims to analyze subsurface responses through the curve splitting approach on Magnetotelluric (MT) resistivity data to identify geological structures. The analysis was conducted using synthetic data generated through forward modeling to understand MT curve responses to various resistivity contrasts. The results from the synthetic data were then applied to real MT data and analyzed to identify areas with high curve splitting and low skin depth values, indicating the presence of geological contacts near the measurement points. The results show that the transverse magnetic (TM) curve exhibits high sensitivity to lateral resistivity variations, and small skin depth values can indicate the presence of shallow geological structures. Validation using 3D inversion and First Horizontal Derivative (FHD) confirms the presence of subsurface structures at the indicated points. The integration of these three methods demonstrates the potential of curve splitting and skin depth analysis as preliminary indicators of geological conditions in geothermal exploration surveys. "

"Penyelidikan karakteristik reservoir memiliki peranan penting dalam bidang eksplorasi minyak dan gas bumi (Hydrocarbon). Penyelidikan ini bisa cukup sulit dilakukan dikarenakan oleh beberapa hal, salah satunya adalah memetakan reservoir lapisan tipis yang disebabkan oleh keterbatasan resolusi seismik. Ada banyak metode yang telah diterapkan terhadap data seismik dalam karakteristik reservoir. Dekomposisi spektral telah diaplikasikan untuk interpretasi data seismik 3D.Metode yang digunakan adalah metode Continuous Wavelet Transform (CWT), metode ini diaplikasikan pada data sintetik dan data seismik riil lapangan Bonsville. Aplikasi dari metode CWT pada data sintetik bertujuan untuk mendapatkan frequency slicing dan mengetahui frekuensi tertentu dari masing-masing frekuensi yang digunakan untuk analisa dekomposisi spectral, selanjutnya diaplikasikan pada data riil lapangan Boonsville bertujuan untuk mendapatkan horizon slice.Hasil analisis pada data riil seismik lapangan Boonsville yang didapatkan dari proses dekomposisi spektral menunjukan adanya distribusi channel pada formasi caddo.

---

Reservoir characteristic investigation has an important role in hydrocarbon exploration. The investigation cannot be done easily because of several problems, on of them is for mapping the thin beds reservoir which is caused by the limitation of the seismic resolution. Many methods have been applied to seismic data in the reservoir characterization. Spectral decomposition has been applied to 3D seismic data interpretation, such as by using Continuoaus Wavelet Transform (CWT) method.These method are applied to, first synthetic data set and second, real seismic data set collected along Boonsville field. The application of method to the synthetic data set is used to get the best frequency slicing and to know a certain frequency from each frequencies such as by using analysis spectral dekomposition, hereinafter, method are applied to the real data of the boonsville field is get the best horizon slice.The result of analysis on real seismic data set collected along Boonsville Field with spectral decomposition process can show distribusri channel in Caddo Formation."