Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tugas akhir ini membahas simulasi rangkaian logiksiederhana dan single stuck-at 1 fault dengan menggunakanbahasa pemrograman PASCAL."

"ABSTRAKTerjebaknya pipa (stuck pipe) selama pengeboran sumur Geotermal adalah salah satu masalah yang mempengaruhi waktu tidak produktif (NPT) yang memperpanjang jadwal pengeboran. Masalah ini secara langsung meningkatkan biaya pengeboran karena meningkatnya waktu pengeboran keseluruhan, bahan habis pakai, lumpur, mata bor dan juga akan mengorbankan sumur ketika tidak ada lagi kemajuan untuk mencapai kedalaman cadangan (reservoir) yang ditargetkan. Juga masalah suckpipe akan menciptakan efek domino yang mungkin berdampak pada pengeboran sumur berikutnya dan jadwal pengeboran lokasi lainnya. Masalah stuck pipe terjadi dari banyak faktor kontributor dan juga terkait dengan kasus masalah lain seperti kehilangan sirkulasi,ketidakstabilan lubang sumur, penutupan zona sementara, dan masalah pekerjaan penyemenan. Metode analitik yang ada saat ini sebagian besar menggunakan satu atau dua variabel dominan untuk memprediksi masalah pipa macet yang secara terbatas mewakili kondisi pengeboran, litologi dan kondisi sumur bor. Kombinasi metode statistik dan pendekatan pembelajaran mesin (machine learning) dikembangkan dan digunakan secara komprehensif untuk memprediksi masalah stuck pipe yang mewakili berbagai kondisi litologi, lubang sumur dan pengeboran. Data historis yang mewakili situasi kondisional dan perekam pengeboran elektronik (Electronic Drilling Recorder) digunakan untuk memprediksi masalah stuck pipe yang berbeda untuk setiap sumur. Banyak faktor yang berkontribusi terhadap keberhasilan kegiatan pengeboran dan tidak ada faktor tunggal, yang dominan menjadi akar penyebab menariknya penelitian ini. Pendekatan statistik seperti Principal Component Analysis, regresi logistik, dan analisisdiskriminan sangat membantu untuk menafsirkan data sebelum langkah analisis selanjutnya. Analisis statistik tersebut harus menjadi dasar interpretasi data sebelum membuat algoritma untuk menggunakan analisis prediktif menggunakan pembelajaran mesin (machine learning) dan pembelajaran mendalam (deep learning).

---

ABSTRACTStuck pipe during Geothermal well drilling is one of the problems that affect nonproductive time (NPT) which prolongs the drilling schedule. This problem directly increases drilling cost due to increasing overall drilling time, consumables, mud, drill bit and as well as sacrifices it's well when there is no more progress to reach the targeted reservoir depth. Also, the stuck pipe problem will create a domino effect that might impact next well drilling and another site drilling schedule. Stuck pipe problem is made from many contributor factors and related to other problem cases such as lost circulation, wellbore instability, temporary zone closure, and cementing job trouble. The current analytical method mostly uses one or two dominant variables to predict stuck pipe problems which limitedly represents drilling conditions, lithology and wellbore conditions. A combination of statistical method and machine learning approach is developed and comprehensively used to predict stuck pipe problem that represents different well lithology, wellbore and drilling condition. Historical data that represents the conditional situation and electronic data recorder is used to predict the stuck pipe problem which different for each of the well. Many factors contribute to successful drilling activities and no one single factor, which dominantly becomes the root cause of the problem. A statistical approach such as principal component analysis, logistic regression and discriminant analysis is very helpful to interpret data before the next step of the analysis. Those statistical analyses should be the baseline of data interpretation before creating an algorithm to use predictive analysis using machine learning and deep learning."

"Sebuah dokumentasi dalam gambar 2000 tahun dari perkembangan politik dan kultur Jerman."

"Mobilitas pekerjaan adalah fenomena yang umum terjadi di pasar tenaga kerja dan terkait erat dengan kecenderungan pekerja untuk berhenti. Hal ini mengacu pada kemungkinan pekerja meninggalkan pekerjaan mereka dalam jangka waktu tertentu. Di pasar tenaga kerja Indonesia, berbagai indikator seperti mencari pekerjaan saat bekerja (Job Hunt), kesediaan untuk menerima tawaran pekerjaan lain (Job Hop), dan tanpa pelatihan di tempat kerja (Sans OJT) digunakan untuk mengidentifikasi kecenderungan pekerja untuk berhenti. Masalah ini dapat menyebabkan biaya organisasi dan berdampak pada produktivitas dan ekonomi. Studi ini mengeksplorasi dampak job vertical mismatch, upah, dan interaksi keduanya terhadap kecenderungan pekerja untuk berhenti bekerja di pasar tenaga kerja Indonesia, dengan menggunakan metode regresi logistik dengan data SAKERNAS dari Agustus 2021 dan 2022. Hasil analisis menunjukkan undereducated mengurangi kemungkinan berhenti bekerja, sementara overeducated justru meningkatkan. Selain itu, pekerja undereducated lebih cenderung menghindari job hop daripada job hunter, sedangkan pekerja overeducated lebih cenderung untuk job hop. Selain itu, pekerja undereducated lebih kecil kemungkinannya untuk sans OJT, sementara hal yang sebaliknya pada overeducated. Upah yang lebih tinggi secara signifikan mengurangi kemungkinan pekerja untuk berhenti bekerja, dengan upah pekerja undereducated cenderung meningkatkan. Pada tahun 2021 menunjukkan kecenderungan untuk berhenti lebih rendah, sedangkan tahun 2022 lebih tinggi, seiring pemulihan pasar tenaga kerja pasca pandemi COVID-19.

---

Job mobility is a prevalent phenomenon in the labor market and is closely linked to workers' tendency to quit. This refers to the likelihood of workers leaving their jobs within a specific timeframe. In the Indonesian labor market, various indicators such as job searching while employed (Job Hunt), willingness to accept other job offers (Job Hop), and without on-the-job training (Sans OJT) are used to identify workers' tendency to quit. This issue can lead to organizational costs and impact productivity and the economy. This study explores the impact of job-vertical mismatch, wage, and their interplay on workers' tendency to quit in Indonesia's labor market, using logistic regression methods with SAKERNAS data from August 2021 and 2022. The analysis shows that being undereducated reduces the likelihood of quitting while overeducated increases it. Additionally, undereducated individuals are more inclined to avoid job hopping than job hunting, whereas overeducated individuals tend to job hop more. Moreover, undereducated workers are less likely to sans OJT, while the opposite holds for overeducated workers. Higher wages significantly reduce the likelihood of workers quitting, with undereducated workers' wages increasing their tendency to quit. Overall, the results for 2021 indicate a lower tendency to quit. In contrast, by 2022, there is an increase in job mobility expectations, likely influenced by the labor market rebound due to the COVID-19 pandemic."