Hasil Pencarian  ::  Simpan CSV :: Kembali

"Aplikasi metode Multiatribut pada data poststack seismik dan hasil inversinya telah dilakukan untuk mengestimasi kecepatan interval melalui pendekatan Neural Network. Estimasi kecepatan interval yang dihasilkan tersebut digunakan untuk memprediksi tekanan formasi di Lapangan Texaco 3D, Louisiana. Tujuan dari studi ini adalah untuk mengaplikasikan pendekatan geostatistik dan analisis Multiatribut dengan keterbatasan data yang dimiliki untuk memprediksi tekanan formasi. Hasil estimasi kecepatan interval menggunakan Multiatribut (10 atribut) menunjukkan korelasi yang sangat baik yaitu rata-rata korelasi prediksi log hasil atribut dan log validasi mencapai 79%, dengan tingkat kesalahan yang kecil berkisar rata-rata 175 - 292 m/s dari kecepatan validasi. Pendekatan Neural Network menghasilkan atribut polaritas semu (apparent polarity) sebagai atribut terbaik dalam estimasi kecepatan dengan error berkisar 108 m/s (berdasarkan hasil PNN) hingga 166 m/s (berdasarkan hasil MLFN). Anomali kecepatan rendah terdeteksi pada kedalaman 2800 - 2900 m dan sekitar kedalaman 3000 m, dengan gradient tekanan rata-rata mencapai 18 ? 22 ppg.

---

Application of Multiattribute to poststack seismic data and the the seismic inversion result has been carried out to estimate the interval velocity, by using Neural Network approach. The result of estimated interval velocity is used to predict formation pressure in Texaco 3D Field, Louisiana. The purpose of this study is to apply the geostatistical approach and Multiattribute analysis to predict the formation pressure.

The results of estimated interval velocity using Multiattribute (10 attributes) show excellent correlation of the average correlation between predicted log and the real log reached 79%, with an error training and validation of a fairly small range from an average of 175-292 m/s validation of the velocity. The Neural Network approachment generating apparent polarity attribute as the best attribute of velocity estimation with errors ranging from 108 m/s (based on PNN) up to 166 m/s (based on the results of MLFN). Low velocity anomaly was detected at a depth of 2800 - 2900 m and approximately 3000 m depth, with the pressure gradient averaged 18-22 ppg."

"Analisa multi atribut adalah salah satu metode statistik menggunakan lebih dari satu atribut untuk memprediksi properti fisik dari batuan. Tujuan analisa ini adalah adalah mencari hubungan antara log dengan data seismik. Hubungan ini digunakan untuk memprediksi Volome dari properti log pada semua volume seismik Pada penelitian ini analisa multiatribut diaplikasikan pada lapangan X daerah cekungan sumatera selatan dengan menggunakan 5 data sumur. Target dari penelitian ini adalah memprediksi penyebaran porositas di lapangan X. Sumursumur yang dipilih adalah sumur yang tersebar merata dan mewakili area yang akan diprediksi penyebaran porositasnya. Jumlah atribut yang digunakan di tentukan oleh proses step wise regression. Metode multiatribut yang linier transformasinya terdiri dari deret bobot yang diperoleh dari minimalisasi least square. Pada metoda non linier, neural network di gunakan dalam proses training dengan menggunakan atribut yang sudah ditentukan sebelumnya.Tipe neural network yang digunakan adalah PNN ( Probabilistic Neural Network ),tipe ini dipilih karena mempunyai hasil korelasi yang paling baik dibandingkan dengan tipe neural network yang lain. Untuk mengetahui tingkat kepercayaan dari transformasi multiatribut dilakukan proses crossvalidasi. Hasilnya multiatribut menunjukan korelasi sebesar 0.65 dan neural network 0.69.

---

Multi-attribute analysis is a statistic method using more than one attribute to predict physical properties of rocks. The aim of this analysis is to find a relationship between log and seismic data. The relationship is used for predicting volume of log property at all seismic volumes. In this study the multi-attribute analysis is applied to area X, which is a cavity region in South Sumatera, using five well data. The aim of the study is to predict porosity distribution at area X. The wells that were chosen were those that were spread evenly and represented areas where the distribution of porosity will be predicted. The quantity of attributes used is determined by a step wise regression process. A linear multiattribute method comprises of a series that is achieved by a minimised least square. In a non-linear method, neural network is used in the training process with predetermined attributes. The neural network type used was PNN (Probabilistic Neural Network ), this type was chosen because of the best correlation result. To verify the validity of the multi-attribute transformation, a crossvalidation was conducted. The result shows a 0.65 correlation and a 0.69 neural network."

"Lapangan ‘B’ merupakan lapangan prospek hidrokarbon yang berlokasi di offshorecekungan Kutai, Kalimantan Timur. Untuk mengetahui karakterisasi reservoir lapangan‘B’, dilakukan pemodelan porositas dan saturasi air menggunakan inversi AI, multiatributseismik dan probabilistic neural network. Penelitian ini menggunakan data seismik 3DPSTM dan data sumur (AND-1, AND-2, AND-3 dan AND-4). Pada data seismik dan datasumur dilakukan inversi AI untuk mengetahui sifat litologi area penelitian. Kemudian,hasil AI ditransformasikan untuk mendapatkan model porositas. Metode multiatributseismik menggunakan beberapa atribut untuk memprediksi model porositas dan saturasiair. Setelah itu, diaplikasikan sifat non-linear dari probabilistic neural network sehinggamenghasilkan model porositas dan saturasi air hasil probabilistic neural network (PNN).Model porositas dan saturasi air transformasi AI, multiatribut seismik dan PNN divalidasidengan nilai porositas dan saturasi air data sumur untuk mengetahui apakah modelporositas dan saturasi air tersebut merepresentatifkan nilai data sumur. Validasi dilakukanpada sumur AND-1 dan AND-2. Nilai porositas dan saturasi air data sumur untuk AND-1 adalah 25.3 – 35.9% dan 45 – 60%, dan nilai porositas dan saturasi air AND-2 adalah11 – 35% dan 15 – 82%. Nilai porositas AND-1 hasil transformasi AI sekitar 16 – 67%,multiatribut seismik sekitar 11.5 – 27% dan PNN sekitar 11.5 – 27%. Nilai saturasi airAND-1 hasil multiatribut seismik sekitar 4 – 63% dan PNN sekitar 18 – 63%. Nilaiporositas AND-2 hasil transformasi AI sekitar 52 – 72%, multiatribut seismik sekitar 11– 21.5% dan PNN sekitar 11 – 21.5%. Nilai saturasi air AND-2 hasil multiatribut seismiksekitar 63 – 85% dan PNN sekitar 63 – 85%. Kemudian, metode multiatribut seismik danPNN didapatkan nilai korelasi antara parameter target dengan parameter prediksi. Modelporositas multiatribut seismik memiliki korelasi 0.840836 dan PNN memiliki korelasi0.936868. Model saturasi air multiatribut seismik memiliki korelasi 0.915254 dan PNNmemiliki korelasi 0.994566. Model porositas transformasi AI memiliki rentang yanglebih tinggi dibandingkan dengan data sumur. Model porositas dan saturasi air metodePNN memiliki rentang nilai yang cukup dekat dengan data sumur dan memiliki korelasiyang lebih tinggi dibandingkan dengan metode multiatribut seismik. Oleh sebab itu,model porositas dan saturasi air metode PNN merupakan model prediksi terbaik.Berdasarkan model PNN, reservoir zona target lapangan ‘B’ memiliki nilai impedansiakustik 25384 – 26133 ((ft/s)*(g/cc)), porositas sekitar 15 – 27% dan nilai saturasi airsekitar 11 – 63%.

---

The 'B' field is a hydrocarbon prospect field located in the offshore Kutai Basin, East

Kalimantan. To determine the characterization of the ‘B’ field reservoir, porosity and

water saturation modeling was carried out using AI inversion, seismic multiattribute and

probabilistic neural network. This study uses 3D PSTM seismic data and wells data

(AND-1, AND-2, AND-3 and AND-4). In seismic data and wells data, AI inversion was

carried out to determine the lithological characteristics of the research area. Then, the AI

results were transformed to obtain a porosity model. The seismic multiattribute method

uses several attributes to predict the porosity and water saturation model. After that, the

non-linear properties of the probabilistic neural network were applied to produce the

porosity and water saturation model of the probabilistic neural network (PNN). The

porosity and water saturation model of AI transformation, seismic multiattribute and PNN

were validated with the porosity and water saturation values of the wells data to determine

whether the porosity and water saturation models represent the wells data values.

Validation was carried out on AND-1 and AND-2 wells. The porosity and water

saturation value of the well data for AND-1 around 25.3 - 35.9% and 45 - 60%, and the

porosity and water saturation value of AND-2 around 11 - 35% and 15 - 82%. The

porosity value of AND-1 as a result of AI transformation is around 16 - 67%, the seismic

multiattribute about 11.5 - 27% and the PNN about 11.5 - 27%. The water saturation value

of AND-1 resulted from seismic multiattribute around 4 - 63% and PNN around 18 - 63%.

The porosity value of AND-2 transformed by AI around 52 - 72%, the seismic

multiattribute around 11 - 21.5% and the PNN around 11 - 21.5%. The water saturation

value of AND-2 result from the seismic multiattribute around 63 - 85% and PNN around

63 - 85%. Then, the multiattribute seismic and PNN methods obtained the correlation

value between the target parameter and the predicted parameter. The seismic

multiattribute porosity model has a correlation of 0.840836 and PNN has a correlation of

0.936868. The multiattribute seismic water saturation model has a correlation of 0.915254

and PNN has a correlation of 0.994566. The AI transformation porosity model has a

higher range than the wells data. The PNN method of porosity and water saturation model

has a fairly close range of values to wells data and has a higher correlation than the

multiattribute seismic method. Therefore, the porosity and water saturation model of the

PNN method is the best prediction model. Based on the PNN model, the field target zone

reservoir 'B' has an acoustic impedance value about 25384 – 26133 ((ft/s) * (g/cc)), a

porosity of 15 - 27% and a water saturation of 11 - 63%."

"Tanda tangan memiliki peran penting dalam konteks sosial, ekonomi, pendidikan. Awalnya, tanda tangan hanya berbentuk tulisan di atas kertas, namun seiring perkembangan tekonlogi digital, tanda tangan online mulai digunakan dan telah diakui secara hukum. Meskipun tanda tangan telah menjadi komponen yang penting, namun kasus pemalsuan tanda tangan masih tinggi. Beragam metode telah dilakukan untuk menyelesaikan permasalahan tersebut, mulai dari metode tradisional hingga penggunaan teknologi. Penelitian ini bertujuan untuk mengembangkan sistem verifikasi keaslian tanda tangan melalui metode analisis time series dan arsitektur model Siamese Recurrent Neural Network yang efisien, memiliki akurasi yang tinggi, serta bersifat writer independent. Dari pengujian yang dilakukan, model yang dilatih menggunakan GRU (Gate Recurrent Unit) yang diimplementasikan dalam arsitektur Siamese RNN merupakan model paling optimal dengan tingkat akurasi pengujian 81.02%, durasi pelatihan selama 680 sekon, serta ukuran model sebesar 37.996 Mb. Data yang digunakan untuk pelatihan model ini didapatkan dengan menggunakan metode pemotongan (truncating) sinyal time series sehingga memiliki panjang 1116 data dan tanpa melakukan proses alignment menggunakan algoritma Dynamic Time Warping. Meskpun demikian, model yang menggunakan Bidirectional LSTM yang dilatih dengan data time series sepanjang 3489 data memiliki akurasi pengujian tertinggi sebesar 85.16%. Namun, model tersebut memiliki durasi pelatihan yang terlama yaitu sebesar 2431.2 sekon dan ukuran model terbesar yaitu 630 Mb.

---

Handwriting signature has important role at social, economic, and education context. Initially, handwriting signature only write in the paper. However, with the development of digital technology, online handwriting start to be used and has gained legal recognition in law. Although online handwriting signature has become important, there is still many cases of forgery handwriting signature. Various method has already implemented to solve this problem, start from traditional method until technology utilization. This research aims to develop system for handwriting signature authentication verification using time series analysis and Siamese Recurrent Neural Network model architecture that is efficient, highly accurate, and writer-independent. Based on experiments conducted in this research, the model trained using a GRU (Gate Recurrent Unit) implemented in Siamese RNN is the most optimal model generates 81.02% accuracy score, training time of 680 second, and memory size of 37.996 Mb. The data used for training this model was generated from time series signal truncation method resulting time series with data sequence length of 1116, without implementing alignment using Dynamic Time Warping algorithm. However the model utilizing Bidirectional LSTM trained with time series data sequence length of 3489 generates the highest accuracy score of 85.16%. But this model also has longest training time of 2431.2 second and largest memory size of 630 Mb."

"Pada tesis ini dibahas mengenai pengendalian sistem multivariabel kolom fraksinator dengan tiga pasangan masukan dan keluaran dengan pengendali Instantaneous Linierization berbasis Neural Network. Tiga masukan pada sistem yaitu top draw (U1 ), side draw (U2), bottoms reflex (U3) dan tiga keluarannya yaitu top end point (Yl), side end point (Y2), bottoms reflux (Y3). Pemodelan sistem kolom fraksinator mengacu pada tabel model heavy oil fractionator yang diambil dari Nett dan Garcia [Pret'88]. Setiap masukan pada sistem mempengaruhi ketiga keluarannya. Interaksi yang terjadi pada sistem dapat diperkecil dengan perancangan dekopling. Simulasi sistem pengendalian dengan pengendali instantaneous linieriration akan dibandingkan dengan pengendali proportional integrator (PI) menggunakan Matlab Versi 6.1 dengan Toolbox Neural Network yang dikembangkan oleh Magnus Noorgard dan Technical University of Denmark. Sistem yang telah dikendalikan diberi gangguan berupa perubahan dinamik dari intermediate reflux duty (IRD), upper reflex duty (URD) dan gangguan random yang bertujuan untuk melihat kemampuan pengendali terhadap gangguan-gangguan tersebut. Dan hasil pengujian, pengendali instantaneous linierization mempunyai settling time, peak time, rise time lebih cepat dibandingkan dengan pengendali PI.

---

This thesis discusses the control of multivariable fractionators column with three pairs of input and output using Instantaneous Linierization controller based on Neural Network The input systems are top draw (U1), side draw (U2), and bottoms reflux duty (U3). The output systems are top end point (Y1), side end point (Y2), and bottoms reflux temperature (Y3). The model system fractionators column related to table model heavy oil fractionators which taken from Prett and Garcia [Pret'88]. Every system inputs are influencing outputs one another. The interactions can be minimized by decoupling scheme. The simulation of control system with instantaneous. linierization controller will be compared to proportional integral (PI), using Matlab Version 6.1 with neural network toolbox that was developed by Magnus Noorgard from Technical University of Denmark. The controlled system will be given a dynamic change disturbance form intermediate reflux duty (IRD), upper reflux duty (URD), and random disturbance. The aim is to test the controller behavior to handle the disturbances. The result shows that the instantaneous linierization controller has shown faster settling time, faster peak time, faster rise time than that of the PI controller."

"Metode artificial neural network digunakan dalam penghitungan nilai kapasitansi pada problem maju dari sistem ECVT untuk proses rekonstruksi semi non linear. Nilai kapasitansi hasil prediksi neural network didapatkan dari input distribusi permitivitas yang menunjukkan hasil citra yang diinginkan. Metode training neural network yang digunakan adalah training backpropagation. Pasangan input dan output data training didapatkan dari hasil simulasi menggunakan software COMSOL Multiphysics 3.4 yang kemudian ditraining menggunakan software Toolbox Neural Network pada Matlab R2007b. Hasil rekonstruksi citra semi nonlinear dibandingkan dengan hasil rekonstruksi linear.

---

Methods of artificial neural network used in the calculation value of capacitance in the forward problem of the system for the semi non-linear reconstruction of ECVT. Capacitance value of neural network predicted results obtained from the input distribution of permitivitty results indicate that the desired image. Training method used by neural network is backpropagation training. Pair input and output data obtained from the training results of the simulation using COMSOL Multiphysics 3.4 software, which then use the software Neural Network Toolbox in Matlab R2007b to train neural network. Results semi nonlinear image reconstruction compared with the results of the linear reconstruction."

"Peramalan penjualan merupakan salah satu kunci keberhasilan manajemen rantai pasok sebuah perusahaan. Hal tersebut tidak hanya berlaku untuk perusahaan manufaktur, namun juga pada industry ritel. Untuk itu, peramalan terhadap penjualan merupakan hal yang sangat penting.. Untuk melakukan peramalan tersebut, metode peramalan ARIMA dan Neural network mampu melakukan prediksi berdasarkan data historis permintaan time series. ARIMA mampu melakukan regresi data dengan sangat baik, sedangkan NN mampu memprediksi data dengan pelatihan terhadap data historis. Selain itu, optimasi Neural network dengan Genetic Algorithm mampu memnentukan jumlah neuron tersembunyi yang optimal sehingga mampu mempersingkat waktu training pada pelatihan NN. Objek dalam penelitian kali ini menggunakan produk dengan 3 karakteristik berbeda yaitu penjualan pada telur ayam, mie instan, dan wadah kontainer plastik. Pada penelitian ini, GA-NN menghasilkan tingkat akurasi peramalan yang lebih baik disbanding model lain.

---

Sales forecasting is one of the requirements the company should do to meet a successful supply chain management. It applied not only in manufacturing companies, but also in retail industries. Therefore, sales forecasting is a very important thing. To do sales forecasting, forecasting methods such as ARIMA and Neural network can do prediction based on time series demand historical data. ARIMA is able to perform data regression very well, while NN is able to predict data with training based on historical data. Moreover, Neural network optimization with Genetic Algorithm is able to determine quantity of optimal hidden neuron so NN training time can be shortened and the result should be more accurate. Objects used in this research are products with 3 different characteristics; there are chicken egg, instant noodle, and plastic container. This research shows that GA-NN generates better forecast compared to the other model."

"Emisi kendaraan terutama yang menggunakan mesin diesel merupakan masalah yang sudah tidak asing lagi. Nox, HC, O2, CO, CO2 dan asap yang merupakan zat- zat hasil pembakaran mesin diesel dapat di ukur melalui percobaan eksperimental. Tetapi tentunya percobaan eksperimental ini mempunyai beberapa kekurangan seperti pengoperasiannya yang mahal serta prosesnya yang memakan waktu cukup panjang. Untuk mengatasi masalah itu semua, maka dibuatlah suatu metode pemodelan matematika menggunakan Artificial Neural Network (ANN). Metode ANN yang digunakan dalam skripsi ini adalah Backpropagation. Dengan dilakukannya penelitian ini diharapkan karakter emisi kendaraan mesin diesel dapat diprediksi secara akurat. Hasil dari penelitian ini membuktikan bahwa ANN cukup handal dalam memprediksi emisi bahan bakar mesin diesel.

---

Vehicle emissions, especially using diesel engine is not a strange problem anymore. NOx, HC, O2, CO, CO2 and smoke emissions comes from the combustion of substances in diesel engines can be measured through experimental test. Certainly this experimental test has several shortcomings such as the operation is expensive and time consuming process which is long enough.

To cope with this problem, then a mathematical modeling method using Artificial Neural Network (ANN) was made. ANN method used in this thesis is Backpropagation. This research expect to predict characters of diesel engine emissions accurately. The results of this study proves that ANN quite good to predict diesel engine emission."