Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah MTG Geoid - Journal of Geodesy and Geomatics
Rohaman, Maman
Jurusan Teknik Geofisika Fakultas Teknologi Mineral UPN Veteran Yogyakarta
Agriculture, Biological Sciences & Forestry Civil Engineering, Building, Construction & Architecture Earth & Planetary Sciences Energy Engineering Environmental Science

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
The Application of Support Vector Machine to Estimate Synthetic Shear Sonic Log Maman Rohaman, M.T.; Ignatius Sonny Winardhi; Yody Rizkianto
Jurnal Ilmiah MTG Vol 13, No 2 (2022): Jurnal Ilmiah MTG Volume 13 No. 2, Desember 2022
Publisher : Jurusan Teknik Geologi Fakultas Teknologi Mineral UPN "Veteran" Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31315/jmtg.v13i3.9398

Abstract

Abstract – Rock physics modelling is commonly applied to characterize the subsurface. Sonic log provides the elastic properties in advanced petrophysics modelling or rock physics modelling. Although it is very important, to obtain shear sonic measurement results is very expensive. Therefore, empirical and artificial intelligence allow some solutions to estimate synthetic shear sonic log. This study applicate PCA as feature selection and SVM as the regressor with TAF as the target interval for well NEGF1P. The results of feature selection are GR, DTC, and MSF log as selected features. GS optimizes the SVM kernel parameter using selected features. The best parameters for each kernel (linear and rbf) and selected feature are the input to estimate synthetic shear sonic log. The estimation result using linear kernel has R2 0.845 and root mean square error (RMSE) 15.132 and using rbf kernel has R2 0.886 and RMSE 12.989. The estimation results construe that rbf kernel estimates the synthetic sonic log with more precision than the linear kernel and indicates the linear relation between the estimated and origin log. The three other wells apply SMV with rbf kernel best parameters and selected features to estimation the synthetic shear sonic in similar interval and younger interval (GUF).
Analisis Kemampuan Algoritma Random Sample Consensus (RANSAC) untuk Klasifikasi Ground Pada Data Light Detection and Ranging (LiDAR) Ikram, Nur Muhammad; Maharani, Monica; Wahyuningrum, Dwi; Rohaman, Maman
GEOID Vol. 19 No. 1 (2023)
Publisher : Departemen Teknik Geomatika ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/geoid.v19i1.1790

Abstract

Teknologi LiDAR memiliki kemampuan yang mampu digunakan untuk membuat Digital Terrain Model (DTM). Tahapan yang penting dalam membuat DTM adalah klasifikasi ground, yang bertujuan untuk memisahkan informasi ground dengan non ground dari data point cloud. Berbagai perangkat lunak dan aplikasi untuk klasifikasi ground telah berkembang, namun hampir seluruh perangkat lunak maupun aplikasi tersebut menggunakan algoritma Random Sample Consensus (RanSaC). Algoritma ini merupakan algoritma yang digunakan untuk mengkelaskan objek ground dalam metode segmentasi yang berbasiskan model planar. Meskipun algoritma ini sudah umum untuk digunakan untuk mengkelaskan objek ground, namun masih banyak perangkat lunak maupun aplikasi dari algoritma RanSaC yang mengkombinasikan algoritma tersebut dengan algoritma lainnya untuk memperoleh hasil yang akurat. Oleh karena itu, dalam penelitian akan dikaji mengenai algoritma RanSaC dalam melakukan klasifikasi ground pada data LiDAR. Penelitian ini dilakukan dengan membuat program yang menggunakan algoritma RanSaC untuk mengolah data LiDAR. Point cloud ground yang dihasilkan dari program tersebut akan diuji akurasinya menggunakan data pembanding yang telah diuji kebenarannya. Hasil yang diuji dan analisis berupa point cloud ground hasil klasifikasi dan DTM yang dibentuk. Dari hasil penelitian yang telah dilakukan, diperoleh hasil bahwa algoritma RanSaC mampu digunakan untuk melakukan klasifikasi ground pada data point cloud. Namun, algoritma RanSac hanya memberikan hasil yang memadai pada area dengan medan yang relatif datar, yang ditunjukkan dengan nilai akurasi LE90 sebesar 0,123 meter. Kelemahan ini disebabkan karena prinsip pengoperasian algoritma yang lebih cocok untuk medan datar. Saat akurasi LE90 diuji dalam kondisi medan yang beragam, akurasinya menurun menjadi 3,296 meter. Temuan ini menegaskan bahwa kesimpulan bahwa algoritma RanSac secara optimal digunakan untuk mengklasifikasikan ground dan membentuk DTM di daerah dengan medan yang relatif rendah.
Co-Authors Dwi Wahyuningrum Ignatius Sonny Winardhi Ikram, Nur Muhammad Maharani, Monica Yody Rizkianto