30 September 2010

Pendahuluan Prolog

PROLOG
Ken Ratri
The Houw Liong


Pendahuluan

Prolog merupakan sebuah bahasa pemrograman logika tingkat tinggi (Programming in logic), sangat cocok untuk pencocokan pola (pattern matching) menggunakan unifikasi dan pencarian. Baik untuk pengolahan bahasa, sistem pakar berbasis aturan, perencanaan, dan aplikasi-aplikasi kecerdasan buatan seperti

Basis data inteligen (Intelligent database)
Pemahaman Bahasa alami (Natural language understanding)
Sistem Pakar (Expert systems)
Pengkhususan bahasa (Specification language)
Bahasa Mesin (Machine language)
Perencanaan Robot (Robot planning)
Penalaran automatis (Automated reasoning)
Pemecahan masalah (Problem solving)
Permainan (Game)
dan lain-lain


Menggunakan metode pencarian mendalam dahulu (depth-first search) dan mundur (backtracking) untuk melakukan pencarian solusi secara otomatis.

Tiga konsep penting dalam prolog:

Unifikasi
Mundur (Backtracking)
Rekursi (Recursion)
Terdapat tiga konstruksi dasar dalam prolog: fakta-fakta, kaidah (rules), dan pertanyaan (queries). Fakta dalam prolog dapat berupa item tertentu atau relasi antar item. Sebagai contoh hujan, mendung, manis dan lain-lain. Kita dapat menanyakan sebuah pertanyaan (query) pada prolog: ?-hujan maka prolog akan menjawab “yes”.

Fakta yang lebih lenglap terdiri dari suatu relasi pada item yang disebut argument. Suatu fakta yang menjelaskan relasi antar objek:

sayang(edy,mia)

memiliki(michael,rumah,mobil,tv).

Sintaks pada fakta :

Nama pada relasi dan objek harus dalam bentuk atom,
Relasi dituliskan sebelum objek-objek,
Tanda titik (.) harus dituliskan diakhir sebuah fakta.
Dari fakta yang ada maka kita dapat menanyakan suatu pertanyaan pada prolog. Dalam menjawab suatu pertanyaan Prolog menggunakan prosedur berikut ini.

Prolog melakukan pencarian pada basis pengetahuan.
Prolog mencari fakta yang sesuai/cocok antara fakta dan pertanyaan.
jika cocok atau ditemukan, maka prolog akan menjawab “ya (yes)” dan jika tidak akan menjawab “tidak (no)”.
Dua buah fakta akan cocok jika predikatnya sama dan argumen yang sesuai sama.

Sebuah variabel akan terinstansiasi jika ada suatu objek yang berada pada posisi dimana variabel berada. Proses pencocokan antara argumen dan variabel disebut unifikasi.

Jika sesuatu tergantung dari sekelompok fakta maka kita dapat mengekspresikan sebagai “kaidah (rules)”. Di dalam prolog rules memiliki sintaks:

Sasaran(argumen_sasaran):- subsasaran1(argumen_subsasaran_1), subsasaran2(argumen_subsasaran_2), ……………… subsasarann(argumen_subsasaran_n).


Koleksi dari fakta-fakta dan rules disebut sebagai basis pengetahuan. Berikut ini lima bentuk basis pengetahuan:

Basis Pengetahuan 1

Dibawah ini merupakan sekumpulan fakta yang sederhana.

wanita(mia).

wanita(jody).

wanita(yolanda).

Bermain_gitar(jody).



Basis Pengetahuan 2

mendengarkan_musik(mia).

gembira(yolanda).

bermain_gitar(mia):-mendengarkan_musik(mia).

bermain_gitar(yolanda):-mendengarkan_musik(yolanda).

mendengarkan_musik(yolanda):-gembira(yolanda).

Contoh di atas kaidah (rule) pertama menyatakan bahwa mia Bermain_gitar bila ia mendengarkan_musik, dan pada kaidah terakhir mengatakan bahwa yolanda mendengarkan_musik bila ia bahagia.

Tanda :- dibaca jika atau merupakan “implikasi dari “. Pada sebelah kiri dari tanda :- disebut kepala (head) dari kaidah (rule) dan pada sisi sebelah kanan dari tanda :- disebut tubuh (body) sehingga secara umum kaidah (rule) mengatakan bahwa bila tubuh (body) benar maka kepala (head) benar.

Bila suatu basis pengetahuan berisi sebuah rule head:-body dan prolog mengetahui bahwa body berada dalam basis pengetahuan maka prolog dapat melakukan inferensi pada head atau dikenal dengan istilah modus ponen.

Kita dapat melakukan pertanyaan pada prolog untuk contoh di atas :

?-bermain_gitar(mia).

Prolog akan merespon “yes”, meskipun fakta bermain_gitar(mia) tidak secara eksplisit tertulis namum terdapat kaidah bermain_gitar(mia):-mendengarkan_musik(mia). Di samping itu berisi fakta mendengarkan_musik(mia). Prolog dapat menggunakan modus ponen untuk melakukan deduksi pada bermain_gitar(mia) tersebut.

Berikut ini contoh yang menunjukkan bahwa prolog dapat melakukan deduksi secara berantai dengan menggunakan modus ponen.


?-bermain_gitar(yolanda).

Prolog akan menjawab “yes”, karena dengan menggunakan fakta gembira(yolanda). Prolog dapat melakukan deduksi fakta baru mendengarkan_musik(yolanda). Fakta baru ini secara eksplisit tidak tertulis dalam basis pengetahuan. Fakta ini hanya secara implisit di dalam basis pengetahuan yang terinferensi. Prolog dapat melakukan hal tersebut sesuai fakta yang tertulis secara eksplisit yaitu bersama-sama rule:

bermain_gitar(yolanda):-mendengarkan_musik(yolanda).

Suatu fakta yang dihasilkan oleh pemanfaatan modus ponen dapat digunakan sebagai input pada rule selanjutnya. Fakta-fakta dan rule yang berada dalam basis pengetahuan di sebut klausa. Dalam contoh di atas berisi lima buah klausa yang masing-masing adalah tiga buah rule dan dua buah fakta. Dengan kata lain basis pengetahuan 2 terdiri dari tiga buah predikat atau disebut juga functor.

mendengarkan_musik

bermain_gitar

gembira

predikat gembira dinyatakan menggunakan klausa tunggal atau sebuah fakta, sedangkan predikat mendengarkan_musik dan bermain_gitar dinyatakan menggunakan dua buah klausa.

Basis Pengetahuan 3

gembira(ani).

mendengarkan_musik(devi).

bermain_gitar(ani):-mendengarkan_musik(ani),gembira(ani).

bermain_gitar(devi):- gembira(devi).

bermain_gitar(devi):-mendengarkan_musik(devi).

Terdapat dua buah fakta baru pada contoh di atas yaitu gembira(ani) dan mendengarkan_musik(devi), tiga buah rule dan memiliki tiga buah predikat yaitu gembira, mendengarkan_musik, dan bermain_gitar tetapi dengan susunan yang berbeda. Pada rule yang menyatakan predikat bermain_gitar memperkenalkan suatu ide baru, perhatikan rule :

bermain_gitar(ani):-mendengarkan_musik(ani),gembira(ani).

Memiliki dua buah item dalam body atau dua buah goal. Tanda koma yang memisahkan antara goal mendengarkan_musik(ani) dengan gembira(ani) dalam rule body merupakan logika konjungsi (logika AND) yang diekspresikan dalam prolog, sehingga rule ini mengatakan : ani bermain_gitar bila ia mendengarkan_musik dan gembira.

Bila kita tanyakan pada prolog :

?-bermain_gitar(ani).

Prolog akan menjawab “no” karena meskipun ada fakta gembira(ani) tetapi tidak secara eksplisit berisi informasi mendengarkan_musik(ani) dan fakta ini tidak dapat dideduksi lagi. Dalam basis pengetahuan 3 hanya dapat memberikan salah satu dari dua kondisi yang diperlukan untuk memenuhi klausa bermain_gitar(ani) dengan demikian query ini gagal.

Berikut ini adalah basis pengetahuan 3 dengan dua buah rule yang memiliki head yang sama.

bermain_gitar(devi):- gembira(devi).

bermain_gitar(devi):-mendengarkan_musik(devi).

Klausa tersebut menyatakan bahwa devi bermain gitar bila dia mendengarkan musik atau dia gembira yaitu rule dengan head yang sama merupakan suatu cara untuk mengekspresikan logika disjungsi ( logika OR).

Bila kita tanyakan pada prolog :

?-bermain_gitar(devi).

Prolog akan menjawab “yes” dengan menggunakan modus ponen untuk menerapkan rule : bermain_gitar(devi):-mendengarkan_musik(devi) untuk memenuhi query tersebut.

Cara lain untuk mengekspresikan logika disjungsi dengan menggunakan rule tunggal:

bermain_gitar(devi):- gembira(devi);mendengarkan_musik(devi).

Tanda semi colon (;) merupakan symbol prolog untuk logika OR.

Basis Pengetahuan 4

wanita(mia).

wanita(jodi).

wanita(anggi).

sayang(dany,mia).

sayang(marsel,mia).

sayang(kristy,devi).

sayang(devi,kristy).



Dalam contoh di atas tidak melibatkan rule sama sekali, hanya sekumpulan fakta-fakta. Terdapat relasi(predikat) yang bernama “sayang” yang memiliki dua buah argumen. Kita dapat menggunakan variabel untuk contoh tersebut.

?wanita(X).

X merupakan variabel. Prolog akan menjawab query tersebut dengan melakukan pencarian pada basis pengetahuan 4 mulai dari klausa paling atas hingga bawah untuk mencocokan atau unifikasi pada ekspresi wanita(X) dengan informasi yang terdapat dalam basis pengetahuan 4.

Prolog akan memberikan jawaban:

X=mia untuk mengetahui adakah jawaban yang lain dilakukan dengan menekan ?-; maka prolog akan mencari item dalam predikat wanita yang cocok dengan variable X yang lain yaitu X=jodi dan X=anggi dan akan memberikan jawaban “no” jika sudah tidak ada lagi item dengan predikat wanita dan variable X yang terinstansiasi.


Untuk query yang lain

?sayang(marsel,X),wanita(X)

Bila kita melihat basis pengetahuan 4 terdapat bahwa: mia adalah wanita (fakta1) dan marsel sayang mia (fakta5). Maka prolog menemukan jawaban:

X=mia.

Basis Pengetahuan 5

Berikut ini penggunaan contoh variabel.

sayang(vincent,mia).

sayang(marsel,mia).

sayang(dany,lia).

cemburu(X,Y):-sayang(X,Z), sayang(Y,Z).

Dalam basis pengetahuan 5 berisi fakta tentang relasi “sayang” dan sebuah kaidah (rule) yang terdiri dari tiga buah variable X, Y, Z. arti dari kaidah tersebut :

“seseorang yang bernama X akan merasa cemburu pada seseorang yang bernama Y bila ada seseorang yang bernama Z yang disayangi X dan Y .

?-cemburu(marsel,W).

Prolog akan memberikan jawaban W=vincent karena mereka berdua “sayang” pada wanita yang sama yaitu mia.

15 September 2010

Prediction and Modification of Extreme Weather/Climate in Indonesia

Prediction and Modification of Extreme Weather/Climate in Indonesia
The Houw Liong, Bayong Tj H K, R. Gernowo, P.M Siregar, F. H. widodo

ABSTRACT

From the history of natural disasters in various places in Indonesia, it can be concluded that important influences of extreme weather are floods which usually happen in December, January and February, although normally rainy season begins around the first week of November. In those months the Intertropical Convergence Zone (ITCZ) and the relative position of the sun is on the southern hemisphere. In the summer seasons of this hemisphere often emerge depression, and tropical cyclone. ITCZ and tropical cyclone cause a convergence of humid air mass which moves upward; so that water vapors will change phase becomes liquid phase through condensation process.
On the other hand in July, August, September, and October most Indonesian regions are dry season. In a long dry season these regions will lack of water and drought.
In this research it is shown mechanisms of the sun influence the weather due to relative positions and extreme weather/climate through its activities.
Early warning system of long range weather/climate can be build based on solar activity cycles that represented by time series of sunspot numbers. The time series of sunspot numbers can be predicted by using ANFIS (Adaptive Neuro Fuzzy Inference System)
For Indonesian regions beside seasonal phenomena cause by relative position of the sun, there are global and regional phenomena that influence extreme weather/climate due to solar activities such as ENSO ( El Nino Southern Oscillation), IOD ( Indian Ocean Dipole and Madden-Julian Oscillation ( MJO).
Studies of the dynamics of sun-earth interaction, dynamics of atmosphere, and dynamics of ocean and analysis of time series for predicting extreme weather in Indonesian regions are carried out. We also study the dynamics of weather modification and hydrodynamic cycle that is needed for decreasing the negative impact of extreme weather/climate such as floods and droughts that are forecast.
This study has shown that rainfalls of the middle Indonesian region are strongly correlated with sunspot numbers. ENSO mainly influences rainfalls on eastern Indonesian regions and IOD mainly influences rainfalls on western Indonesian regions.
As a case study we take the dynamics of Cilwung river as an indicator of flood forecasting in Jakarta and analysis of extreme weather using meso scale atmospheric model.
Key Words : extreme climate, extreme weather, solar activities, sunspot numbers,

Cuaca Ekstrim dan Modifikasi Cuaca

Cuaca Ekstrim dan Modifikasi Cuaca
The Houw Liong, Bayong Tj HK, P.M. Siregar, R.Gernowo, F.H, widodo

Umumnya Indonesia masih mengalami permasalahan nasional kebanjiran dalam musim hujan dan kekurangan air dalam musim kemarau. Untuk mengurangi dampak negatif tersebut telah dilakukan penelitian awal cuaca/iklim ekstrim di Indonesia.
Model awal prediksi cuaca/iklim ekstrim yang sudah dibangun pada tahun pertama diperbaiki dengan meneliti mekanisme siklus air dan pembentukan awan hujan1) yang menimbulkan cuaca ekstrim dan berbagai cara modifikasi yang dapat dilakukan untuk mengurangi dampak negatif dari cuaca ekstrim2) itu. Hasil penelitian ini diharapkan dapat melakukan prediksi cuaca dan memanfaatkanya untuk menentukan kapan modifikasi cuaca diperlukan.
Untuk dapat mengurangi/meredam akibat negatif dari cuaca/iklim ekstrim diperlukan pendalaman pemahaman dinamika atmosfer, siklus air, dinamika interaksi matahari bumi dan kemampuan prediksi jangka panjang, jangka menengah dan jangka pendek 3,4,5) serta IPTEK modifikasi cuaca. dan lingkungan penyimpanan air.
Hasil penelitian diharapkan memperoleh metoda prediksi cuaca/iklim ekstrim sehingga dapat dipakai untuk melakukan antisipasi tindakan yang diperlukan antara lain dengan melakukan modifikasi cuaca/iklim .
Prediksi jangka panjang sekitar 9 bulan sebelum kejadian dilakukan berdasarkan data deret waktu sunspot, deret waktu bulanan temperatur permukaan air laut Pasifik (SST 3.4), multivariate ENSO index dilakukan dengan metoda neuro-fuzzy serta korelasinya dengan deret waktu curah hujan di wilayah Indonesia.
Prediksi jangka menengah yaitu sekitar 3 bulan sebelum kejadian dapat dilakukan dengan menganalisis deret waktu hujan bulanan dengan metoda neuro fuzzy untuk daerah yang diperkirakan mempunyai dampak besar akibat cuaca ekstrim,
Prediksi jangka pendek dilakukan dengan analisis deret waktu curah hujan pentad ,tinggi muka air sungai dilakukan dengan metoda neuro fuzzy3) dan dinamika atmosfer pada daerah yang diperkirakan dampaknya besar.
Sebagai studi kasus telah diteliti :
Pengembangan model yang lebih rinci di prediksi banjir di DAS Ciliwung serta kemungkinan pengurangan dampaknya melalui modifikasi cuaca, yaitu kemungkinan modifikasi cuaca di wilayah ciliwung hulu untuk mencegah banjir kiriman melalui sungai itu dan pelestarian lingkungan penyimpanan air.

DAFTAR PUSTAKA ACUAN

1.Bayong TjHK, Peran Aerosol dan Larutan pada Pertumbuhan Tetes Awan, Seminar Hidrologi Banjir dan Kekeringan , MHI, BPPT, Jakarta 2005.
2.Bayong TjHK, Meteorogical Drought in Indonesia, International Seminar on Indonesian Smoke Induced by Drought Episodes, BPPT, Jakarta, 2005.
3. The H. L., Plato M Siregar, R. Gernowo, F.H. Widodo, Karakteristik Curah Hujan DAS Ciliwung dan Dinamika Banjirnya, MHI, BPPT, Jakarta, 2005.
4. The H. L., Acep Purqon, Bayong Tj.HK , Prediksi Cuaca Ekstrim di Indonesia, Seminar FMIPA IV, 2004.
5. The H.L., P.M. Siregar, Prediction of Extreme Weather and Climate in Indonesian Maritime Continent Based on Sunspot Numbers, International Roundtable on Understanding and Prediction of Summer and Winter Monsoons, BPPT, Jakarta, 2005.
6.T. Landscheidt, Solar Activity : A Dominant Factor in Climate Dynamics, Schroeter Institute for Research in Cycles of Solar Activity, http://www.johndaly.com/solar/solar.htm, 1988.

06 September 2010

Penerapan Metoda Kecerdasan Komputasional

Penerapan Metoda Kecerdasan Komputasional
dalam Bidang Agroindustri
Oleh
Melania S.Muntini1, Yul Y. Nazaruddin2, The Houw Liong3
1 melania@tf.itb.ac.id
Jurusan Fisika, Institut Teknologi Sepuluh Nopember Surabaya
2 yul@tf.itb.ac.id
Departemen Teknik Fisika , Institut Teknologi Bandung
Jl. Ganesha 10 Bandung, 40132, Indonesia
3 the@fi.itb.ac.id
Departemen Fisika , Institut Teknologi Bandung
Jl. Ganesha 10 Bandung, 40132, Indonesia

Abstarct
Dalam beberapa tahun terakhir ini metoda kecerdasan komputasional (computational intelligence) telah berkembang sangat pesat menjadi suatu bidang yang berusaha untuk meniru kecerdasan manusia dan sistem biologis. Sampai saat ini, paling tidak ada tiga paradigma yang berkembang pesat dalam metoda kecerdasan komputasional, yaitu logika fuzzy (fuzzy logic), jaringan syaraf tiruan (artificial neural network) dan algoritma genetik (genetic algorithm). Penelitian mengenai aplikasi metoda kecerdasan komputasional (computational intelligence), baik untuk pemodelan, identifikasi sistem, pengontrolan, pengenalan pola dan beberapa penerapan lainnya.
Akhir-akhir ini telah dikembangkan aplikasi kecerdasan komputasional diantaranya adalah algoritma virtual sensor yang dapat diterapkan untuk mengestimasi parameter tak terukur/sulit diukur. Aplikasi virtual sensor dalam berbagai bidang telah dilakukan oleh beberapa peneliti, yaitu menggunakan teknik ini untuk menghasilkan estimasi dari variabel yang diukur secara off-line. Salah satu aplikasi yang sedang dikembangkan adalah penerapan metoda virtual sensor untuk mengukur tingkat kualitas hasil produksi teh hitam.
Kualitas teh hitam diukur berdasarkan parameter kenampakan (sight), rasa (taste) dan bau (smell). Sampai saat ini parameter-parameter tersebut sulit untuk diukur secara langsung, pengukuran yang umum dilakukan adalah dengan cara organoleptik. Beberapa peneliti telah melakukan pengukuran terhadap parameter-parameter tersebut dengan menggunakan metode yang berbeda-beda diantaranya adalah dengan melakukan analisa kimia pada teh. Mengingat banyaknya sampling yang harus diuji dalam setiap proses pengolahan maka melakukan analisa kimia untuk mengukur tingkat kualitas teh tidaklah efisien karena memerlukan tenaga, waktu, biaya, dan sering tidak handal.
Penerapan metoda virtual sensor untuk mengukur tingkat kualitas teh hitam dilakukan dengan terlebih dahulu memilih parameter pengujian kualitas teh yang tepat untuk menyusun basis data pemrosesan dan pengolahan teh.. Dari database ini kemudian dilakukan implementasi algoritma virtual sensor sebagai salah satu teknik pemodelan sebagai estimator variabel kualitas teh yang sulit terukur. Selain itu algoritma virtual sensor juga digunakan untuk validasi hasil pengecapan (sensory evaluation/ organoleptik).
Dalam makalah ini akan disampaikan tentang penerapan metoda kecerdasan komputasional yang dalam hal ini adalah algoritma virtual sensor untuk mengukur tingkat kualitas teh hitam.

Key word: kecerdasan komputasional, virtual sensor, kulitas teh

Prediksi Cuaca Extrim Berbagai Daerah Indonesia

Prediksi Cuaca Extrim Berbagai Daerah Indonesia
The Houw Liong, Bayong Tj. H.K., A. Purqon

Abstrak

Dari historis bencana alam di berbagai tempat di Indonesia dapat disimpulkan bahwa pengaruh cuaca ekstrim yang penting ialah bencana banjir yang pada umumnya terjadi pada bulan Desember, Januari dan Februari, meskipun secara normal musim hujan telah mulai sekitar dasarian ke 1 bulan November. Pada bulan-bulan tersebut pita zona konvergensi intertropis (ICTZ : Intertropical Convergence Zone) dan gerak semu matahari berada di atas belahan bumi selatan. Pada belahan bumi musim panas juga sering muncul depresi, badai atau siklon tropis. Pita ICTZ dan badai tropis menyebabkan konvergensi gerak massa udara tropis lembab yang akan bergerak atas, sehingga uap air yang terbawa akan berubah fasa cair (tetes awan) melalui proses kondensasi.
Sebaliknya pada saat kemarau panjang banyak daerah mengalami kekeringan/kekurangan air.
Selain gejala tahunan itu ada gejala global dan regional yang berpengaruh pada timbulnya cuaca ekstrim misalnya ENSO (El NiƱo /Southern Oscillation), IOD (Indian Ocean Dipole)1.2)dan MJO (Madden-Julian Oscillation). Secara umum dapat dikembangkan analisa deret waktu dan CBR untuk memprediksi cuaca ekstrim di wilayah Indonesia dan untuk pengembangan model yang lebih rinci di ambil studi kasus prediksi banjir di DKI.

Masalah nasional banjir dan kekeringan dapat dikurangi dampak negatifnya bila pemahaman mengenai dinamika terjadinya cuaca ekstrim, siklus air dan proses pembentukan awan hujan dikuasai dengan baik , sehingga kejadianya dapat diprediksi dan dampak negatifnya dapat dikurangi dengan memanfaatkan IPTEK modifikasi cuaca dan pelestarian lingkungan yang dapat menyimpan air pada musim hujan dan memanfaatkanya pada musim kemarau.
Hasil penelitian pengembangan metoda prediksi dan IPTEK modifikasi cuaca dapat dimanfaatkan untuk mengantisipasi terjadinya banjir dan kekeringan sehingga persiapan untuk menanggulanginya dapat direncanakan sebelum kejadian dan dapat dikembangkan cara penaggulangan untuk mengurangi dampak negatif dari cuaca/iklim ekstrim.



DAFTAR PUSTAKA ACUAN
1.Bayong TjHK, Cuaca dan Iklim Ekstrim di Indonesia, Temu Ilmiah Sains Atmosfer dan Iklim Nasional , Lapan, 2004.
2. The H. L., A. Purqon, Bayong Tj.HK, F.H. Wododo, Evaluasi Prediksi Banjir Wilayah DKI dengan ANFIS, Temu Ilmiah Sains Atmosfer dan Iklim Nasional , Lapan, 2004.
3. The H. L., Acep Purqon, Bayong Tj.HK , Prediksi Cuaca Ekstrim di Indonesia, Seminar FMIPA IV, 2004.

04 September 2010

PROTOTIPE SISTEM PAKAR INTERPRETASI LINGKUNGAN PENGENDAPAN DELTA

PROTOTIPE SISTEM PAKAR INTERPRETASI LINGKUNGAN PENGENDAPAN DELTA DARI DATA GAMARAY, GEODIP / LOCDIP DAN FMS

Master Theses from JBPTITBPP / 2007-03-13 15:46:49
Oleh : Handi Budiman , S2 - Applied Geophysics
Pembimbing :
The Houw Liong
Djoko Santoso

Dibuat : 1990-11-00, dengan 1 file

Keyword : Deltas; Expert system; Modelling

Lingkungan pengendapan delta purba merupakan suatu lingkungan yang telah diketahui kaya akan potensi hidrokarbon. Thesis ini membahas tentang prototipe program sistem pakar dalam bidang interpretasi lingkungan pengendapan delta dari data geodip/locdip, gamma ray dan FMS. Perangkat keras yang digunakan adalah IBM PC/AT-286 atau yang kompatibel dengannya dan perangkat lunak yang digunakan adalah Insight 2+ versi 1.3. Output yang diharapkan adalah kemampuan program untuk menentukan tipe delta, geometri delta, energi delta, material delta beserta potensi hidrokarbon dari suatu lobe delta ideal.


Deskripsi Alternatif :

Lingkungan pengendapan delta purba merupakan suatu lingkungan yang telah diketahui kaya akan potensi hidrokarbon. Thesis ini membahas tentang prototipe program sistem pakar dalam bidang interpretasi lingkungan pengendapan delta dari data geodip/locdip, gamma ray dan FMS. Perangkat keras yang digunakan adalah IBM PC/AT-286 atau yang kompatibel dengannya dan perangkat lunak yang digunakan adalah Insight 2+ versi 1.3. Output yang diharapkan adalah kemampuan program untuk menentukan tipe delta, geometri delta, energi delta, material delta beserta potensi hidrokarbon dari suatu lobe delta ideal.