M. Syamsa Ardisasmita *
ABSTRAK
PENGEMBANGAN SPEKTROMETER SINAR-GAMMA DENGAN SISTEM
IDENTIFIKASI ISOTOP RADIOAKTIF MENGGUNAKAN METODE JARINGAN SYARAF
TIRUAN. Metode jaringan syaraf tiruan telah ditambahkan ke spektrometer sinar-gamma berbasis
komputer personal untuk mengidentifikasi isotop radioaktif secara otomatis dalam waktu nyata dari
spektra sinar-gamma yang dipancarkan. Dua arsitektur jaringan syaraf telah diteliti: Perceptron dan
Optimal Linear Associative Memory (OLAM). Kedua jaringan tersebut mempunyai tanggap linier dan
tepat digunakan untuk menentukan komposisi cuplikan yang tidak dikenal dengan membandingkan
superposisi linier dari spektrum yang tidak dikenal terhadap spektra acuan. Perbandingan dari kedua
arsitektur tersebut memperlihatkan bahwa OLAM adalah lebih baik daripada Perceptron untuk aplikasi
identifikasi. Kelebihan dari teknik jaringan syaraf adalah menggunakan seluruh spektrum untuk proses
identifikasi daripada hanya menggunakan puncak-puncak energi foton gamma individual seperti pada
metode klasik. Sistem ini dapat menyelesaikan masalah pengidentifikasian pada spektrometer sinar-
gamma resolusi rendah dengan hasil yang sangat baik seperti pada detektor sintilasi NaI(Tl). Sistem ini
telah diuji menggunakan data eksperimen dari detektor NaI(Tl) dengan hasil yang baik dan pendekatan
jaringan syaraf sangat membantu dalam situasi yang membutuhkan jawaban sistem yang cepat.
ABSTRACT
THE DEVELOPMENT OF GAMMA-RAY SPECTROMETER WITH RADIOACTIVE
ISOTOPE IDENTIFICATION SYSTEM USING ARTIFICIAL NEURAL NETWORKS
METHODS. An artificial neural networks methods have been added to a PC based gamma-ray
spectrometer to automatically identify radioactive isotopes in real-time from their gamma-ray spectra.
Two neural network architectures are examined: the Perceptron and the Optimal Linear Associative
Memory (OLAM). Both networks have a linear response and are useful in determining the composition of
an unknown sample when the spectrum of the unknown is a linear superposition of reference spectra. A
comparison of the two architectures shows that OLAM is superior to Perceptron for this application.
One feature of this technique is that it uses the whole spectrum in the identification process instead of
only the individual gamma photo-peaks. This system is useful to solve a problem of identification with a
good result from lower resolution gamma-ray spectrometers, like NaI(Tl) detectors. This system has been
successfully tested with experimental data from NaI(Tl) detectors and the neural network approach is
useful in situations that require fast response.
*
Pusat Pengembangan Teknologi Informasi dan Komputasi - BATAN
PEDAHULUAN
137
55 Cs
β-1
137m
Ba 661,6 keV
β-2 γ
0,0
Stable 137
56 Ba
137
Gambar 1. Skema peluruhan Cs
Light
pipe High voltage
Jika energi radiasi yang dipancarkan oleh unsur radioaktif 137 Cs diserap
seluruhnya oleh elektron-elektron pada kristal detektor NaI(Tl) maka interaksi ini
disebut efek fotolistrik yang menghasilkan puncak energi (photopeak) pada spektrum
gamma (gambar 3) pada daerah energi 661,65 keV. Apabila foton gamma berinteraksi
dengan sebuah elektron bebas atau yang terikat lemah, misal elektron pada kulit
terluar suatu atom, maka sebagian energi photon akan diserap oleh elektron dan
kemudian terhambur. Interaksi ini disebut dengan hamburan Compton.
Jaringan syaraf tiruan merupakan sistem terdiri dari neuron-neuron yang saling
berhubungan yang menyerupai jaringan syaraf biologis. Karakteristik dari jaringan
syaraf dapat dibedakan berdasarkan: (1) Arsitektur keterhubungan antara neuron
dalam jaringan; (2) Metodologi pembelajaran dengan mengubah-ubah nilai
pembobotan antara neuron; (3) Fungsi aktivasi yang membatasi nilai keluaran neuron.
Arsitektur jaringan adalah susunan atau struktur neuron dalam membentuk sebuah
lapisan dan bagaimana pola keterhubungan. Selain arsitektur jaringan maka proses
pembelajaran dalam jaringan syaraf merupakan hal yang sangat penting. Ada dua
golongan pembelajaran yaitu pembelajaran dengan pengarahan (supervised learning)
dan pembelajaran tanpa pengarahan (unseprvised learning).
Perceptron
Tahap 2. Perkenalkan pasangan-pasangan dari pola spektra masukan dan jenis isotop
keluaran ke jaringan syaraf.
Tahap 6. Apabila masih ada spektra pada himpunan pembelajaran maka kembali ke
tahap 2.
Tahap 7. Jika kesalahan keluaran masih besar atau belum mencapai jumlah iterasi
maksimum maka kembali ke tahap 2.
KESIMPULAN
1. KELLER P.E., KANGAS L.J., TROYER G.L., HASHEM S., KOUZES R.T.,
Nuclear Spectral Analysis via Artificial Neural Networks for Waste Handling,
IEEE Transactions on Nuclear Science, 42(4) August (1995) 709-715
4. OLMOS P., DIAZ J.C., PEREZ J.M., GARCIA-BELMONTE P., GOMEZ P.,
RODELLAR V., Application of neural network techniques in gamma
spectroscopy, Nuclear Instruments and Methods in Physics Research, A312
(1992) 167-173
7. KOHONEN T., Self Organization and Associative Memory, third ed., New York:
Springer-Verlag, (1989)
DISKUSI
ENDANG ROSADI:
Apakah dalam sistem ini diperlukan database radionuklida atau sistem look-up table.
M. SYAMSA ARDISASMITA:
Database energi radionuklida sebagai acuan kalibrasi (look-up table) diperlukan pada
metode klasik yang menggunakan puncak-puncak energi foton gamma untuk
menentukan energi pancaran gamma sehingga dari hasil pencocokan nilai energi
pancaran gamma diperoleh jenis isotop yang diidentifikasi. Teknik jaringan syaraf
tiruan menggunakan seluruh bentuk spektrum untuk proses identifikasi, bukan hanya
puncak-puncak energinya saja, sehingga metode ini dapat melakukan identifikasi
dengan baik pada spektrometer gamma dengan resolusi rendah sekalipun.
ALHADI:
1. Adakah syarat minimal untuk data pelatihan sehingga hasilk training tersebut bisa
dianggap valid.
2. Bolehkah data training tersebut digunakan untuk data target (hasil pelatihan
tersebut digunakan untuk menambah data target yang dianggap idel).
M. SYAMSA ARDISASMITA:
1. Jika kita menggunakan data spektral ideal maka satu spektral sudah cukup untuk
merepresentasikan suatu isotop radioaktif. Karena tidak ada data yang ideal di-
alam ini disebabkan noise dan gangguan dari lingkungan maka dilakukan
pelatihan dengan beberapa spektral (minimum dua) agar diperoleh data statistik
yang mendekati data ideal. Pada jaringan syaraf tiruan, makin banyak proses
pembelajaran maka makin baik respons dari sistem ini.
2. Data pembelajaran dapat saja digunakan sebagai data target dan tentu saja karena
data tersebut merupakan salah satu data acuan yaitu spektra dari isotop-isotop
tunggal yang sejenis maka hasilnyapun akan mendekati kebenaran. Hasil
pelatihan bukannya data spektra baru tetapi nilai-nilai bobot dan nilai bias yang
membandingkan data spektra masukkan dan data spektra isotop-isotop target
yang akan diidentifikasi dengan kesalahan minimal dari suatu arsitektur jaringan
syaraf yang digunakan.
MOHAMAD AMIN:
Dengan metode yang digunakan apakah pembelajaran memiliki nilai batas maksimum.
M. SYAMSA ARDISASMITA: