KARAKTERISTIK JARINGAN SYARAF TIRUAN UNTUK ANALISIS

AKTIVASI NEUTRON 1)

R. Muhammad Subekti, Dhandhang Purwadi dan Rokhmadi

Pusat Pengembangan Teknologi Reaktor Riset (P2TRR) – BATAN, Serpong – Tangerang 15310.

ABSTRAK

KARAKTERISTIK JARINGAN SYARAF TIRUAN UNTUK ANALISIS

AKTIVASI NEUTRON. Analisis aktivasi neutron (AAN) adalah salah satu metode analisis
untuk mengetahui beberapa unsur penyusun dari suatu materi. Materi asing yang telah
diiradiasi dapat diketahui identitasnya dengan mengenali pola spektrum gamma. Proses
pengenalan akan lebih mudah bila kita memiliki suatu sistem yang cerdas dan salah satu
pilihan sistem cerdas tersebut adalah jaringan syaraf tiruan (JST). Spektrum gamma yang
dipancarkan oleh unsur radioaktif mempunyai pola yang spesifik, sehingga sistem cerdas ini
akan mencoba mengklasifikasi data masukan. detektor Hp-Ge pertama kali mendeteksi radiasi
gamma dari materi asing, dan kemudian dicacah menggunakan alat penganalisis kanal ganda
(MCA). Sistem cerdas berbasis JST menggunakan metode umpan maju dan backpropagation
yang sudah diperbaiki. Pada simulasi pertama, sistem JST diuji untuk mengenali 50 materi
dimana sistem sudah dilatih menggunakan hanya 1 data untuk setiap klasifikasi. Hasilnya
adalah kemampuan identifikasi JST 100 % atau mempunyai kehandalan yang baik

Kata kunci : aktivasi neutron, spektrum gamma, sistem cerdas, radioaktif, materi asing.

ABSTRACT
ARTIFICIAL NEURAL NETWORK CHARACTERISTIC FOR NEUTRON
ACTIVATED ANALYSIS. Neutron activated analysis (NAA) is one of analysis methods to
identify some structured nuclide from material. The stranger irradiated material could be
identifying by the gamma spectrum pattern analysis. The recognition process will be done
easily if we have a smart system and the one of the smart system choices is artificial neural
network (ANN). The gamma spectrum that was irradiated from radioactive nuclide has
specific pattern, therefore smart system will be tried to classify the input data. Firstly, Hp-Ge
detector detects the gamma radiation from stranger material, and then counted by multi
channel analysis instrument (MCA). The smart system based ANN uses the feed forward
method and the improved backpropagation. On the first simulation, ANN system was tested
to identify 50 material, in which the system has been trained by using one data only for each
clasification. The result showed that the ANN appreciates 100 % identification capability or
has a good performance.

Keyword : neutron activity, gamma spectrum, smart system, radioactive, stranger material.

1. Diajukan dalam Seminar Sains dan Teknologi Nuklir di PPTN – BATAN, Bandung.
PENDAHULUAN

Jaringan syaraf tiruan (JST) adalah suatu teknologi yang diilhami dari jaringan syaraf
biologi pada manusia, dapat dilatih untuk mengenali terhadap suatu obyek yang memiliki pola
tertentu. Dengan pelatihan yang terstruktur, JST yang telah terbimbing bisa mengenali
[1]
ataupun menemukan kembali obyek tertentu sekalipun diacak dengan obyek lain .
Berangkat dari sifat spektrum radiasi unsur radioaktif yang spesifik dan terlatihnya JST untuk
mengenali dan mengidentifikasi pola spektrum unsur radioaktif standard, maka JST dapat
digunakan untuk mengidentifikasi unsur-unsur radioaktif yang ada di dalam sampel.
Sejak ditemukan unsur radioaktif pada tahun 1896 oleh Becquerel, penelitian tentang
unsur radioaktif semakin pesat baik yang menyangkut penelitian dan pengembangan unsur itu
sendiri maupun aplikasi dan manfaatnya pada kehidupan manusia. Salah satu aktivitas
penelitian dan pengembangan terhadap unsur radioaktif adalah pengembangan metode
analisis aktivasi neutron (AAN). Metode AAN memiliki sensitivitas yang lebih baik dari
pada metode lainnya (gavitrimeter, kalorimeter, spektrografi, dan spektrometri massa), seperti
terlihat pada Gambar 1.

10-8

Analisis Pengaktipan Neutron

10-6
Spektroskopi Massa

10-4
Spektrographi
Kalorimetri
Gravitrimetri

10-2

10-0
Metode Lain

Gambar 1. Perbandingan sensivitas metode AAN dibandingkan dengan metode analisis lain.

2
 Data mentah dari alat ukur (detektor gamma) dalam metode AAN berupa spektrum,
dengan variabel bebasnya adalah energi sinar gamma dan dependent variable-nya adalah
[2]
distribusi cacah photon gamma yang tercatat oleh detektor . Suatu hal yang sangat spesifik
dari unsur radioaktif adalah spektrumnya, antara unsur yang satu dengan lainnya tidaklah
sama. Dengan sifat yang spesifik ini, unsur radioaktif dapat dengan mudah dikenali polanya,
sehingga dapat diidentifikasi dengan mudah pula antara unsur satu dengan unsur lainnya.
Dalam penelitian ini akan dilakukan pengamatan spektrum radiasi dengan menggunakan
jaringan syaraf tiruan, dengan tujuan untuk dilatih mengenali dan mengidentifikasi unsur-
unsur tersebut, sehingga diperoleh karakteristik JST dalam menganalisis spektrum gamma.
Penelitian ini dibatasi pada spektrum gamma saja yang dipancarkan dari unsur radioaktif.
Pengamatan dilakukan dengan menggunakan detektor Germanium kemurnian tinggi Hp-Ge
dan dicacah dengan menggunakan multi channel analyzer (MCA). Sifat penelitian adalah
simulasi terhadap spektrum gamma dari sumber tunggal. Keluaran dari JST yang dibuat
berupa angka biner sepuluh digit. Dengan memakai JST yang sudah terlatih maka dilakukan
identifikasi terhadap sampel.

TEORI

Secara biologis gambar di atas menyerupai bangun sel yang sebenarnya. Keluaran dari
tiap lapisan sebelumnya merupakan masukan bagi lapisan di mukanya, seperti terlihat pada
Gambar 2.

Gambar 2. Skema jaringan syaraf tiruan umpan maju

Dengan jumlah jaringan besar syaraf tiruan memiliki sifat fault-tolerant, yakni kerusakan
pada sedikit atau sebagian kecil sel dalam jaringan tidak akan banyak berpengaruh terhadap
keluaran sistem[3]. JST dibangkitkan oleh serangkaian masukan yang masing-masing

3
menggambarkan keluaran neuron yang lain. Setiap masukan dikalikan dengan suatu faktor
pembobot tertentu dan kemudian semua masukan terbobot itu dijumlahkan untuk menentukan
tingkat aktivitas suatu neuron, seperti terlihat pada Gambar 3.

Gambar 3. Proses umpan maju di titik aktif

Dengan demikian, secara matematis proses umpan maju dilihat dari satu titik aktif seperti
yang terlihat pada Gambar 3, persamaan umumnya adalah :
P
υ (l )
j = ∑
i=0
w (l )
ji . x i( l − 1 ) (1)

Dimana : j = neuron pada lapisan tersembunyi ke-l

l = lapisan tersembunyi
x = masukan dari lapisan aktif
υ = keluaran dari lapisan aktif
w = bobot
p = jumlah neuron

Gambar 4. Jenis fungsi transfer yang bisa digunakan dalam jaringan syaraf tiruan

Jenis-jenis fungsi yang bisa digunakan sebagai fungsi transfer JST dapat dilihat pada
Gambar 4.

4
 Fungsi sigmoid digunakan sebagai fungsi transfer dengan alasan bahwa fungsi sigmoid
memiliki gradien yang proporsional dengan refleksi keluaran. Persamaan umum fungsi
transfer sigmoid adalah :
1
y (jl ) = (2)
1 + exp(−υ (jl ) )

W 11
X1 Σ F Y1
W 12
W 1n
W 21
X2 Σ F Y1
W 22

W 2n

W m1

Wm 2
Xn Σ F Yn
W mn

Gambar 5. JST lapis tunggal.

Gambar 6. Proses koreksi bobot pada JST

Model JST yang telah digambarkan pada Gambar 5 di atas adalah model umpan maju
tanpa umpan balik dari keluaran ke masukan, sedangkan sistem biologis menunjukkan sifat
umpan balik dimana skema numerik diperlihatkan pada Gambar 6. Karena itu, sistem JST
memiliki umpan balik terhadap bobot yang akan mempengaruhi lapisan pertama dan

5
seterusnya sehingga dalam proses belajar selalu diberikan harga bobot yang teriterasi sampai
[3,4]
mencapai suatu keadaan yang optimal . Ralat global E pada lapisan keluaran jaringan
syaraf tiruan umpan maju adalah :
N
1
E =
2
∑ (d
j
j − ο j )2 (3)

Dengan : d j = keluaran yang diharapkan

ο j = keluaran JST

Metode backpropagation bekerja dari ralat keluaran jaringan yang diumpankan ke

belakang merambat sampai ke lapisan aktif terdepan. Algoritma dasar metode
backpropagation memiliki beberapa kelemahan iterasi mundur [2,5,6], sehingga pada pengujian
digunakan metode backpropagation yang sudah dimodifikasi. Persamaan gradien lokal pada
masing-masing lapisan jaringan dapat ditulis sebagai berikut :

δ (j l ) (n) = y (jl ) (n).(1 − y (jl ) (n) ).∑ δ k(l +1) (n).wkj(l +1) (n)
p
(4)
k

dimana : j = posisi neuron pada lapisan tersembunyi l.

k = posisi neuron pada lapisan tersembunyi (l+1).

Penggunaan persamaan (3) untuk masing-masing lapisan jaringan dimana l = L, sehingga

gradien lokal dapat ditulis sebagai menjadi :

δ (j L ) (n) = [e (j L ) (n)].[ο j (n)].[(1 − ο j (n) )] (5)

dimana : j = posisi neuron pada lapisan keluaran L.

Dengan demikian, aliran proses generalisasi jaringan pada lapisan tersembunyi l adalah
sebagai berikut :
w (jil ) (n + 1) = w (jil ) (n) + α [ w (jil ) (n) − w (jil ) (n − 1)] + ηδ (j l ) (n). y i(l −1) (n) (6)
dimana : η = nilai laju belajar
α = konstanta momentum
Metode backpropagation yang akan diterapkan sudah diperbaiki untuk meningkatkan
[7]
kinerja JST secara signifikan dan persamaan lengkapnya adalah sebagai berikut :

[
w (jil ) ( n + 1) = w (jil ) ( n ) − η (1 − α )δ (j l ) ( n ) + αδ ( l −1)
j (n) ] (7)

6
 1.00000

Advanced Bp.
Momentum
0.10000
Bp. Perbaikan

Ralat
0.01000

0.00100

0.00010
10 20 30 40 50 60 70 80 90 100
Jumlah Iterasi

Gambar 7. Karakteristik JST menggunakan backpropagation yang sudah dimodifikasi

Pengujian kinerja jaringan syaraf tiruan menggunakan persamaan baru hasil perbaikan
persamaan dasar metode backpropagation terlihat pada Gambar 6 dimana terlihat
karakteristik JST hasil modifikasi dibandingkan dengan persamaan hasil pengembangan
terakhir (advanced backpropagation). Kehandalan metode hasil perbaikan dibandingkan
dengan metode berbasis momentum term adalah faktor laju belajar yang bisa menggandakan
kecepatan belajar meskipun hasil yang diberikan tidak signifikan. Dengan demikian,
penggunaan backpropagation yang sudah diperbaiki akan menopang kehandalan sistem
cerdas dalam hal kecepatan proses pengenalan pola.

TATA KERJA

Data masukan JST berjumlah 8192 data sesuai dengan jumlah kanal pada multi channel
analyzer (MCA). Jumlah data uji yang digunakan adalah 50 data dan diklasifikasikan dalam
241 198 133 60 137 98 22 45 64
10 jenis sumber radiasi, yaitu : Am, Au, Ba, Co, Cs, Mo, Na, Sc, Zn, dan
94
Zr. Dengan demikian masing-masing klasifikasi memiliki 5 data hasil pencacahan. Dari tiap
kelompok diambil satu data untuk pelatihan secara acak. Pola belajar menggunakan pola
kompetisi penuh, sehingga hanya ada satu pemenang di antara 10 klasifikasi keluaran. Pola
ini sangat cocok digunakan untuk pelatihan yang memiliki keluaran tunggal di mana hasil
yang diharapkan hanya tebakan satu klasifikasi saja. Sedangkan pola semi kompetisi akan
dikembangkan untuk mengantisipasi keluaran lebih dari satu, sehingga sangat bagus
digunakan dalam identifikasi beberapa sumber radiasi sekaligus.

7
 Pengujian dilakukan dengan melakukan variasi parameter-parameter JST seperti
momentum, laju belajar, jumlah neuron, jumlah lapisan tersembunyi. Kemudian dilanjutkan
dengan simulasi kemampuan fault tolerance dengan cara melakukan variasi jumlah kerusakan
sel pada lapisan masukan, lapisan tersembunyi bagian depan dan lapisan tersembunyi bagian
belakang.

HASIL DAN PEMBAHASAN

Hasil pengujian berupa variasi parameter-parameter JST seperti momentum, laju belajar,
jumlah neuron, jumlah lapisan tersembunyi terlihat pada Tabel 1, Tabel 2, dan Gambar 3.

Tabel 1. Hasil pengujian dengan melakukan variasi terhadap momentum

Variasi momentum berdasarkan nilai ralat = 0.010

Parameter
0,00 0,05 0,10 0,15 0,20
α 596 590 595 638 -

Tabel 2. Hasil pengujian dengan melakukan variasi terhadap laju belajar

Variasi laju belajar berdasarkan nilai ralat = 0.010

Parameter
1,00 0,95 0,90 0,85 0,80
η 590 611 616 669 676

Jumlah Iterasi

5000

4000

3000

2000

1000

0
0 50 100 150 200

Jumlah Neuron

Gambar 8. Karakteristik neuron pada JST

8
 Data pada Tabel 1 dan Tabel 2 memperlihatkan bahwa kita bisa mengambil nilai
optimal JST, yaitu momentum optimal 0,05 dan laju belajar optimal 1,00. Parameter optimal
ini menunjukkan bahwa sistem optimal akan diperoleh bila digunakan laju belajar maksimal
ditambah dengan sedikit percikan momentum. Kestabilan sistem sangat sensitif terhadap
perubahan momentum. Hasil pengujian pada Tabel 1 menunjukkan bahwa semakin besar nilai
momentum, proses sistem akan semakin lambat, padahal penambahan nilai momentum
diharapkan mempercepat proses iterasi, yaitu dengan melakukan lompatan perkiraan harga
mendekati posisi yang dicari. Namun saat posisi yang dicari berhasil didekati, iterasi berjalan
lambat karena lompatan harga menjadi tidak beraturan. Kondisi yang lebih optimal akan
diperoleh bila saat ralat sistem mendekati harga yang diinginkan, momentum secara otomatis
mengecil sampai batas minimal, namun kondisi dinamis ini masih belum diterapkan. Hal
sebaliknya terjadi pada variasi laju belajar dimana hasilnya terlihat pada Tabel 2, semakin
kecil harga laju belajar, proses sistem semakin tidak optimal. Hal ini lebih mudah dimengerti
karena memaksimalkan laju belajar berarti memaksimalkan nilai optimal.
Sedangkan pengujian terhadap variasi jumlah neuron terlihat pada Gambar 8 membentuk
karakteristik neuron. Nilai optimal neuron sangat relatif, semakin besar jumlah neuron akan
berimbang dengan daya tampung untuk pustaka data baru, sebatas kecepatan proses bisa
diterima dimana perbedaan kecepatan proses dengan jumlah neuron antara 15 – 100 relatif
tidak signifikan. Bila sistem menggunakan neuron kurang dari 15, daya tampung pustaka
sangat miskin sehingga sistem akan sulit konvergen karena nilai ralat yang diinginkan belum
tercapai. Sebaliknya, bila sistem menggunakan neuron lebih dari 100, daya tampung pustaka
sangat berlimpah sehingga mampu dilatih mengenali pola-pola baru dalam jumlah banyak,
tapi hal ini tidak efisien karena waktu proses belajar meningkat secara signifikan, padahal
kebutuhan terhadap data baru sudah bisa diantisipasi oleh jumlah neuron kurang dari 100.
Lebar daerah kerja menunjukkan kemampuan JST menyesuaikan diri terhadap besarnya
beban pelatihan.
Hasil pengujian berupa variasi terhadap jumlah kerusakan sel pada lapisan masukan,
kerusakan bobot bagian depan dan kerusakan bobot bagian belakang terlihat pada Tabel 3,
Tabel 4 dan Tabel 5, sehingga diperoleh nilai maksimal fault tolerance secara berurutan
masing-masing 35%, 17% dan 18%. Penjelasan karakteristik kerusakan sel terhadap
keberhasilan identifikasi terlihat pada Gambar 9 di bawah ini, dimana gambar ini merupakan
penilaian global berdasarkan data pada Tabel 3, Tabel 4 dan Tabel 5.

9
 Tabel 3. Hasil pengujian dengan melakukan variasi terhadap jumlah kerusakan sel pada
lapisan masukan

Jumlah kerusakan sel pada lapisan masukan

Parameter
30 % 35 % 36 % 37 % 38 % 39 % 40 % 45 % 45 %

Identifikasi 100 % 100 % 98 % 95 % 92 % 90 % 84 % 78 % 63 %

Tabel 4. Hasil pengujian dengan melakukan variasi terhadap

jumlah kerusakan sel pada bobot bagian depan

Jumlah kerusakan sel pada lapisan tersembunyi

Parameter
10 % 15 % 16 % 17 % 18 % 19 % 20 % 25 % 30 %

Identifikasi 100 % 100 % 100 % 100 % 98 % 95 % 94 % 87 % 81 %

Tabel 5. Hasil pengujian dengan melakukan variasi terhadap

jumlah kerusakan sel pada bobot bagian belakang

Jumlah kerusakan sel pada lapisan tersembunyi

Parameter
10 % 15 % 16 % 17 % 18 % 19 % 20 % 25 % 30 %

Identifikasi 100 % 100 % 100 % 100 % 100 % 98 % 96 % 88 % 83 %

Hasil pengujian kerusakan sel pada Tabel 3, Tabel 4 dan Tabel 5 terlihat bahwa
kemampuan JST untuk mereduksi kerusakan sel sangat handal sekali yaitu 35%, 17% dan
18% untuk lapisan masukan, bobot bagian depan dan bobot bagian belakang. Karakteristik
kerusakan sel pada lapisan masukan memberikan pengertian lain bahwa kesalahan teknis dan
non teknis sehingga data yang diperoleh tidak baik masih dapat dianalisis dengan baik oleh
JST, dimana maksimal kerusakan data adalah 35%. Dengan demikian, bila kerusakan data
masukan berjumlah 2867 (data masukan berjumlah 8192), JST masih bisa melakukan analisis
dengan baik dan benar.

10
 100
Lapisan masukan

80 Bobot bagian depan

Bobot bagian belakang
60

40

20

0
0 10 20 30 40 50 60 70 80 90 100
Persentase kerusakan sel

Gambar 9. Karakteristik kerusakan sel JST pada lapisan masukan, lapisan tersembunyi
bagian depan dan lapisan tersembunyi bagian belakang

Hasil-hasil pengujian parameter JST di atas merupakan data-data penting dalam

pengembangan perangkat lunak berbasis JST untuk AAN, sehingga pada tahap tersebut
pengenalan data sumber radiasi gamma menjadi inti penelitian karena melibatkan data yang
jumlahnya sangat banyak. Secara umum, semua pengujian parameter JST menggunakan
pendekatan statis, dimana pendekatan dinamis akan bekerja berbasis nilai optimal dari
pendekatan statis. Dasar pendekatan dinamis adalah gerakan nilai parameter optimal,
misalnya gerakan parameter momentum. Saat awal iterasi momentum bernilai maksimal dan
semakin dekat dengan ralat yang dikehendaki, momentum akan terus berubah mengecil
sampai pada batas minimal, yaitu 0.
Secara keseluruhan, sistem JST yang digunakan memiliki beberapa nilai optimal yang
spesifik terhadap kasus yang dihadapi. Sistem JST yang digunakan mengunakan JST yang
sudah teroptimasi dan merupakan hasil pengembangan dari metode standart backpropagation.
Sistem JST yang teroptimasi ini memiliki kehandalan yang sangat baik dimana perbedaan
kecepatan backpropagation hasil pengembangan ini dibandingkan dengan backpropagation
standart cukup luar biasa, yaitu mencapai 2.035 % [7].

11
KESIMPULAN

JST mampu mengidentifikasi unsur-unsur yang ada dalam sampel dengan kehandalan
mencapai 100%. Pengujian JST menghasilkan data-data optimal yang membentuk
karakteristik statis JST dimana data optimal tersebut adalah momentum = 0,05; laju belajar =
1,00; lapisan tersembunyi = 1; dan jumlah neuron kerja antara 15 sampai 100 neuron,
sehingga lebar daerah kerja menunjukkan kemampuan JST menyesuaikan diri terhadap
besarnya beban pelatihan. Kehandalan terhadap kerusakan sel sebagai ciri fault tolerance
pada lapisan masukan, bobot bagian depan dan bobot bagian belakang secara berurutan adalah
35%, 17% dan 18%.

UCAPAN TERIMA KASIH

Ucapan terima kasih disampaikan kepada Bapak Balza Achmad yang membantu berupa
saran pengembangan metode analisis serta staf BPTR atas dorongan kepada penulis. Ucapan
terima kasih juga disampaikan kepada Kepala Pusat PPTRR atas kesempatan luas dalam
mengembangkan JST.

DAFTAR PUSTAKA

1. BOSE, NK and LIANG, P, Neural Network Fundamental With Graphs, Algorithms and
Aplications, Mc Graw-Hill, Inc, NY USA 1997.
2. SHOGO SUZUKI, The Development of Instrumental Neutron Activation Analysis for
Environmental Samples Analysis, Edition I, 1988
3. HAYKIN S, Neural Networks, Macmillan College Publishing Company, NY USA, 1998.
4. JEROMEL. DUGGAN, Laboratory Investigation in Nuclear Science, The Nucleus, Inc,
Texas USA, 1998.
5. SETIAWAN S, Mengenal Network Saraf, Andi Offset, Yogyakarta, 1991.
6. SETIAWAN S, Artificial Intelegence, Andi Offset, Yogyakarta, 1993.
7. SUBEKTI RM, Perbaikan Metode Backpropagation untuk Pelatihan Jaringan Syaraf
Tiruan Multilayer, Proceding Simposium Himpunan Fisika Nasional, Serpong, 2000.

12