sistem analisis lepasan radiasi gamma rsg …ansn.bapeten.go.id/files/43203/3771.pdf · sistem...
TRANSCRIPT
276 ISSN 0216 - 3128 Syaiful Bakhri. dkk.
SISTEM ANALISIS LEPASAN RADIASI GAMMA RSG GASDENGAN JARINGAN SARAF TIRUAN
Syaiful Bakhri, Kristedjo KurniantoPTRKN - BATAN
SunarkoPRSG - BATAN
ABSTRAK
SISTEM ANALISIS LEPASAN RADIASI GAMMA RSG-GAS DENGAN JARINGAN SARAF TIRUAN.
Salah satu fakJor yang dapat menunjang lreselamatan operasi reakJor adalah lremampuan untuk mendeteksilepasan radioakJif sinar gamma yang diakibatkan oleh sebuah lrecelakaan. Sistem yang ada sekarang inihanya mampu menganalisis kuantitas akumulasi partilrel radiasi yang terdeteksi tanpa dilengkapilremampuan untuk menentukan jenis-jenis radioakJif yang terjadi dengan cepat. Penelitian ini bertujuanuntuk mengembangkan lremampuan sistem analisis jenis unsur radioakJif dengan cepat dan mudahmenggunakan teknik jaringan saraf tiruan. Pada penelitian ini dilrembangkan jaringan saraf timan dengantopologi MLP dan pelatihan backpropagation serta dukungan perangkat lreras dan perangkat lunak sistemanalisis berbasis Labview. Jaringan saraftiman yang dilatih menggunakan 2048 data kanal. menunjukkanperforma terbaik dengan 300 neuron satu layer tersembunyi dan dapat mengenali 5 unsur-unsur standarbaik unsur mandiri maupun gabungan dengan ralat RMS 1.515 %.
Kata kunci : Jaringan SyarafTiruan. Radiasi Gamma. Multi Layer Perceptron, Backpropagation. Labview
ABSTRACT
RSG-GAS GAMMA RELEASE ANALYSIS SYSTEM USING ARTIFICIAL NEURAL NETWORK.
Reactor safety operation is supported by capability of gamma-ray release detection caused by an accident.The system that used before is only able to analyze quantity of radiation particle without ability to determinethe radioisotope type. The objective of the research is to develop the capability of radioactive particleanalysis using artificial neural network technique. Artificial neural network using MLl' topology and backpropagation training that also supported by hardware and Labview based software is developed in thisresearch. Artificial neural network that is trained for 2048 channel showed the best performance with 300neurons in one hidden layer and recognize 5 radioactive standards in form of individual and compound withRMS error 1.515 %.
Keywords: Artificial Neural Network, Gamma-ray, Multi Layer Perceptron. Backpropagation. Labview
PENDAHULUAN
P2TRR mempunyai tugas utama mengoperasikanreaktor nuklir dengan aman dan selamat. Salahsatu faktor yang dapat menunjang keselamatanoperasi reaktor adalah kemampuan untuk mendeteksikecelakaan yang mengakibatkan lepasan radioaktif.Sistim yang digunakan dewasa ini di reaktor hanyamampu menganalisis kuantitas akumulasi partikelradiasi yang terdeteksi tanpa dilengkapi kemampuanuntuk menentukan jenis-jenis radioaktif yang terjadidengan cepat. Untuk itu dibutuhkan sebuah teknikyang cepat untuk menganalisis bentuk-bentuklepasan kontaminan radioaktif yang ada. Teknik inibiasanya menggabungkan antara kemampuan multi
cannel analyzer dan sistim analisis yang bisamenentukan jenis sumber radioaktif.
Salah satu analisis pendekatan untuk men entukan jenis-jenis radioaktif dengan cepat adalahdengan memanfaatkan jaringan saraf tiruan. Teknikini sangat baik digunakan untuk analisis yangmembutuhkan identifikasi real time kontaminan dan
membutuhkan ekstraksi informasi dengan baik.[1)Selain itu sistim ini dapat dikembangkan lebih jauhuntuk menentukan batas-batas kuantitas kondisi yangdiijinkan terhadap suatu kontaminan.
Oleh karena itu, untuk melaksanakan pengembangan teknik analisis lepasan partikel gammadengan jaringan saraf tiruan maka dilakukanlah
Proslding PPI • PDIPTN 2006Pustek Akselerator dan Proses Bahan - BATAN
Yogyakarta. 10 Juli 2006
Syaifu/ Bakhri, dkk. ISSN 0216 - 3128 277
n
y=J(a)=J(LwiXi+WO) (I);=1
diinginkan. Dua langkah ini banyak menghabiskanwaktu dan biasanya membutuhkan interfensimanusia. Pendekatan JST akan menggunakanpengenalan pola ke seluruh spektrum. Pengenalanpola ini dilakukan oleh single vector matrixmultiplication yang menghasilkan identifikasi realtime sebuah sumber. Untuk sampel yang terdiri dariberbagai kombinasi isotop, spektrum sampel dapatdidekati dengan superposisi linier spektra dariisotop-isotop individu Paul.!2.3]
Seeara sederhana, sebuah neuron merupakansatu unit proses informasi yang paling mendasardalam operasi sebuah jaringan saraf tiruan. Neuronpada setiap lapisan berfungsi menghitung hasilfungsi aktivasi dari jumlahan terbobot inputinputnya seperti terlihat pada Gambar I. Fungsiaktivasi dapat dipilih seperti fungsi sigmoid, fungsilinear, fungsi step atau radial basis. Fungsi aktivasiyang dipakai pad a penelitian ini adalah fungsiaktivasi logistik sigmoid pada lapisan tersembunyidan lapisan keluarannya, dan fungsi aktivasi linierpada inputnya. Hubungan matematis sebuah neuronbuatan dapat dinyatakan dalam persamaan (I ),dimana fungsi aktifasi sigmoid ditunjukkan padapersamaan (2).
penelitian ini. Penelitian ini bertujuan untuk menggunakan kemampuan jaringan saraf tiruan untukmenganalisis partikel radioaktif gamma. Penelitiandilakukan dengan memanfaatkan data-data hasilakuisisi NI-455 I high speed analyzer dengandetektor HPGe sebagai data latihan, pengujian danverifikasi. Paradigma jaringan saraf tiruan yangdigunakan dalam penelitian ini adalah multilayerliniear perceptron (MLP) dengan berbagai variasikonfigurasi. Kemudian dilakukan pengujian danoptimasi konfigurasi lebih lanjut untuk mendapatkanjaringan saraf tiruan dengan kemampuan identifikasiterbaik. Jaringan saraf tiruan yang diperolehdiharapkan dapat dikembangkan dan dimanfaatkandengan dukungan portabel MCA untuk analisis lebihlanjut di reaktor RSG GAS.
DASAR TEORI
Jaringan saraftiruan (JST) banyak digunakandalam berbagai aplikasi dimana analisis data reallillie! dan ekstraksi informasi sangat dibutuhkan.Salah satu keuntungan dari JST adalah kemampuankomputasi banyak mengambil porsi dalam prosespelatihan. Sekali JST dilatih untuk aplikasi tertentu,maka operasi yang dilakukan sangat eepat dansampel dapat diidentifikasi dengan eepat juga dilapangan.
Pendekatan konvensional analisis spektrumsinar gamma dengan eara menemukan sebuahpuneak dan meneoeokan kurva. Pendekatan inimeliputi proses dekomposisi dan degenerasi puneakbuatan sampai benar-benar mendekati puneak yang
Bias
1
II(x) = --x1- e
FungsiAktivasi
y
(2)
Gambar I. Blok diagram sebuah neuron buatan.
Prosiding PPI - PDIPTN 2006Pustek Akselerator dan Proses Bahan - BATAN
Yogyakarta, 10 Juli 2006
278
XNi
LapisanInput
ISSN 0216-3128
Lapisantersembunyi
Lapisanoutput
2
Y,.,
Syaiful Baklrri, dkk.
Gambar 2. Topologi umum JST dengan MLP.
Topologi JST yang dikaji dalam penelitian iniadalah MLP. Topologi MLP merupakan topologipopuler yang sering digunakan dewasa ini untukmengatasi persoalan dengan tingkat kompleksitasyang tinggi. MLP dengan lapisan tersembunyitunggal didefinisikan dengan jumlah neuron input(N,), jumlah neuron pad a lapisan tersembunyi (Nh)
dan jumlah neuron pad a lapisan output (N,,) sepertiterlihat pad a Gambar 2.[4]
Persamaan matematis MLP dalam format
matriks dapat ditulis sebagai persamaan (3).
Dimana Wi adalah matriks pembobot input (ukuran
Nh x N, dan elemen matrik w~), W2 adalah matriks
pembobot output (ukuran N" x Nh dan elemen matrik
w2), x adalah vektor data, bl adalah vektor biaslj
pada lapisan tersembunyi, b2 adalah vektor bias
lapisan output dan f,,(-) dan fi,O adalah fungsiaktivasi output dan tersembunyi. Notasi padapersamaan (3) dapat disederhanakan denganmenganggap bias sebagai sebuah input konstan(biasanya +1 atau -1), sehingga panjang x menjadiN1 + 1, ukuran Wi menjadi Nh x N, + 1 dan ukuranW2 menjadi N" x Nh + 1. Bentuk sederhana persamaan (3) menjadi
Salah satu teknik pelatihan yang palingterkenal dalam JST adalah back propagation.Backpropagation mempunyai dua fase yaitu faseumpan maju yaitu menghitung functional signalyang merambat maju dari pola sinyal input melewatijaringan. Fase kedua adalah fase ram bat balik, yangintinya menghitung ralat sinyal, merambat balikkanralat dari bagian belakang melewati jaringan diawalidari unit keluaran dimana ralat adalah perbedaanantara nilai aktual dan nlai yang diharapkan.
Algoritma pelatihan propagasi balik didasarkan pada algoritma gradient descent, pertamakali dikenalkan oleh Rumelhart,rs] yang menghitungnilai gradient gk pad a tiap epoch dan memperbaharuinilai bobot dengan menggunakan persamaan,
W *+1 = W * + ~w *
(5)
dimana '1 adalah learning rate '1 adalah konstantapositif kecil (biasanya bernilai an tara 0-1). Gradientgk pada persamaan (5) dihitung melalui dua fase.
Prosiding PPI - PDIPTN 2006Pustek Akselerator dan Proses Bahan - SATAN
Yogyakarta, 10 Juli 2006
Syaiful Bakhri, dkk. ISSN 0216 - 3128 279
Output network dihitung dengan perambatanmaju dari lapisan input ke lapisan output, dari lapisan I = I ke 1= L. Kemudian kesalahan Ep dihitungmerambat mundur dari lapisan output ke lapisaninput. Pada proses ini gradient Gp dihitung menggunakan persamaan (6) dari lapisan 1= 1ke I = I.
pola), dimana tiap bobot di-update setiap sebuahpola ditampitkan, dan batch mode (of-line dan perepoch) dimana perubahan derivatif/bobot untuk tiappola dalam training set dihitung kemudianmenghitung total perubahan dengan menjumlahkanperubahan masing-masing individu.
8E--/f;;- = - 15' 1-1aw .. I,p Yj p
I} •
(6) TAT A KERJA
(9)
Jika fungsi aktivasi adalah logistik sigmoid, makafungsi turunan menjadi sederhana
Pembelajaran dilakukan berulang sampai kriteriapemberhentian tercapai. Untuk menghindari korelasiantara pasangan-pasangan data pembelajaran yangberurutan, maka urutan pola peJatihan dibuat acakuntuk tiap epoch-nya. Dua tipe pelatihan yangditerapkan yaitu mode sekuensial (stokastik dan per-
Proses ini berulang untuk epoch berikutnya sampaidiperoleh nilai kesalahan minimal.
Untuk mempercepat proses pembelajaran danmenghindari algoritma terjebak pada local minima(nilai minimum yang palsu), persamaan (5)dimodifikasi menjadi persamaan (9) dimana sebuah
parameter momentum a (bemitai 0 - I) ditambahkanuntuk mempercepat proses pembelajaran.
Penelitian ini menggunakan perangkat sistimspektroskopi sinar gamma dengan detektor HPGedan perangkat pengolahan pulsa mulai dari pre-amp,amplifier dan MCA. Prototipe sistem ini untukselanjutnya bisa dikembangkan dan disesuaikanmengikuti tingkat kebutuhan, unjuk kerja dan mobilitas. Gambar 3 menunjukkan prototipe skematiksusunan perangkat sistim spektroskopi sinar gammayang digunakan dan perangkat lunak JST yangdibuat. Hasil spektroskopi yang diperoleh digunakansebagai data untuk pelatihan, pengujian danverifikasi. Isotop hasil spektroskopi yang digunakandalam penelitian ini adalah Am-24 I, 8a-I33, Co-60,Co-57 dan Cs-137.
Langkah pertama adalah mendesain JSTdengan topologi MLP menggunakan berbagai konfigurasi neuron dan layer seperti terlihat padaGambar 4. Langkah kedua adalah melatih JSTdengan teknik pelatihan backpropagation terhadapisotop Am-241, 8a-133, Co-60, Co-57 dan Cs-137
dan kombinasi beberapa unsur sekaligus sebanyak13 data. Pada penelitian ini dilakukan pelatihan awaldengan memanfaatkan sumber-sumber standartertentu dan sudah tersedia di RSG-GAS. Data yangdigunakan memanfaatkan 2048 kanal penguatankonversi MCA. Data dari tiap-tiap isotop menggambarka'l karakteristik hasit pengukuran masingmasing puncak. Data dari semua kanal dimasukkandalam input JST dan keluaran neuron yang dihasitkan sesuai jumlah isotop yang ditatihkan dalampenelitian ini yaitu 5 buah.
(7)
(8)
m<L
.f'(a) = y(I- y)
dimana nitai t5diberikan oleh persamaan 7.
HPGe High VoltPwr. Supply 2048 kana I
Amp lifi erModel 2024
DetektorNT- 4551
Gambar 3. Sistim spektroskopi sinar gamma dengan jaringan sarar tiruan.
Prosiding PPI - PDIPTN 2006Pustek Akselerator dan Proses Bahan· BATAN
Yogyakarta, 10 Juli 2006
280- ISSN 0216 - 3128
Kana11
Kana! 2
Kana! 3
Kana! 4
ooo
Kana! 2045
Kana! 2046
Kana! 2047
Kana! 2048
Arn-241
Co-57
Sa-133
Co-60
Cs-137
Syaiful Bakhri, dkk.
Gambar 4. JST yang digunakan untuk menganalisis radioaktivitas.
Pelatihan dilakukan dengan menggunakanperangkat lunak TRAJAN. Program ini dapatmembuat dan melatih JST pad a berbagai topologi,sekaligus menyimpan hasilnya dan kemudian dapatdipanggil oleh program lain dengan WinAPI(Windows Aplication Program Interface). Langkahkedua adalah memverifikasi kemampuan JSTdengan data yang dilatihkan dan kemudian mengujiJST dengan data kombinasi beberapa isotoppelatihan. Dengan fasilitas WinAPI selanjutnyadibuat program dengan LabVIEW sebagai antarmuka bagi pengguna.
PEMBAHASAN
Unjuk kerja sebuah JST sangat tergantungsejauh mana topologi yang dipilih, konfigurasi
neuron dan jumlah layer-layer penyusunnya. Selainitu kemampuan JST sangat tergantung bagaimanapelatihan diberikan dan seberapa sering JST dilatihdan dihadapkan pad a kasus-kasus tertentu. Padapenelitian ini JST dilatih untuk mengenali isotopradioaktif Am-24 I, 8a-133, Co-60, Co-57 dan Cs137 berikut kombinasi kemungkinan terjadinya.
Seperti telah dijelaskan pada bagian sebelumnya penelitian ini menggunakan topologi MLPdengan 2048 input, satu layer tersembunyi dan satulayer ouput dengan 5 jenis data identifikasi. Untukmencari topologi terbaik yang dapat diterapkanrnaka dilakukan variasi jurnlah neuron dengan satulayer tersembunyi, dan menghitung unjuk kerjamasing-masing JST.
1.2
1
~ .1:;' 0.8,gj
~
0.6.S' ::J
0.4
0.200
500 1000
Jmnlah neuron
1500 2000
Gambar 5. Grafik variasi neuron satu layer tersembunyi vs unjuk k~rja JST.
Prosidlng PPI·· PDIPTN 2006Pustek Akselerator dan Proses Bahan· BATAN
Yogyakarta, 10 Juli 2006
Syaiful Bakhri, dkk. ISSN 0216-3128 28/
Gambar 5 menunjukkan bahwa jumlah neuron pada layer tersembunyi sangat mempeng-aruhiunjuk kerja sebuah JST. Oi bawah 700 neuron JSTmempunyai peluang yang lebih besar untukmengklasifikasi proporsi kasus-kasus dengan benar.Oi atas 700 neuron terlihat tidak adanya perbedaansignifikan dalam kemampuan mengklasifikasisumber-sumber radioaktivitas dengan benar. Untukmemastikan kemampuan masing-masing topologimaka dilakukan perhitungan ralat terhadap masingmasing kasus berdasar konfigurasi jumlah neurontersebut.
Pengujian unjuk kerja menunjukkan bahwakemampuan unjuk kerja terbaik untuk dianalisishanyalah pada JST dengan kombinasi tidak lebihdari 700 neuron, karena itu pada pengujian ralat
RMS JST terhadap masing-masing sampel hanyadilakukan pada 9 kombinasi seperti terlihat padaGambar 6. Pada Gambar 6 terlihat bahwa ralat RMS
masing-masing kasus,. dengan fungsi ralat sumsquare pada masing-masing individunya men unjukkan ralat terkecil pad a jumlah neuron 300 dan400 sampeI. Layer tersembunyi dengan 400 neuronllJemberikan ralat terkecil pad a 9 sampel, tetapi ralatterbesar justru terjadi pada sampel ke 12. Berbedadengan jumlah 300 neuron yang memberikan ralatyang sedikit lebih besar, rata-rata 2.7 %, tetapi tidakmenunjukkan ralat yang sangat besar yang bisamengganggu kemampuan JST secara keseluruhan.Untuk memastikan apakah tingkat akurasi JSTdengan topologi ini dapat ditingkatkan maka dilakukan pengamatan terhadap grafik ralat pelatihanterhadap epoch selama proses pelatihan.
0.7
0.6
__ 1200
-- 700•.• 0.5-t>- 600
~ 0.4--400
__ 3000.3-- 200
02~ '" '~Er 0: ~. d ,j' \. =~:2
345678910111213
Nomor Sampet
Garnbar 6. Grafik kode nornor sarnpel rnasing-rnasing kasus terhadap ralat RMS JST.
0.7
0.60.5
~:::r\11 __ Pcl~tihan.-- Vcnfikasl
0.2 0.1
20 40 60 80 100 120 140 160
~h
Garnbar 7. Grafik jurnlah epoch terhadap ralat pelatihan danverifikasi JST dengan 300 neuron layer tersernbunyi.
Prosiding PPI - PDlPTN 2006Pustek Akselerator dan Proses Bahan - BATAN
Yogyakarta, 10 Juli 2006
282 ISSN 0216 - 3128~-~ Syoiful Rnkflri, dkk.
Grafik ralatRMS pelatihan menggambarkan
perubahan ralat melandai sampai sekitar 70 epochdan turun drastis sete]ahnya. Grafik ini men unjukkan bahwa ralat terkeci] yang dicapai tidakmemberikan banyak pengaruh lebih dari 80 epoch.Hal ini juga berarti 1ST sudah layak digunakansetelah dilatih lebih kurang 80 epoch. Selanjutnyapengujian dilakukan terhadap data sejenis. Datahasil klasifikasi sistem ditunjukkan pada Tabel 1.Tabel ini menjelaskan target aktual yang harusdideteksi dan klasifikasi MLP serta ra]at yanghasilkan.
Tabel 1 menunjukkan bahwa 1ST dapat
mengenali semua radioisotop dan kombinasi yangdibcrikan. Ralat RMS pengujian yang dihasilkanadalah 1.515 %, yang berarti rata-rata tingkatkeberhasi]an 1ST mengenali radioisotop sangatbaik. JST yang telah diuji selanjutnya diimplementasikan dalam perangkat lunak pengenalan radioisotop menggunakan Labview. Perangkat lunakyang dibuat seperti terlihat pada Gambar 8.
Tabel I. Klasifikasi spcktrum aktual dari masing-masing sampcl.
Am241Co57Ba 133Co60Cs137Ralat
Sam pel I. Am-241Aktual
10000
MLP
0.9917330.0090310.023970.016960.01532
Ralat
-0.008270.0090310.023970.016960.015320.01579
Sam pel 2. Campuran Am-241 dan Ba-133Aktual
1010 0
MLP
0.9696870.027010.980076.38E-050.01195
Ralat
-0.030310.02701-0.019936.38E-050.0] 1950.02092
Sam pel 3. Campuran Am-241 dan Co-60Aktual
10010
MLP
0.9944910.006599.0.0023240.9982320.006891
Ralat
-0.005510.006599~.002324-0.001770.0068910.005097
Sampel4. Campuran Am-241 dan Ba-133, Cs-137Aktual
1010 1
MLP
0.9900770.00?820.9693410.025950.998833
Ralat
-0.009920.00382-0.030660.02595-0.001170.018589
Sam pel 5. Campuran Ba-133, Co-60 dan Cs-137Aktual
00111
MLP
0.0007280.019930.9781460.9810310.996556
Ralat
0.0007280.01993-0.02185-0.01897-0.003450.01579
. Sam pel 6. Campuran Am-241, Ba~133, Co-60 dan Cs-137
-Aktual10111
MLP
0.9754550.00290.9895440.9751620.9999271----- Ra]at
-0.024550.0029-0.01046-0.02484-7.27E-050.01635
Sampe17. Campuran Ba-133 dan Cs-137Aktual
0010 11------MLP0.013760.01060.9839160.010520.989318
Ralat
0.013760.0106-0.016080.0 I052-0.010680.01253
Prosiding PPI - PDIPTN 2006Pustek Akselerator dan Proses Bahan· BATAN
Yogyakarta, 10 Juli 2006
Syaiful Bakhri, dkk.
Lanjutan Tabell
ISSN 0216 - 3128 283
Sampel 8. 8a-133Aktual .
00I0 0
MLP
0.033620.0051530.9857930.0002270.01149
Ralat
0.033620.005153-0.014210.0002270.011490.01726
Sampel 9. Co-57Aktual
0I00 0
MLP
0.0037870.9878380.017180.0055380.013032
Ralat
0.003787-0.012160.017180.0055380.0130320.01147
Sam pel 10. Campuran Am-241, Co-57 dan Cs-137Aktual
I100 1
MLP
0.9748580.9769660.016640.0027170.984443
Ralat
-0.02514-0.023030.016640.002717-0.015560.01838
Sampeili. Campuran Co-57 dan 8a-133Aktual
0110 0
MLP
0.0003980.9731320.9996850.0001120.001708
Ralat
0.000398-0.02687-0.000320.0001120.0017080.01204
Sam pel 12. Campuran Co-57. Co-60 dan Cs-137Aktual
010II
MLP
0.01580.9775470.018830.9990540.988517
Ralat
0.0158-0.022450.01883-0.00095-0.011480.01575
Sampel 13. Co-60Aktual
00010
MLP
0.0021851.30E-050.017030.9874810.0 I508
Ralat
0.002 1851.30E-050.01703-0.012520.015080.01165
Gambar 8. Perangkat lunak analisis radiasi berbasis JST.
Prosiding PPI - PDIPTN 2006Pustek Akselerator dan Proses Bahan - BATAN
Yogyakarta, 10 Juli 2006
284 ISSN 0216 - 3128 Syaiful Bakhri, dkk.
Perangkat lunak ini mengenali secara
otomatis jenis radioisotop yang terdeteksi denganbaik seperti terlihat pada Gambar 8. Perangkat lunakini dilengkapi indikator yang akan menyala sesuaijenis radiasi yang dideteksi dan dianalisa. Denganperangkat ini setiap operator dapat mengenalidengan baik jenis radioisotop dengan cepat. Sebagaisistem pemantauan, perangkat lunak ini akanmenunjang analisis dan penentuan kandunganradioisotop dengan baik. Namun demikian sistem inimasih perlu pengembangan lebih lanjut, baik itumenyangkut kemampuan pengenalannya yaitudengan melatihnya terhadap jenis-jenis radioaktiflainnya maupun dukungan terhadap perangkatkerasnya. Agar dapat diimplementasikan denganbaik JST harus dilatih terhadap pergeseranpenguatan yang diakibatkan oleh amplifier. Selainitu basis data JST yang terlatih harus juga ditambahuntuk berbagai jenis level penguatan amplifier danlebih lanjut dapat dilatih untuk mengkuantifikasilevellepasan yang terjadi dan tingkat bahayanya.
KESIMPULAN
Penelitian ini menunjukkan kemampuan
jaringan saraf tiruan dapat digunakan sebagaiperangkat klasifikasi pola yang baik terutama dalamimplementasinya sebagai sistem analisis lepasanpartikel radioaktif di RSG-GAS. Jaringan saraftiruan dengan topologi MLP dan pelatihan backpropagation dapat mengenali semua pola sumberradioaktif Cs-137, Sa-133, Co-57, Cs-137, Co-60
dengan tepat setelah melalui pelatihan, pemilihandan pengujian beberapa variasi jaringan. Sistem iniberfungsi dengan baik dengan dukungan perangkatkeras spektroskopi gamma dan perangkat lunakLabview.
SARAN
Serkaitan dengan perangkat keras, perludipikirkan sistem yang lebih ringan dan murah,misalkan dengan memanfaatkan detektor NalTI danperangkat pencacah yang lebih portabel yang didukung perangkat lunak National InstrumentLabview.
DAFTARPUSTAKA
I. KURNIANTO, KRISTEDJO, Sitem MonitoringReaktor Untuk Validasi Sensor MenggunakanAutoassociative Neural Network, ProsedingSeminar Penelitian P2TRR SA TAN, 2004.
2. PAUL E. KELLER, LARS 1. KANGAS,GARY L. TROYER*, SHERIF HASHEM,RICHARD T. KOUZES, Nuclear Spectral
Analysis via Artificial Neural Networks forWaste . Handling, Environmental MolecularSciences Lab., Pacific Northwest National Lab,IEEE Transactions on Nuclear Science, Vol. 42,No.4, pp. 709-715 (August 1995).
3. PAUL E. KELLER AND RICHARD T.
KOUZES I, Gamma Spectral Analysis viaNeural Networks, Environmental MolecularSciences Laboratory, Pacific Northwest Laboratory, IEEE Nuclear Science Symposium, 1994.
4. SIANG, JJ, Jaringan Syaraf Tiruan dan
Pemrogramannnya Menggunakan MATLAB,Andi Offset, Yogyakarta, 2005.
5. RUMELHART, D.E., J.L. MCCLELLAND,and University of California San Diego. POPResearch Group, Parallel Distributed Processing " Explorations in the Microstructure ofCognition. Computational Models of Cognitionand Perception, 1986, Cambridge, Mass.: MITPress. 2 v.
Proslding PPI ··PDIPTN 2006Pustek Akselerator dan Proses Bahan - BATAN
Yogyakarta, 10 Juli 2006