SISTEM ANALISIS LEPASAN RADIASI GAMMA RSG GAS DENGAN JARINGAN SARAF TIRUAN

(1)

276

ISSN 0216 - 3128 _Syaiful _{Bakhri. dkk.}

SISTEM

ANALISIS

LEPASAN

RADIASI

GAMMA

RSG GAS

DENGAN JARINGAN

SARAF TIRUAN

Syaiful Bakhri, Kristedjo Kurnianto PTRKN - BATAN

Sunarko PRSG - 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 mendeteksi lepasan radioakJif sinar gamma yang diakibatkan oleh sebuah lrecelakaan. Sistem yang ada sekarang ini hanya mampu menganalisis kuantitas akumulasi partilrel radiasi yang terdeteksi tanpa dilengkapi lremampuan untuk menentukan jenis-jenis radioakJif yang terjadi dengan cepat. Penelitian ini bertujuan untuk mengembangkan lremampuan sistem analisis jenis unsur radioakJif dengan cepat dan mudah menggunakan teknik jaringan saraf tiruan. Pada penelitian ini dilrembangkan jaringan saraf timan dengan topologi MLP dan pelatihan backpropagation serta dukungan perangkat lreras dan perangkat lunak sistem analisis berbasis Labview. Jaringan saraftiman yang dilatih menggunakan 2048 data kanal. menunjukkan performa terbaik dengan 300 neuron satu layer tersembunyi dan dapat mengenali

5

unsur-unsur standar

baik 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 determine the radioisotope type. The objective of the research is to develop the capability of radioactive particle analysis using artificial neural network technique. Artificial neural network using MLl' topology and back propagation training that also supported by hardware and Labview based software is developed in this research. Artificial neural network that is trained for 2048 channel showed the best performance with 300 neurons in one hidden layer and recognize

5

radioactive standards in form of individual and compound with RMS error 1.515 %.

Keywords: Artificial Neural Network, Gamma-ray, Multi Layer Perceptron. Backpropagation. Labview

PENDAHULUAN

P2TRR

_{reaktor nuklir dengan aman dan selamat. Salah}mempunyai tugas utama mengoperasikan satu faktor yang dapat menunjang keselamatan operasi reaktor adalah kemampuan untuk mendeteksi kecelakaan yang mengakibatkan lepasan radioaktif. Sistim yang digunakan dewasa ini di reaktor hanya mampu menganalisis kuantitas akumulasi partikel radiasi yang terdeteksi tanpa dilengkapi kemampuan untuk menentukan jenis-jenis radioaktif yang terjadi dengan cepat. Untuk itu dibutuhkan sebuah teknik yang cepat untuk menganalisis bentuk-bentuk lepasan kontaminan radioaktif yang ada. Teknik ini biasanya menggabungkan antara kemampuan

multi

cannel analyzer

dan sistim analisis yang bisa menentukan jenis sumber radioaktif.

Salah satu analisis pendekatan untuk men en-tukan jenis-jenis radioaktif dengan cepat adalah dengan memanfaatkan jaringan saraf tiruan. Teknik ini sangat baik digunakan untuk analisis yang membutuhkan identifikasi

real time

kontaminan dan membutuhkan ekstraksi informasi dengan baik.[1) Selain itu sistim ini dapat dikembangkan lebih jauh untuk menentukan batas-batas kuantitas kondisi yang diijinkan terhadap suatu kontaminan.

Oleh karena itu, untuk melaksanakan pe-ngembangan teknik analisis lepasan partikel gamma dengan jaringan saraf tiruan maka dilakukanlah

Proslding PPI • PDIPTN 2006

Pustek Akselerator dan Proses Bahan - BATAN Yogyakarta. 10 Juli 2006

(2)

Syaifu/ Bakhri, dkk. ISSN 0216 - 3128 ₂₇₇

n

y=J(a)=J(LwiXi+WO)

(I)

;=1

diinginkan. Dua langkah ini banyak menghabiskan waktu dan biasanya membutuhkan interfensi manusia. Pendekatan JST akan menggunakan pengenalan pola ke seluruh spektrum. Pengenalan pola ini dilakukan oleh single vector matrix multiplication yang menghasilkan identifikasi real time sebuah sumber. Untuk sampel yang terdiri dari

berbagai kombinasi isotop, spektrum sampel dapat didekati dengan superposisi linier spektra dari isotop-isotop individu Paul.!2.3]

Seeara sederhana, sebuah neuron merupakan satu unit proses informasi yang paling mendasar dalam operasi sebuah jaringan saraf tiruan. Neuron pada setiap lapisan berfungsi menghitung hasil fungsi aktivasi dari jumlahan terbobot input-inputnya seperti terlihat pada Gambar I. Fungsi aktivasi dapat dipilih seperti fungsi sigmoid, fungsi linear, fungsi step atau radial basis. Fungsi aktivasi yang dipakai pad a penelitian ini adalah fungsi aktivasi logistik sigmoid pad a lapisan tersembunyi dan lapisan keluarannya, dan fungsi aktivasi linier pada inputnya. Hubungan matematis sebuah neuron buatan dapat dinyatakan dalam persamaan (I ), dimana fungsi aktifasi sigmoid ditunjukkan pada persamaan (2).

penelitian ini. Penelitian ini bertujuan untuk meng-gunakan kemampuan jaringan saraf tiruan untuk menganalisis partikel radioaktif gamma. Penelitian dilakukan dengan memanfaatkan data-data hasil akuisisi NI-455 I high speed analyzer dengan detektor HPGe sebagai data latihan, pengujian dan verifikasi. Paradigma jaringan saraf tiruan yang digunakan dalam penelitian ini adalah multilayer liniear perceptron (MLP) dengan berbagai variasi konfigurasi. Kemudian dilakukan pengujian dan optimasi konfigurasi lebih lanjut untuk mendapatkan jaringan saraf tiruan dengan kemampuan identifikasi terbaik. Jaringan saraf tiruan yang diperoleh diharapkan dapat dikembangkan dan dimanfaatkan dengan dukungan portabel MCA untuk analisis lebih

lanjut di reaktor RSG GAS.

DASAR TEORI

Jaringan saraftiruan (JST) banyak digunakan dalam berbagai aplikasi dimana analisis data real lillie! dan ekstraksi informasi sangat dibutuhkan. Salah satu keuntungan dari JST adalah kemampuan komputasi banyak mengambil porsi dalam proses pelatihan. Sekali JST dilatih untuk aplikasi tertentu, maka operasi yang dilakukan sangat eepat dan sampel dapat diidentifikasi dengan eepat juga di lapangan.

Pendekatan konvensional analisis spektrum sinar gamma dengan eara menemukan sebuah puneak dan meneoeokan kurva. Pendekatan ini meliputi proses dekomposisi dan degenerasi puneak buatan sampai benar-benar mendekati puneak yang

Bias 1

I

I(x)

=

_1-

--x

_e Fungsi Aktivasi

y

(2)

Gambar I. Blok diagram sebuah neuron buatan.

Prosiding PPI - PDIPTN 2006 Pustek Akselerator dan Proses Bahan - BATAN

(3)

278

XNi

Lapisan

Input

ISSN 0216-3128

Lapisan

tersembunyi

Lapisan

output

2

Y,.,

Syaiful Baklrri, dkk.

Gambar 2. Topologi umum JST dengan MLP.

Topologi JST yang dikaji dalam penelitian ini adalah MLP. Topologi MLP merupakan topologi populer yang sering digunakan dewasa ini untuk mengatasi persoalan dengan tingkat kompleksitas yang tinggi. MLP dengan lapisan tersembunyi tunggal didefinisikan dengan jumlah neuron input (N,), jumlah neuron pad a lapisan tersembunyi (Nh) dan jumlah neuron pad a lapisan output (N,,) seperti terlihat 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" xNh dan elemen matrik w2),_lj x adalah vektor data,

bl

adalah vektor bias pada lapisan tersembunyi, b2 adalah vektor bias lapisan output dan f,,(-) dan

fi,O

adalah fungsi aktivasi output dan tersembunyi. Notasi pada persamaan (3) dapat disederhanakan dengan menganggap bias sebagai sebuah input konstan (biasanya

+1

atau

-1),

sehingga panjang x menjadi

N1

+

1, ukuran

Wi

menjadi Nh xN,

+

1 dan ukuran

W2 menjadi N" x Nh

+

1. Bentuk sederhana persa-maan (3) menjadi

Salah satu teknik pelatihan yang paling terkenal dalam JST adalah back propagation. Backpropagation mempunyai dua fase yaitu fase umpan maju yaitu menghitung functional signal

yang merambat maju dari pola sinyal input melewati jaringan. Fase kedua adalah fase ram bat balik, yang intinya menghitung ralat sinyal, merambat balikkan ralat dari bagian belakang melewati jaringan diawali dari unit keluaran dimana ralat adalah perbedaan antara nilai aktual dan nlai yang diharapkan.

Algoritma pelatihan propagasi balik di-dasarkan pada algoritma gradient descent, pertama-kali dikenalkan oleh Rumelhart,rs] yang menghitung nilai gradient gk pad a tiap epoch dan memperbaharui nilai bobot dengan menggunakan persamaan,

W *+1

=

W *

+

~w*

(5)

dimana '1 adalah learning rate '1 adalah konstanta

positif kecil (biasanya bernilai an tara

0-1).

Gradient gk pada persamaan (5) dihitung melalui dua fase.

Prosiding PPI - PDIPTN 2006

Pustek Akselerator dan Proses Bahan - SATAN Yogyakarta, 10 Juli 2006

(4)

Syaiful Bakhri, dkk. ISSN 0216 - 3128 ₂₇₉

Output network dihitung dengan perambatan

maju dari lapisan input ke lapisan output, dari la-pisan I

=

I ke1= L. Kemudian kesalahan Ep dihitung merambat mundur dari lapisan output ke lapisan input. Pada proses ini gradient Gp dihitung meng-gunakan persamaan (6) dari lapisan

1=

1ke

I =

I.

pola), dimana tiap bobot di-update setiap sebuah pola ditampitkan, dan batch mode (of-line dan

per-epoch) dimana perubahan derivatif/bobot untuk tiap pola dalam training set dihitung kemudian menghitung total perubahan dengan menjumlahkan perubahan masing-masing individu.

8E --/f;;- = -15' 1-1 aw .. I,pYjp I} •

(6)

_{TAT A KERJA}

(9) Jika fungsi aktivasi adalah logistik sigmoid, maka fungsi turunan menjadi sederhana

Pembelajaran dilakukan berulang sampai kriteria pemberhentian tercapai. Untuk menghindari korelasi antara pasangan-pasangan data pembelajaran yang berurutan, maka urutan pola peJatihan dibuat acak untuk tiap epoch-nya. Dua tipe pelatihan yang diterapkan yaitu mode sekuensial (stokastik dan per-Proses ini berulang untuk epoch berikutnya sampai diperoleh nilai kesalahan minimal.

Untuk mempercepat proses pembelajaran dan menghindari algoritma terjebak pada local minima (nilai minimum yang palsu), persamaan (5) dimodifikasi menjadi persamaan (9) dimana sebuah parameter momentum a (bemitai 0 - I) ditambahkan untuk mempercepat proses pembelajaran.

Penelitian ini menggunakan perangkat sistim spektroskopi sinar gamma dengan detektor HPGe dan perangkat pengolahan pulsa mulai dari pre-amp,

amplifier dan MCA. Prototipe sistem ini untuk selanjutnya bisa dikembangkan dan disesuaikan mengikuti tingkat kebutuhan, unjuk kerja dan mobi-litas. Gambar 3 menunjukkan prototipe skematik susunan perangkat sistim spektroskopi sinar gamma yang digunakan dan perangkat lunak JST yang dibuat. Hasil spektroskopi yang diperoleh digunakan sebagai data untuk pelatihan, pengujian dan verifikasi. Isotop hasil spektroskopi yang digunakan dalam penelitian ini adalah Am-24 I , 8a-I33, Co-60, Co-57 dan Cs-137.

Langkah pertama adalah mendesain JST dengan topologi MLP menggunakan berbagai kon-figurasi neuron dan layer seperti terlihat pad a Gambar 4. Langkah kedua adalah melatih JST dengan teknik pelatihan backpropagation terhadap isotop Am-241, 8a-133, Co-60, Co-57 dan Cs-137 dan kombinasi beberapa unsur sekaligus sebanyak 13 data. Pada penelitian ini dilakukan pelatihan awal dengan memanfaatkan sumber-sumber standar tertentu dan sudah tersedia di RSG-GAS. Data yang digunakan memanfaatkan 2048 kanal penguatan konversi MCA. Data dari tiap-tiap isotop meng-gambarka'l karakteristik hasit pengukuran masing-masing puncak. Data dari semua kanal dimasukkan dalam input JST dan keluaran neuron yang diha-sitkan sesuai jumlah isotop yang ditatihkan dalam penelitian ini yaitu 5 buah.

(7)

(8)

m<L

.f'(a) = y(I- y)

dimana nitai t5diberikan oleh persamaan 7.

HPGe

High Volt

Pwr. Supply

2048 kana I

Amp lifi er

Model 2024

Detektor

NT- 4551

Gambar 3. Sistim spektroskopi sinar gamma dengan jaringan sarar tiruan.

Pustek Akselerator dan Proses Bahan· BATAN Yogyakarta, 10 Juli 2006

(5)

280

-

ISSN 0216 - 3128 Kana11 Kana! 2 Kana! 3 Kana! 4

o

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 menggunakan perangkat lunak TRAJAN. Program ini dapat membuat dan melatih JST pad a berbagai topologi, sekaligus menyimpan hasilnya dan kemudian dapat dipanggil oleh program lain dengan WinAPI

(Windows Aplication Program Interface).

Langkah kedua adalah memverifikasi kemampuan JST dengan data yang dilatihkan dan kemudian menguji JST dengan data kombinasi beberapa isotop pelatihan. Dengan fasilitas WinAPI selanjutnya dibuat program dengan LabVIEW sebagai antar-muka bagi pengguna.

PEMBAHASAN

Unjuk kerja sebuah JST sangat tergantung sejauh mana topologi yang dipilih, konfigurasi

neuron dan jumlah layer-layer penyusunnya. Selain itu kemampuan JST sangat tergantung bagaimana pelatihan diberikan dan seberapa sering JST dilatih dan dihadapkan pad a kasus-kasus tertentu. Pada penelitian ini JST dilatih untuk mengenali isotop radioaktif Am-24 I , 8a-133, Co-60, Co-57 dan

Cs-137 berikut kombinasi kemungkinan terjadinya. Seperti telah dijelaskan pada bagian sebelum-nya penelitian ini menggunakan topologi MLP dengan 2048 input, satu layer tersembunyi dan satu layer ouput dengan 5 jenis data identifikasi. Untuk mencari topologi terbaik yang dapat diterapkan rnaka dilakukan variasi jurnlah neuron dengan satu layer tersembunyi, dan menghitung unjuk kerja masing-masing JST. 1.2 1

~

_,gj .1:;' 0.8

~

0.6 .S' ::J 0.4 0.20 0 500 1000

Jmnlah neuron

1500 2000

Gambar 5. Grafik variasi neuron satu layer tersembunyi vs unjuk k~rja

JST.

Prosidlng PPI·· PDIPTN 2006

(6)

Syaiful Bakhri, dkk. ISSN 0216-3128

28/

Gambar 5 menunjukkan bahwa jumlah

neu-ron pada layer tersembunyi sangat mempeng-aruhi unjuk kerja sebuah JST. Oi bawah 700 neuron JST mempunyai peluang yang lebih besar untuk mengklasifikasi proporsi kasus-kasus dengan benar. Oi atas 700 neuron terlihat tidak adanya perbedaan signifikan dalam kemampuan mengklasifikasi sumber-sumber radioaktivitas dengan benar. Untuk memastikan kemampuan masing-masing topologi maka dilakukan perhitungan ralat terhadap masing-masing kasus berdasar konfigurasi jumlah neuron tersebut.

Pengujian unjuk kerja menunjukkan bahwa kemampuan unjuk kerja terbaik untuk dianalisis hanyalah pada JST dengan kombinasi tidak lebih dari 700 neuron, karena itu pada pengujian ralat

RMS JST terhadap masing-masing sampel hanya dilakukan pada 9 kombinasi seperti terlihat pada Gambar 6. Pada Gambar 6 terlihat bahwa ralat RMS masing-masing kasus,. dengan fungsi ralat sum-square pada masing-masing individunya men un-jukkan ralat terkecil pad a jumlah neuron 300 dan 400 sampeI. Layer tersembunyi dengan 400 neuron llJemberikan ralat terkecil pad a 9 sampel, tetapi ralat terbesar justru terjadi pada sampel ke 12. Berbeda dengan jumlah 300 neuron yang memberikan ralat yang sedikit lebih besar, rata-rata 2.7 %, tetapi tidak menunjukkan ralat yang sangat besar yang bisa mengganggu kemampuan JST secara keseluruhan. Untuk memastikan apakah tingkat akurasi JST dengan topologi ini dapat ditingkatkan maka di-lakukan pengamatan terhadap grafik ralat pelatihan terhadap epoch selama proses pelatihan.

0.7 0.6 __ 1200 -- 700 •.• 0.5 -t>- 600 ~ 0.4 --400 __ 300 0.3 -- 200

02~

'"

'~Er

0: ~.

2

d

,j' \.

=~:

3 45 6 789 10121113 Nomor Sampet

Garnbar 6. Grafik kode nornor sarnpel rnasing-rnasing kasus terhadap ralat RMS JST.

0.7 0.6 0.5

~:::r\

-- Vcnfikasl 11 __ Pcl~tihan. 0.2 0.1 20 40 60 80 100 120 140 160 ~h

Garnbar 7. Grafik jurnlah epoch terhadap ralat pelatihan dan verifikasi JST dengan 300 neuron layer tersernbunyi.

Prosiding PPI - PDlPTN 2006

Pustek Akselerator dan Proses Bahan - BATAN Yogyakarta, 10 Juli 2006

(7)

282 ISSN 0216 - 3128

~-~

Syoiful Rnkflri, dkk.

Grafik ralatRMS pelatihan menggambarkan perubahan ralat melandai sampai sekitar 70 epoch dan turun drastis sete]ahnya. Grafik ini men un-jukkan bahwa ralat terkeci] yang dicapai tidak memberikan banyak pengaruh lebih dari 80 epoch. Hal ini juga berarti 1ST sudah layak digunakan setelah dilatih lebih kurang 80 epoch. Selanjutnya pengujian dilakukan terhadap data sejenis. Data hasil klasifikasi sistem ditunjukkan pada Tabel 1. Tabel ini menjelaskan target aktual yang harus dideteksi dan klasifikasi MLP serta ra]at yang hasilkan.

Tabel 1 menunjukkan bahwa 1ST dapat mengenali semua radioisotop dan kombinasi yang dibcrikan. Ralat RMS pengujian yang dihasilkan adalah 1.515 %, yang berarti rata-rata tingkat keberhasi]an 1ST mengenali radioisotop sangat baik. JST yang telah diuji selanjutnya diimplemen-tasikan dalam perangkat lunak pengenalan radio-isotop menggunakan Labview. Perangkat lunak yang dibuat seperti terlihat pada Gambar 8.

Tabel I. Klasifikasi spcktrum aktual dari masing-masing sampcl. Am241Co57

Ba 133Co60Cs137Ralat Sam pel I. Am-241Aktual

1 0000 MLP 0.9917330.0090310.016960.023970.01532 Ralat -0.008270.0090310.016960.023970.015320.01579 Sam pel 2. Campuran Am-241 dan Ba-133Aktual

1 01 0 0 MLP 0.9696876.38E-050.980070.027010.01195 Ralat -0.03031-0.019936.38E-050.027010.020920.0] 195 Sam pel 3. Campuran Am-241 dan Co-60Aktual

1 0010 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

1 01 0 1 MLP 0.9900770.9693410.00?820.025950.998833 Ralat -0.00992-0.030660.003820.02595-0.001170.018589 Sam pel 5. Campuran Ba-133, Co-60 dan Cs-137Aktual

0 0111 MLP 0.0007280.9781460.9810310.019930.996556 Ralat 0.000728-0.02185-0.018970.01993-0.003450.01579 . Sam pel 6. Campuran Am-241, Ba~133, Co-60 dan Cs-137

-Aktual 0111 1

MLP

0.9754550.9895440.9751620.00290.999927

1---

Ra]at -0.02455-0.01046-0.02484-7.27E-050.00290.01635

Sampe17. Campuran Ba-133 dan Cs-137Aktual

0 01 0 1

1---MLP 0.013760.9839160.01060.010520.989318 Ralat 0.01376-0.016080.00.0106-0.010680.01253

I

052

(8)

Syaiful Bakhri, dkk. Lanjutan Tabell ISSN 0216 - 3128 283 Sampel 8. 8a-133 Aktual . 0 0

I

0 0 MLP 0.033620.0051530.9857930.0002270.01149 Ralat 0.033620.0051530.000227-0.014210.017260.01149 Sampel 9. Co-57_Aktual

0

I

00 0 MLP 0.0037870.0055380.9878380.017180.013032 Ralat 0.0037870.005538-0.012160.017180.0130320.01147 Sam pel 10. Campuran Am-241, Co-57 dan Cs-137Aktual

I

1 00 1 MLP 0.9748580.0027170.9769660.016640.984443 Ralat -0.025140.002717-0.023030.01664-0.015560.01838 Sampeili. Campuran Co-57 dan 8a-133_Aktual

0 1 1 0 0 MLP 0.0003980.9731320.9996850.0001120.001708 Ralat 0.0003980.000112-0.00032-0.026870.0017080.01204 Sam pel 12. Campuran Co-57. Co-60 dan Cs-137Aktual

0 1 0

I

I MLP 0.0158 0.9775470.9990540.018830.988517 Ralat 0.0158 -0.02245-0.000950.01883-0.011480.01575 Sampel 13. Co-60Aktual

0 0010 MLP 0.0021850.9874810.017031.30E-050.0 I 508 Ralat 0.002 185-0.012520.017031.30E-050.011650.01508

Gambar 8. Perangkat lunak analisis radiasi berbasis JST.

(9)

284 ISSN 0216 - 3128 _{Syaiful Bakhri, dkk.} Perangkat lunak ini mengenali secara

otomatis jenis radioisotop yang terdeteksi dengan baik seperti terlihat pada Gambar 8. Perangkat lunak ini dilengkapi indikator yang akan menyala sesuai jenis radiasi yang dideteksi dan dianalisa. Dengan perangkat ini setiap operator dapat mengenali dengan baik jenis radioisotop dengan cepat. Sebagai sistem pemantauan, perangkat lunak ini akan menunjang analisis dan penentuan kandungan radioisotop dengan baik. Namun demikian sistem ini masih perlu pengembangan lebih lanjut, baik itu menyangkut kemampuan pengenalannya yaitu dengan melatihnya terhadap jenis-jenis radioaktif lainnya maupun dukungan terhadap perangkat kerasnya. Agar dapat diimplementasikan dengan baik JST harus dilatih terhadap pergeseran penguatan yang diakibatkan oleh amplifier. Selain itu basis data JST yang terlatih harus juga ditambah untuk berbagai jenis level penguatan amplifier dan lebih lanjut dapat dilatih untuk mengkuantifikasi levellepasan yang terjadi dan tingkat bahayanya.

KESIMPULAN

Penelitian ini menunjukkan kemampuan jaringan saraf tiruan dapat digunakan sebagai perangkat klasifikasi pola yang baik terutama dalam implementasinya sebagai sistem analisis lepasan partikel radioaktif di RSG-GAS. Jaringan saraf tiruan dengan topologi MLP dan pelatihan back-propagation dapat mengenali semua pola sumber radioaktif Cs-137, Sa-133, Co-57, Cs-137, Co-60 dengan tepat setelah melalui pelatihan, pemilihan dan pengujian beberapa variasi jaringan. Sistem ini berfungsi dengan baik dengan dukungan perangkat keras spektroskopi gamma dan perangkat lunak Labview.

SARAN

Serkaitan dengan perangkat keras, perlu dipikirkan sistem yang lebih ringan dan murah, misalkan dengan memanfaatkan detektor NalTI dan perangkat pencacah yang lebih portabel yang di-dukung perangkat lunak National Instrument Labview.

DAFTARPUSTAKA

I. KURNIANTO, KRISTEDJO, Sitem Monitoring

Reaktor Untuk Validasi Sensor Menggunakan Autoassociative Neural Network, Proseding Seminar 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 for Waste . Handling, Environmental Molecular Sciences 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 via Neural Networks, Environmental Molecular Sciences Laboratory, Pacific Northwest Labora-tory, 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. POP Research Group, Parallel Distributed Process-ing " Explorations in the Microstructure of Cognition. Computational Models of Cognition and Perception, 1986, Cambridge, Mass.: M IT Press. 2 v.

Proslding PPI ··PDIPTN 2006