Spektrometer adalah alat untuk mengukur spektrum cahaya. Spektrometer, spektrograf atau Spektroskop
Diagram skema dari alat spektrometer
Dalam astronomi dan beberapa cabang ilmu fisika dan kimia, spektrometer adalah alat optik untuk menghasilkan garis spektrum cahaya dan mengukur panjang gelombang serta
intensitasnya.
Artikel bertopik fisika ini adalah sebuah rintisan. Anda dapat membantu Wikipedia dengan mengembangkannya.
PENGEMBANGAN SPEKTROMETER SINARGAMMA DENGAN SISTEM IDENTIFIKASI ISOTOP RADIOAKTIF MENGGUNAKAN METODE
JARINGAN SYARAF TIRUAN M. Syamsa Ardisasmita ABSTRAK
PENGEMBANGAN SPEKTROMETER SINARGAMMA DENGAN SISTEM
IDENTIFIKASI ISOTOP RADIOAKTIF MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN. Metode jaringan syaraf tiruan telah ditambahkan ke spektrometer sinargamma berbasis
komputer personal untuk mengidentifikasi isotop radioaktif secara otomatis dalam waktu nyata dari
spektra sinargamma 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 puncakpuncak energi foton gamma individual seperti pada
metode klasik. Sistem ini dapat menyelesaikan masalah pengidentifikasian pada spektrometer sinargamma
resolusi rendah dengan hasil yang sangat baik seperti pada detektor sintilasi NaITl. Sistem ini
telah diuji menggunakan data eksperimen dari detektor NaITl dengan hasil yang baik dan pendekatan
jaringan syaraf sangat membantu dalam situasi yang membutuhkan jawaban sistem yang cepat.
Kata Kunci Spektroskopi gamma, jaringan syaraf, identifikasi isotop ABSTRACT
THE DEVELOPMENT OF GAMMARAY SPECTROMETER WITH RADIOACTIVE ISOTOPE IDENTIFICATION SYSTEM USING ARTIFICIAL NEURAL NETWORKS METHODS. An artificial neural networks methods have been added to a PC based gammaray
spectrometer to automatically identify radioactive isotopes in realtime from their gammaray 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 photopeaks. This system is useful to solve a problem of identification with a
good result from lower resolution gammaray spectrometers, like NaITl detectors. This system has been
successfully tested with experimental data from NaITl detectors and the neural network approach is
useful in situations that require fast response.
Key words gamma spectroscopy, neural networks, isotope identification. Pusat Pengembangan Teknologi Informasi dan Komputasi BATAN PEDAHULUAN
Dewasa ini dalam pemantauan lingkungan dibutuhkan peralatan untuk
radioaktif pencemar tersebut ke lingkungan. Spektrometer sinar gamma dapat digunakan untuk menganalisis sumber radioaktif yang kemudian dapat digunakan untuk mengidentifikasi unsur atau isotopisotop radioaktif yang ada di dalamnya. Biasanya untuk mengidentifikasi isotop radioaktif, spektrometer gamma dilengkapi dengan suatu perangkat lunak untuk kalibrasi dan mencocokkan puncakpuncak energi foton photopeak dengan suatu pustaka data nuklir. Untuk memahami puncakpuncak energi spektrum maka dibutuhkan pengetahuan tentang interaksi radiasi sinar gamma dengan materi. Tetapi dengan berkembangnya metode jaringan syaraf tiruan sebagai bagian dari ilmu kecerdasan buatan, maka kita dapat menciptakan peralatan cerdas yang dapat melakukan identifikasi isotop radioaktif secara otomatis yaitu dengan mencocokan polapola spektral secara menyeluruh dari setiap sumber radioaktif dan juga campurannya, tidak hanya dengan memeriksa puncakpuncak energi foton seperti yang dilakukan selama ini.
Untuk memeriksa radiasi gamma dibutuhkan alat yang disebut spektrometer yang terdiri dari detektor radiasi gamma, rangkaian elektronika penunjang, dan alat yang disebut multichannel pulseheight analyzer MCA. Rangkaian elektronika, catu
daya tegangan tinggi dan rangkaian MCA kini telah dibuat secara terintegrasi dan onboard pada slot komputer PC. Dengan perangkat lunak khusus, komputer PC dapat
berfungsi sebagai MCA dengan kemampuan pengolahan dan analisis yang lebih baik. Karena berbasis komputer maka dapat direalisasikan sistem cerdas yaitu menerapkan berbagai metode matematika dan kecerdasan buatan untuk memperkaya kemampuan peralatan. Banyak isotop radioaktif dapat diidentifikasi dengan memeriksa
karakteristik sinar gamma dan spektral hasil interaksi sinargamma dengan materi yang memberikan pola yang unik.
Jaringan syaraf tiruan artificial neural networks ANN merupakan sistem
pengolah informasi yang sifatsifat dasarnya menyerupai jaringan syaraf biologi. Ciri dari jaringan syaraf adalah kemampuan untuk belajar learning process yaitu
memodifikasi tingkah laku sesuai dengan umpan balik dari lingkungannya. Sebuah jaringan syaraf dilatih dengan memasukkan vektor masukan secara berurutan sehingga diperoleh serangkaian keluaran tertentu yang konsisten dengan mengatur pembobotan jaringan sesuai dengan prosedur yang telah ditetapkan. Kemampuan untuk
membedakan informasi dengan derau dan distorsi, atau merekonstruksi informasi yang tidak lengkap agar mampu menangkap pola yang sebenarnya, merupakan hal yang
sangat penting dalam pengenalan dan identifikasi pola spektral. Pola spektral oleh jaringan syaraf tiruan diklasifikasi berdasarkan keserupaan dengan perhitungan derajat keserupaan. Klasifikasi pola spektral dan kategorisasi keanggotaan kelas merupakan salah satu atribut dalam pengenalan pola menggunakan jaringan syaraf tiruan yang dapat dilakukan dengan metode pembelajaran secara statistik atau deterministik. SPEKTRUM SINARGAMMA
Sinar gamma adalah radiasi gelombang elektromagnetik dengan panjang
gelombang yang sangat pendek dalam orde Angstrom yang dipancarkan oleh inti atom yang tidak stabil yang bersifat radioaktif. Setelah inti atom memancarkan partikel o, elektron, positron, atau setelah peristiwa tangkapan elektron, inti
yang masih dalam keadaan tereksitasi tersebut akan turun ke keadaan dasarnya dengan memancarkan radiasi gamma. Sebagai contoh, peluruhan unsur Cs menjadi Ba
melalui peluruhan yang diikuti pemancaran radiasi . Cs Ba
Skema peluruhan Cs dapat dilihat pada gambar . Gambar . Skema peluruhan Cs
Detektor yang umum digunakan dalam spektroskopi gamma adalah detektor sintilasi NaI Tl. Detektor ini terbuat dari bahan yang dapat memancarkan kilatan
cahaya apabila berinteraksi dengan sinar gamma. Efisiensi detektor bertambah dengan meningkatnya volume kristal sedangkan resolusi energi tergantung pada kondisi
pembuatan pada waktu pengembangan kristal. Sinar gamma yang masuk ke dalam detektor berinteraksi dengan atomatom bahan sintilator menurut efek fotolistrik, hamburan Compton dan pasangan produksi, yang akan menghasilkan kilatan cahaya dalam sintilator. Keluaran cahaya yang dihasilkan oleh kristal sintilasi sebanding dengan energi sinar gamma. Kilatan cahaya oleh pipa cahaya dan pembelok cahaya ditransmisikan ke fotokatoda dari photomultiplier tube PMT kemudian digandakan sebanyakbanyaknya oleh bagian pengganda elektron pada PMT. Arus elektron yang dihasilkan membentuk pulsa tegangan pada input penguat awal preamplifier . Pulsa ini setelah melewati alat pemisah dan pembentuk pulsa dihitung dan dianalisis oleh Mulichannel Analyzer MCA dengan tinggi pulsa sebanding dengan energi gamma. Cs
Ba m , keV ,
Ba
Stable
Gambar . Skema bagan spektrometer sinar gamma.
Jika energi radiasi yang dipancarkan oleh unsur radioaktif Cs diserap
seluruhnya oleh elektronelektron pada kristal detektor NaITl maka interaksi ini disebut efek fotolistrik yang menghasilkan puncak energi photopeak pada spektrum gamma gambar pada daerah energi , 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.
Gambar . Spektrum gamma dari Cs
Titik batas antara interaksi Compton dan foto listrik menghasilkan puncak
energi yang disebut Compton edge. Puncak Backscatter disebabkan oleh foton yang telah dihamburkan keluar ternyata didefleksi balik kedalam detektor sehingga
terdeteksi ula ng. Sebagian besar energi foton Cs , dipancarkan dengan
energi , keV, tetapi ada juga foton yang dipancarkan dengan energi masingmasing , keV ,, , keV ,, , keV , dan , keV
,. Energi foton sebesar , keV terlampau kecil untuk terdeteksi oleh detektor NaITl. Tiga energi berikutnya , , , dan , keV terlalu dekat untuk
Nuclear Radiation Scintilator Photocathode Light reflector
Light pipe Preamplifier Discriminator and pulse shaper High voltage Photomultiplier Tube MCA
dapat dipisahkan oleh detektor NaITl sehingga muncul sebagai multiplet dengan energi ratarata , keV. Demikian contoh karakteristik spektra dari isotop Cs,
setiap isotop mempunyai karakteristik pola spektral yang berbedabeda yang dapat digunakan untuk mengidentifikasi isotopisotop tersebut.
JARINGAN SYARAF TIRUAN
Jaringan syaraf tiruan merupakan sistem terdiri dari neuronneuron yang saling berhubungan yang menyerupai jaringan syaraf biologis. Karakteristik dari jaringan syaraf dapat dibedakan berdasarkan Arsitektur keterhubungan antara neuron dalam jaringan Metodologi pembelajaran dengan mengubahubah nilai
pembobotan antara neuron 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.
Gambar . Mekanisme pemrosesan neuron tunggal
Prinsip kerja neuron adalah menerima masukkan dari beberapa neuron yang berada didepannya. Nilai sinyal masukkan akan dikalikan dengan bobot
keterhubungan antara neuron dan kemudian dijumlahkan untuk memberikan nilai total masukkan. Fungsi aktivasi atau fungsi transfer menghubungkan nilai total masukan untuk menghasilkan keluaran. Apabila nilai total masukkan mencapai nilai tertentu maka neuron tersebut akan mengirim sinyal keluaran gambar . Pembelajaran dilakukan dengan memberikan sekumpulan vektor pola masukan beserta pasangan
vektor keluarannya yang telah ditentukan kategorinya yang disebut sebagai vektor target keluaran. Untuk dapat menghasilkan derajat kesesuaian atau hubungan antara vektor masukan dengan vektor target keluarannya maka dilakukan pembelajaran yaitu dengan mengubahubah nilai bobot keterhubungan antara neuron sampai dihasilkan kesalahan yang minimal. Ini dinamakan sebagai pembelajaran dengan pengarahan yaitu jaringan belajar dari contohcontoh kasus learning by example dan mengadapsi dirinya untuk memperoleh solusi. Pembobotan sinaptik atau kekuatan koneksi antara neuron dipergunakan untuk menyimpan pengetahuan seperti pada neuron biologis. Gambar . Jaringan syaraf tiruan untuk mengidentifikasi isotop radioaktif
Sampel radioaktif tidak dikenal yang akan diidentifikasi biasanya merupakan campuran dari sejumlah isotop radioaktif. Spektra dari sampel tersebut merupakan superposisi linier dari spektra setiap isotop secara individual. Setiap kanal dari spektra sampel diumpankan kedalam jaringan syaraf untuk dicocokkan dengan datadata acuan yang merupakan spektra dari setiap unsur radioaktif yang sudah dikenalkan pada proses pembelajaran. Jaringan syaraf kemudian akan mengidentifikasi komposisi dari sampel tersebut. Jaringan syaraf tiruan yang dibutuhkan untuk identifikasi adalah yang memiliki kemampuan tanggap linier seperti Perceptron dan Optimum Linier Associative Memory OLAM.
Perceptron
Perseptron, yang diperkenalkan oleh Rosenblatt adalah sistem jaringan
syaraf sederhana dengan arsitektur lapisan tunggal dan feedforward network yang banyak digunakan untuk mensimulasikan proses pengenalan pola yang polapolanya terpisah secara linier. Konsep utama pengenalan pola adalah diskriminan yaitu sebuah fungsi atau operator untuk pengukuran keanggotaan kelas atau nilai atribut.
Diskriminan linier dapat digambarkan secara skematik dimana nilai ciri pola
merupakan masukan ke suatu kotak hitam diskriminan. Dalam pendekatan matematis, pola digambarkan dalam bentuk vektor X dan pemecahan untuk diskriminan linear
adalah mencari vektor kolom koefisien pembobotan W sedemikian sehingga elemenelemen keluarannya merupakan nilai yang ditetapkan dalam pembelajaran.
Pemecahannya dilakukan dengan memperbaharui secara iteratif koefisien vektor penimbang sehingga selisih antara keluaran yang diinginkan dan keluaran yang sebenarnya menjadi minimal. Dalam kasus umum biasanya diskriminan tidak linear sehingga pemecahannya akan lebih rumit yaitu menggunakan penyelesaian persamaan
nonlinear. Tahaptahap aturan pembelajaran Perceptron dilakukan dengan algoritma dibawah ini
Tahap . Inisialisasi nilainilai pembobotan dengan bilangan acak.
Tahap . Perkenalkan pasanganpasangan dari pola spektra masukan dan jenis isotop keluaran ke jaringan syaraf.
Tahap . Jalarkan data maju dan bangkitkan klasifikasi keluaran
Tahap . Hitung kesalahan kuadrat ratarata antara klasifikasi target dengan klasifikasi aktual.
Tahap . Adaptasikan bobotbobot sinaptik dengan menggunakan aturan delta untuk mengurangi kesalahan keluaran. AW qtp ypxp q adalah kadar pembelajaran. Tahap . Apabila masih ada spektra pada himpunan pembelajaran maka kembali ke tahap .
Tahap . Jika kesalahan keluaran masih besar atau belum mencapai jumlah iterasi maksimum maka kembali ke tahap .
Optimal Linier Associative Memory OLAM
SelfOrganization and Associative Memory dikembangkan oleh Teuvo Kohonen dari Universitas Helsinki pada tahun . Jaringan ini dapat mendeteksi keteraturan dan korelasi dari masukanmasukannya dan belajar mengenal kelompokkelompok masukan yang serupa. Pendekatan Optimal Linier Associative Memory didasarkan pada model memori untuk merepresentasikan suatu matriks. Misalkan sebagai contoh kita ambil beberapa nada akan mengingatkan kita pada sebuah lagu. Kemampuan seperti itu bagi psikolog sering disebut dengan Associative Memory. Aturan
pembelajarannya menggunakan ortogonalisasi matriks, dengan proses pembelajaran sebagai berikut
Tahap . Dari matriksmatriks spektral x, x, , xp dan konsentrasi isotop
t, t, , tp, susun matriks kolom X dengan dimensi np dan mstriks kolom target T dengan dimensi mp.
Tahap . Buat inverse dari matriks spektral X. Karena umumnya X bukan matriks persegi empat maka gunakan teknik pseudoinverse untuk membangkitkan X. Tahap . Hitung matriks bobot sinaptik untuk memperoleh keserupaan maksimum W TX.
HASIL DAN PEMBAHASAN
daerah energi , MeV dengan efisiensi cukup tinggi dan resolusi
energi menengah . Sebagai spektrometer digunakan rangkaian terpadu berbasis komputer personal yaitu kartu yang terdiri dari high voltage HV power supply, charge sensitive preamplifier, shaping amplifier, MHz analog digital converter ADC tipe Willkinson dan multichannel analyzer MCA. Spektrometer menghasilkan data dengan resolusi sebesar kanal yang seluruhnya diumpankan sebagai masukan bagi ANN. Satu masukkan untuk setiap kanal, artinya seluruh spektrum digunakan dalam proses identifikasi. Jumlah neuron dalam lapisan keluaran tergantung dari jumlah isotop yang akan diidentifikasi gambar . Dalam percobaan ini ada tiga isotop yang digunakan untuk data pelatihan yaitu Cs, Co dan Co. Gambar . Prototip sistem identifikasi isotop secara otomatis
Setiap isotop pada spektrometer akan menghasilkan spektrum yang berbedabeda sesuai dengan karakteristik isotop tersebut. Proses pembelajaran dilakukan
dengan memperkenalkan satu demi satu isotop murni sehingga terbentuk suatu basis data spektra pada sistem yaitu spektra Cs, Co dan Co. Tujuan dari pelatihan ini adalah agar diperoleh hubungan antara suatu spektra campuran dengan tandatanda pola dari suatu spektra acuan. Pada Perceptron karena proses pembelajaran dilakukan secara iteratif dengan ribuan kali pengulangan maka membutuhkan waktu cukup lama. Dengan menggunakan komputer Pentium III MHz dibutuhkan waktu dalam orde
puluhan menit. Sedangkan pembelajaran pada OLAM karena bukan merupakan proses iteratif maka dengan komputer Pentium yang sama hanya membutuhkan waktu sekitar millidetik. Seluruh data hasil pembelajaran kemudian disimpan pada memori
lokal komputer untuk digunakan sebagai alat untuk mengidentifikasi dan mencocokkan.
Gambar . Hasil identifikasi spektrum campuran Cs dan Co
Pelayanan operasi dilapangan dilakukan dengan memperkenalkan suatu sumber radiasi yang tidak dikenal kedalam sistem. Dalam percobaan ini digunakan dua sumber campuran yaitu Cs dan Co untuk diidentifikasi. Pada percobaan ini Perceptron dapat mendeteksi radiasi gamma tetapi dengan ketelitian
pengidentifikasian yang kurang akurat karena ada jumlah penyisipan yang cukup besar sekitar yaitu isotop Co yang salah teridentifikasi gambar a. Sedangkan
OLAM dapat mengidentifikasi kedua isotop tersebut secara akurat tanpa adanya penyisipan gambar b. Derau latar belakang yang cukup besar atau pengaruh
lingkungan dapat mengurangi tingkat ketelitian Perceptron dari sampai . Untuk memperbaikinya dibutuhkan penambahan jumlah data pelatihan agar dapat mengkompensasi pola dari derau latar belakang tetapi mengakibatkan juga waktu komputasi untuk pembelajaran yang lebih lama.
KESIMPULAN
Jaringan syaraf tiruan dapat dilatih untuk mengidentifikasi isotopisotop secara
otomatis tanpa membutuhkan keterlibatan seorang ahli selama pengoperasiannya dan dalam waktu yang relatif cepat. Keunggulan penggunaan jaringan syaraf terutama pada aplikasiaplikasi spekroskopi dengan resolusi rendah dimana pencocokan
dilakukan pada keseluruhan spektrum tidak hanya pada puncakpuncak energinya saja sehingga dapat memberikan hasilhasil pemeriksaan kualitatif yang baik dalam
mengidentifikasi komposisi isotop dari cuplikan.
OLAM lebih baik dari pada Perceptron untuk keandalan klasifikasi, karena
dengan proses ortogonalisasi selama pelatihan, kesalahan OLAM selalu lebih kecil dari Perceptron. Kekurangan OLAM adalah harus diberikan spektra ideal dalam proses pelatihannya, walaupun waktu yang dibutuhkan OLAM untuk pelatihan jauh lebih cepat dibandingkan waktu pelatihan untuk Perceptron yang bersifat iteratif. DAFTAR PUSTAKA
. 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, August
. ALAM, STANTON S.L., HEBNER G.A., NearInfrared Spectroscopy and Neural Networks for Resin Identification, Spectroscopy, February
. LERNER J.M., LU T, Practical Neural Networks Aid Spectroscopic Analysis, Photonic Spectra, August
. OLMOS P., DIAZ J.C., PEREZ J.M., GARCIABELMONTE P., GOMEZ P., RODELLAR V., Application of neural network techniques in gamma
spectroscopy, Nuclear Instruments and Methods in Physics Research, A
. OLMOS P., DIAZ J.C., PEREZ J.M., GOMEZ P, RODELLAR V. , AGUAYO P., BRU A., GARCIABELMONTE G, and PABLOS J.L, A New Approach to Automatic Radiation Spectrum Analysis, IEEE Transactions on Nuclear Science, August
. YTHOFF B.J., LEVINE S.P., TOMELLINI S.A. , Spectral Peak Verification and Recognition Using a Multilayered Neural Network, Analytical Chemistry,
. KOHONEN T., Self Organization and Associative Memory, third ed., New York SpringerVerlag,
DISKUSI
ENDANG ROSADI
Apakah dalam sistem ini diperlukan database radionuklida atau sistem lookup table. M. SYAMSA ARDISASMITA
Database energi radionuklida sebagai acuan kalibrasi lookup table diperlukan pada metode klasik yang menggunakan puncakpuncak 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 puncakpuncak energinya saja, sehingga metode ini dapat melakukan identifikasi dengan baik pada spektrometer gamma dengan resolusi rendah sekalipun. ALHADI
. Adakah syarat minimal untuk data pelatihan sehingga hasilk training tersebut bisa dianggap valid.
. Bolehkah data training tersebut digunakan untuk data target hasil pelatihan tersebut digunakan untuk menambah data target yang dianggap idel.
M. SYAMSA ARDISASMITA
. Jika kita menggunakan data spektral ideal maka satu spektral sudah cukup untuk merepresentasikan suatu isotop radioaktif. Karena tidak ada data yang ideal dialam 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.
. Data pembelajaran dapat saja digunakan sebagai data target dan tentu saja karena data tersebut merupakan salah satu data acuan yaitu spektra dari isotopisotop tunggal yang sejenis maka hasilnyapun akan mendekati kebenaran. Hasil pelatihan bukannya data spektra baru tetapi nilainilai bobot dan nilai bias yang membandingkan data spektra masukkan dan data spektra isotopisotop 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
Seperti sudah dijelaskan pembelajaran dilakukan dengan pengarahan yaitu dengan memberikan sekumpulan pola spektral masukan beserta pasangan isotop keluarannya untuk dapat menghasilkan hubungan dengan mengubahubah nilai bobot dan nilai bias sampai dihasilkan nilai batas kesalahan yang minimal atau kalau tidak tercapai nilai batas minimal sampai nilai iterasi maksimum yang dapat dilakukan.
DAFTAR RIWAYAT HIDUP
. Nama M. SYAMSA ARDISASMITA . Tempat/Tanggal Lahir Bandung, Oktober . Instansi PTIK BATAN
. Pekerjaan / Jabatan Kepala Pusat Pengembangan Teknologi Informasi dan Komputasi
. Riwayat Pendidikan setelah SMA sampai sekarang UI, Jurusan Fisika Instrumentasi Nuklir S
Univ. Montpellier II, Jurusan Pengolah Sinyal amp Telekom. S Univ. Montpellier III, Jurusan Pengolah Citra Digital S
. Pengalaman Kerja
Kepala Bidang Sistem Komputer, PPI BATAN Sekarang Kepala PTIK BATAN
Ahli Peneliti Madya Bidang Pengolahan Citra INIS Liaison Officer of Indonesia
. Organisasi Professional
Himpunan Masyarakat Nuklir Indonesia HIMNI Perhimpunan Ahli Teknik Indonesia PATI
Himpunan Masyarakat Instrumentasi Indonesia HMII Himpunan Fisikawan Indomesia HFI
Indonesian Society of Microscopy and Microanalysist The International Society of Optical Engineering SPIE The International Society of Stereology ISS
The Imaging Science and Technology Society IST
a. Spektroskopi UVVIS
Umumnya spektroskopi dengan sinar ultraviolet UV dan sinar tampak VIS dibahas bersama karena sering kedua pengukuran dilakukan pada waktu yang sama. Karena spektroskopi UVVIS berkaitan dengan proses berenergi tinggi yakni transisi elektron dalam molekul, informasi yang didapat cenderung untuk molekul keseluruhan bukan bagianbagian molekulnya. Metoda ini sangat sensitif dan dengan demikian sangat cocok untuk tujuan analisis. Lebih lanjut, spetroskopi UVVIS sangat kuantitatif dan jumlah sinar yang diserap oleh sampel diberikan oleh ungkapan hukum LambertBeer. Menurut hukum ini, absorbans larutan sampel sebanding dengan panjang lintasan cahaya d dan konsentrasi larutannya c. The LambertBeer law
log
I
/I cd .
koefisien ekstingsi molar, yang khas untuk zat terlarut pda kondisi pengukuran. I
dan I
adalah intensitas cahaya setelah melewati pelarut murni dan larutan. I/I
juga disebut dengan transmitans T/pgt
Contoh soal . Hukum LambertBeer
Suatu larutan dalam air senyawa X ditempatkan dalam sel berketabalan cm dan absorbansnya pada nm ditentukan pada berbagai konsentrasi. Nilai transmitans dituliskan dalam tabel berikut.
c mol dm T
, , , , , , ,
Tentukan koefisien ekstingsi molar X. Jawab c mol dm A , , , ,
,
,
,
,
Hubungan linear didapatkan bila A diplotkan terhadap c, yang menunjukkan hukum Lambert Beer dipenuhi. Kemiringan plotnya sekitar , x
dm
mol
adi kemiringan/d dm
mol
Dengan mengukur transmitans larutan sampel, dimungkinkan untuk menentukan
konsentrasinya dengan menggunakan hukum LambertBeer. Karena spektroskopi UVVIS sangat sensitif dan spektrometernya dapat dibuat dengan ukuran yang sangat kecil, metoda ini
khususnya sangat bermanfaat untuk analisis lingkungan, dan khususnya cocok untuk pekerjaan di lapangan.
Hukum LambertBeer dipenuhi berapapun panjang gelombang sinar yang diserap sampel. Panjang gelombang sinar yang diserap oleh sampel bergantung pada struktur molekul sampelnya. Jadi spektrometri UVVIS dapat digunakan sebagai sarana penentuan struktur. Sejak , kimiawan SwissJerman Otto Nikolaus Witt mengusulkan teori
empiris warna zat yang ditentukan oleh panjang gelombang sinar yang diserap dan struktur bagianbagiannya. Menurut teori ini, semua senyawa berwarna memiliki beberapa gugus tak jenuh seperti yang diberikan di Gambar .. Gugus fungsi semacam ini disebut dengan
kromofor. Semua senyawa pewarna dan pigmen memiliki kromofor.
Terdapat beberapa faktor lain yang harus diperhatikan sehubungan dengan warna senyawa. Panjang konjugas linear adalah faktor yang penting. Misalnya, warna merah karoten
Gambar . berasal dari sistem terkonjugasi, dan warna ini cocok dengan hasil perhitungan kimia kuantum.
Terdapat beberapa gugus fungsi, seperti NR
, NHR, NH
, OH dan OCH
, yang memiliki
efek memekatkan warna kromofornya. Semua ini disebut auksokrom.
Gambar . Struktur karoten. Warna merah wortel dan tomat adalah akibat sistem terkonjugasi yang panjang ini.
Namun, tidak mungkin menyimpulkan struktur senyawa dari senyawa dari warnanya atau panjang gelombang sinar yang diserapnya.
b. Spektroskopi Infra merah IR
Dibandingkan dengan panjang gelombang sinar ultraviolet dan tampak, panjang gelombang infra merah lebih panjang dan dengan demikian energinya lebih rendah. Energi sinar
inframerah akan berkaitan dengan energi vibrasi molekul. Molekul akan dieksitasi sesuai dengan panjang gelombang yang diserapnya. Vibrasi ulur dan tekuk adalah cara vibrasi yang
dapat diekstitasi oleh sinar dengan bilangan gelombag jumlah gelombang per satuan panjang dalam rentang cm
.
Hampir semua gugus fungsi organik memiliki bilangan gelombang serapan khas di daerah yang tertentu. Jadi daerah ini disebut daerah gugus fungsi dan absorpsinya disebut absorpsi khas. Gambar . menunjukkan spektra IR tiga senyawa karbonil. Semua senyawa
memiliki serapan kuat di rentang cm
.
Bilangan gelombang vibrasi ulur karbonil agak berbeda untuk aldehida, keton dan asam karboksilat, yang menunjukkan bahwa analisis bilangan gelombang karakteristik dengan teliti dapat memberikan informasi bagian struktur molekulnya. Di Tabel . serapan khas
beberapa gugus ditabelkan. Serapan khas sungguh merupakan informasi yang kaya, tetapi anda harus ingat bahwa kekuatan absorpsi tidak memberikan informasi kuantitatif. Dalam hal ini, spektroskopi IR memang bersifat kualitatif, berbeda dengan spektrokopi UVVIS dan NMR.
Seperti jelas terlihat di Gambar ., di daerah di bawah cm
, terdapat beberapa puncak
yang berhubungan dengan overtone dan kombinasi tone beberapa serapan, selain frekuensi serapan ulur dan tekuk beberapa ikatan tunggal. Walaupun sukar untuk menandai setiap puncak, pola umumnya khas untuk senyawa tersebut seprti sidik jari orang. Jadi, daerah ini disebut dengan daerah sidik jari. Anda harus ingat bahwa kecocokan spektra IR dua senyawa
adalah bukti tak terbantahkan bahwa dua senyawa tersebut identik. Karena pembandingan dapat dilakukan dengan spektrum yang telah direkam, di sini tidak diperlukan sampel standar
seperti yang diperlukan dalam uji titik leleh campuran. Uji titik leleh campuran mulai jarang digunakan sejak berkembangnya spektroskopi IR.
Karena kayanya informasi dalam struktur senyawa organik, harus diakui
Gambar . Spektra IR tiga senyawa karbonil. a propanal CH
CHO b aseton CH COCH c asam propanoat CH CH COOH
Tabel . Serapan khas beberapa gugus.
bahwa spektra IR informasinya tak sekaya spektra NMR. Namun, spektroskopi IR tetap, akan
tetap merupakan satu dari teknik yang paling sering digunakan untuk mendapatkan informasi struktur berbagai tipe senyawa. Keuntungan spektroskopi IR dibanding NMR adalah
pengukurannya mudah dan sederhana, dan spektra IR tidak terlalu dipengaruhi oleh kondisi pengukuran.
Contoh soal . Spektrum IR
Di Gambar ., ditunjukkan spektra IR a propanal CH
CH
CHOb aseton CH
CO
dan c asam propanoat CH
CH
COOH. Tandai puncakpuncak yang ditandai dengan angka dan untuk setiap senyawa.
Jawab a CH ulur aldehida CO ulur b CH ulur CO ulur c OH ulur CO ulur.
Selingan Penentuan struktur tetrodotoksin, racun dari ikan puffer
Tahun adalah tahun yang tidak terlupakan dalam sejarah kimia organik Jepang.
Penentuan struktur tetrodotoksin, racun dari ikat puffer, adalah tema yang sangat menarik namun sukar pada waktu itu. Banyak kimiawan organik, termasuk Woodward, angkat tangan pada masalah ini. Di tahun itu, International Conference on Natural Products Chemistry diselenggarakan di Jepang, dan tiga periset Woodward, Yoshimasa Hirata
dan Kyosuke Tsuda , melaporkan struktur tetrodotoksin yang telah mereka tentukan. Ketiganya identik
Kesuksesan mereka mengindikasikan bahwa saintis Jepang sekaliber peraih Nobel. Woodward menggunakan kristalografi sinarX, dan Tsuda menggunakan data spektroskopi NMR.
Kata Pencarian Artikel ini
Wahyu Riyadi
Where we go depends on what we know, and what we know depends on where we go.. Tentang saya
Usaha Pulsa
