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