KARAKTERISTIK JARINGAN SYARAF TIRUAN UNTUK ANALISIS AKTIVASI NEUTRON 1)

Transkripsi

1 KARAKTERISTIK JARINGAN SYARAF TIRUAN UNTUK ANALISIS AKTIVASI NEUTRON 1) R. Muhammad Subekti, Dhandhang Purwadi dan Rokhmadi Pusat Pengembangan Teknologi Reaktor Riset (P2TRR) BATAN, Serpong Tangerang ABSTRAK KARAKTERISTIK JARINGAN SYARAF TIRUAN UNTUK ANALISIS AKTIVASI NEUTRON. Analisis aktivasi neutron (AAN) adalah salah satu metode analisis untuk mengetahui beberapa unsur penyusun dari suatu materi. Materi asing yang telah diiradiasi dapat diketahui identitasnya dengan mengenali pola spektrum gamma. Proses pengenalan akan lebih mudah bila kita memiliki suatu sistem yang cerdas dan salah satu pilihan sistem cerdas tersebut adalah aringan syaraf tiruan (JST). Spektrum gamma yang dipancarkan oleh unsur radioaktif mempunyai pola yang spesifik, sehingga sistem cerdas ini akan mencoba mengklasifikasi data masukan. detektor Hp-Ge pertama kali mendeteksi radiasi gamma dari materi asing, dan kemudian dicacah menggunakan alat penganalisis kanal ganda (MCA). Sistem cerdas berbasis JST menggunakan metode umpan mau dan backpropagation yang sudah diperbaiki. Pada simulasi pertama, sistem JST diui untuk mengenali 50 materi dimana sistem sudah dilatih menggunakan hanya 1 data untuk setiap klasifikasi. Hasilnya adalah kemampuan identifikasi JST 100 % atau mempunyai kehandalan yang baik Kata kunci : aktivasi neutron, spektrum gamma, sistem cerdas, radioaktif, materi asing. ABSTRACT ARTIFICIAL NEURAL NETWORK CHARACTERISTIC FOR NEUTRON ACTIVATED ANALYSIS. Neutron activated analysis (NAA) is one of analysis methods to identify some structured nuclide from material. The stranger irradiated material could be identifying by the gamma spectrum pattern analysis. The recognition process will be done easily if we have a smart system and the one of the smart system choices is artificial neural network (ANN). The gamma spectrum that was irradiated from radioactive nuclide has specific pattern, therefore smart system will be tried to classify the input data. Firstly, Hp-Ge detector detects the gamma radiation from stranger material, and then counted by multi channel analysis instrument (MCA). The smart system based ANN uses the feed forward method and the improved backpropagation. On the first simulation, ANN system was tested to identify 50 material, in which the system has been trained by using one data only for each clasification. The result showed that the ANN appreciates 100 % identification capability or has a good performance. Keyword : neutron activity, gamma spectrum, smart system, radioactive, stranger material. 1. Diaukan dalam Seminar Sains dan Teknologi Nuklir di PPTN BATAN, Bandung.

2 PENDAHULUAN Jaringan syaraf tiruan (JST) adalah suatu teknologi yang diilhami dari aringan syaraf biologi pada manusia, dapat dilatih untuk mengenali terhadap suatu obyek yang memiliki pola tertentu. Dengan pelatihan yang terstruktur, JST yang telah terbimbing bisa mengenali ataupun menemukan kembali obyek tertentu sekalipun diacak dengan obyek lain [1]. Berangkat dari sifat spektrum radiasi unsur radioaktif yang spesifik dan terlatihnya JST untuk mengenali dan mengidentifikasi pola spektrum unsur radioaktif standard, maka JST dapat digunakan untuk mengidentifikasi unsur-unsur radioaktif yang ada di dalam sampel. Seak ditemukan unsur radioaktif pada tahun 1896 oleh Becquerel, penelitian tentang unsur radioaktif semakin pesat baik yang menyangkut penelitian dan pengembangan unsur itu sendiri maupun aplikasi dan manfaatnya pada kehidupan manusia. Salah satu aktivitas penelitian dan pengembangan terhadap unsur radioaktif adalah pengembangan metode analisis aktivasi neutron (AAN). Metode AAN memiliki sensitivitas yang lebih baik dari pada metode lainnya (gavitrimeter, kalorimeter, spektrografi, dan spektrometri massa), seperti terlihat pada Gambar Gravitrimetri Kalorimetri Spektrographi Spektroskopi Massa Analisis Pengaktipan Neutron Metode Lain Gambar 1. Perbandingan sensivitas metode AAN dibandingkan dengan metode analisis lain. 2

3 Data mentah dari alat ukur (detektor gamma) dalam metode AAN berupa spektrum, dengan variabel bebasnya adalah energi sinar gamma dan dependent variable-nya adalah distribusi cacah photon gamma yang tercatat oleh detektor [2]. Suatu hal yang sangat spesifik dari unsur radioaktif adalah spektrumnya, antara unsur yang satu dengan lainnya tidaklah sama. Dengan sifat yang spesifik ini, unsur radioaktif dapat dengan mudah dikenali polanya, sehingga dapat diidentifikasi dengan mudah pula antara unsur satu dengan unsur lainnya. Dalam penelitian ini akan dilakukan pengamatan spektrum radiasi dengan menggunakan aringan syaraf tiruan, dengan tuuan untuk dilatih mengenali dan mengidentifikasi unsurunsur tersebut, sehingga diperoleh karakteristik JST dalam menganalisis spektrum gamma. Penelitian ini dibatasi pada spektrum gamma saa yang dipancarkan dari unsur radioaktif. Pengamatan dilakukan dengan menggunakan detektor Germanium kemurnian tinggi Hp-Ge dan dicacah dengan menggunakan multi channel analyzer (MCA). Sifat penelitian adalah simulasi terhadap spektrum gamma dari sumber tunggal. Keluaran dari JST yang dibuat berupa angka biner sepuluh digit. Dengan memakai JST yang sudah terlatih maka dilakukan identifikasi terhadap sampel. TEORI Secara biologis gambar di atas menyerupai bangun sel yang sebenarnya. Keluaran dari tiap lapisan sebelumnya merupakan masukan bagi lapisan di mukanya, seperti terlihat pada Gambar 2. Gambar 2. Skema aringan syaraf tiruan umpan mau Dengan umlah aringan besar syaraf tiruan memiliki sifat fault-tolerant, yakni kerusakan pada sedikit atau sebagian kecil sel dalam aringan tidak akan banyak berpengaruh terhadap keluaran sistem [3]. JST dibangkitkan oleh serangkaian masukan yang masing-masing 3

4 menggambarkan keluaran neuron yang lain. Setiap masukan dikalikan dengan suatu faktor pembobot tertentu dan kemudian semua masukan terbobot itu diumlahkan untuk menentukan tingkat aktivitas suatu neuron, seperti terlihat pada Gambar 3. Gambar 3. Proses umpan mau di titik aktif Dengan demikian, secara matematis proses umpan mau dilihat dari satu titik aktif seperti yang terlihat pada Gambar 3, persamaan umumnya adalah : υ = w. x (1) ( l ) P i = 0 ( l ) i Dimana : = neuron pada lapisan tersembunyi ke-l l = lapisan tersembunyi x = masukan dari lapisan aktif υ = keluaran dari lapisan aktif w = bobot p = umlah neuron ( l 1 ) i Gambar 4. Jenis fungsi transfer yang bisa digunakan dalam aringan syaraf tiruan Jenis-enis fungsi yang bisa digunakan sebagai fungsi transfer JST dapat dilihat pada Gambar 4. 4

5 Fungsi sigmoid digunakan sebagai fungsi transfer dengan alasan bahwa fungsi sigmoid memiliki gradien yang proporsional dengan refleksi keluaran. Persamaan umum fungsi transfer sigmoid adalah : y = 1 1+ exp( υ ) (2) X 1 W11 Σ F Y1 W 12 W1n X2 W21 W22 Σ F Y1 W2n Wm1 X n Wm2 Wmn Σ F Yn Gambar 5. JST lapis tunggal. Gambar 6. Proses koreksi bobot pada JST Model JST yang telah digambarkan pada Gambar 5 di atas adalah model umpan mau tanpa umpan balik dari keluaran ke masukan, sedangkan sistem biologis menunukkan sifat umpan balik dimana skema numerik diperlihatkan pada Gambar 6. Karena itu, sistem JST memiliki umpan balik terhadap bobot yang akan mempengaruhi lapisan pertama dan 5

6 seterusnya sehingga dalam proses belaar selalu diberikan harga bobot yang teriterasi sampai mencapai suatu keadaan yang optimal [3,4]. Ralat global E pada lapisan keluaran aringan syaraf tiruan umpan mau adalah : E = 1 2 N ( d 2 ο ) (3) Dengan : d = keluaran yang diharapkan ο = keluaran JST Metode backpropagation bekera dari ralat keluaran aringan yang diumpankan ke belakang merambat sampai ke lapisan aktif terdepan. Algoritma dasar metode backpropagation memiliki beberapa kelemahan iterasi mundur [2,5,6], sehingga pada penguian digunakan metode backpropagation yang sudah dimodifikasi. Persamaan gradien lokal pada masing-masing lapisan aringan dapat ditulis sebagai berikut : p ( y ( n) ). δ ( n ) = y ( n).1 δ ( n). w ( n) (4) dimana : = posisi neuron pada lapisan tersembunyi l. k = posisi neuron pada lapisan tersembunyi (l+1). Penggunaan persamaan (3) untuk masing-masing lapisan aringan dimana l = L, sehingga gradien lokal dapat ditulis sebagai menadi : δ ( L) k ( l+ 1) k ( L) [ e ( n) ][. ο ( n) ]. [( 1 ο ( n) )] ( l+ 1) k ( n) = (5) dimana : = posisi neuron pada lapisan keluaran L. Dengan demikian, aliran proses generalisasi aringan pada lapisan tersembunyi l adalah sebagai berikut : w i ( l 1) ( n + 1) = w ( n) + α [ w ( n) w ( n 1)] + ηδ ( n). y ( n) (6) i i dimana : η = nilai lau belaar α = konstanta momentum Metode backpropagation yang akan diterapkan sudah diperbaiki untuk meningkatkan kinera JST secara signifikan dan persamaan lengkapnya adalah sebagai berikut [7] : w ( l ) i i ( l ) ( l 1) [( 1 α ) δ ( n) + ( n) ] ( l ) ( n + 1) = w ( n) η αδ (7) i i 6

7 Advanced Bp. Momentum Bp. Perbaikan Ralat Jumlah Iterasi Gambar 7. Karakteristik JST menggunakan backpropagation yang sudah dimodifikasi Penguian kinera aringan syaraf tiruan menggunakan persamaan baru hasil perbaikan persamaan dasar metode backpropagation terlihat pada Gambar 6 dimana terlihat karakteristik JST hasil modifikasi dibandingkan dengan persamaan hasil pengembangan terakhir (advanced backpropagation). Kehandalan metode hasil perbaikan dibandingkan dengan metode berbasis momentum term adalah faktor lau belaar yang bisa menggandakan kecepatan belaar meskipun hasil yang diberikan tidak signifikan. Dengan demikian, penggunaan backpropagation yang sudah diperbaiki akan menopang kehandalan sistem cerdas dalam hal kecepatan proses pengenalan pola. TATA KERJA Data masukan JST berumlah 8192 data sesuai dengan umlah kanal pada multi channel analyzer (MCA). Jumlah data ui yang digunakan adalah 50 data dan diklasifikasikan dalam 10 enis sumber radiasi, yaitu : 241 Am, 198 Au, 133 Ba, 60 Co, 137 Cs, 98 Mo, 22 Na, 45 Sc, 64 Zn, dan 94 Zr. Dengan demikian masing-masing klasifikasi memiliki 5 data hasil pencacahan. Dari tiap kelompok diambil satu data untuk pelatihan secara acak. Pola belaar menggunakan pola kompetisi penuh, sehingga hanya ada satu pemenang di antara 10 klasifikasi keluaran. Pola ini sangat cocok digunakan untuk pelatihan yang memiliki keluaran tunggal di mana hasil yang diharapkan hanya tebakan satu klasifikasi saa. Sedangkan pola semi kompetisi akan dikembangkan untuk mengantisipasi keluaran lebih dari satu, sehingga sangat bagus digunakan dalam identifikasi beberapa sumber radiasi sekaligus. 7

8 Penguian dilakukan dengan melakukan variasi parameter-parameter JST seperti momentum, lau belaar, umlah neuron, umlah lapisan tersembunyi. Kemudian dilanutkan dengan simulasi kemampuan fault tolerance dengan cara melakukan variasi umlah kerusakan sel pada lapisan masukan, lapisan tersembunyi bagian depan dan lapisan tersembunyi bagian belakang. HASIL DAN PEMBAHASAN Hasil penguian berupa variasi parameter-parameter JST seperti momentum, lau belaar, umlah neuron, umlah lapisan tersembunyi terlihat pada Tabel 1, Tabel 2, dan Gambar 3. Tabel 1. Hasil penguian dengan melakukan variasi terhadap momentum Variasi momentum berdasarkan nilai ralat = Parameter 0,00 0,05 0,10 0,15 0,20 α Tabel 2. Hasil penguian dengan melakukan variasi terhadap lau belaar Variasi lau belaar berdasarkan nilai ralat = Parameter 1,00 0,95 0,90 0,85 0,80 η Jumlah Iterasi Jumlah Neuron Gambar 8. Karakteristik neuron pada JST 8

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

10 Tabel 3. Hasil penguian dengan melakukan variasi terhadap umlah kerusakan sel pada lapisan masukan Parameter Jumlah kerusakan sel pada lapisan masukan 30 % 35 % 36 % 37 % 38 % 39 % 40 % 45 % 45 % Identifikasi 100 % 100 % 98 % 95 % 92 % 90 % 84 % 78 % 63 % Tabel 4. Hasil penguian dengan melakukan variasi terhadap umlah kerusakan sel pada bobot bagian depan Parameter Jumlah kerusakan sel pada lapisan tersembunyi 10 % 15 % 16 % 17 % 18 % 19 % 20 % 25 % 30 % Identifikasi 100 % 100 % 100 % 100 % 98 % 95 % 94 % 87 % 81 % Tabel 5. Hasil penguian dengan melakukan variasi terhadap umlah kerusakan sel pada bobot bagian belakang Parameter Jumlah kerusakan sel pada lapisan tersembunyi 10 % 15 % 16 % 17 % 18 % 19 % 20 % 25 % 30 % Identifikasi 100 % 100 % 100 % 100 % 100 % 98 % 96 % 88 % 83 % Hasil penguian kerusakan sel pada Tabel 3, Tabel 4 dan Tabel 5 terlihat bahwa kemampuan JST untuk mereduksi kerusakan sel sangat handal sekali yaitu 35%, 17% dan 18% untuk lapisan masukan, bobot bagian depan dan bobot bagian belakang. Karakteristik kerusakan sel pada lapisan masukan memberikan pengertian lain bahwa kesalahan teknis dan non teknis sehingga data yang diperoleh tidak baik masih dapat dianalisis dengan baik oleh JST, dimana maksimal kerusakan data adalah 35%. Dengan demikian, bila kerusakan data masukan berumlah 2867 (data masukan berumlah 8192), JST masih bisa melakukan analisis dengan baik dan benar. 10

11 Lapisan masukan Bobot bagian depan Bobot bagian belakang Persentase kerusakan sel Gambar 9. Karakteristik kerusakan sel JST pada lapisan masukan, lapisan tersembunyi bagian depan dan lapisan tersembunyi bagian belakang Hasil-hasil penguian parameter JST di atas merupakan data-data penting dalam pengembangan perangkat lunak berbasis JST untuk AAN, sehingga pada tahap tersebut pengenalan data sumber radiasi gamma menadi inti penelitian karena melibatkan data yang umlahnya sangat banyak. Secara umum, semua penguian parameter JST menggunakan pendekatan statis, dimana pendekatan dinamis akan bekera berbasis nilai optimal dari pendekatan statis. Dasar pendekatan dinamis adalah gerakan nilai parameter optimal, misalnya gerakan parameter momentum. Saat awal iterasi momentum bernilai maksimal dan semakin dekat dengan ralat yang dikehendaki, momentum akan terus berubah mengecil sampai pada batas minimal, yaitu 0. Secara keseluruhan, sistem JST yang digunakan memiliki beberapa nilai optimal yang spesifik terhadap kasus yang dihadapi. Sistem JST yang digunakan mengunakan JST yang sudah teroptimasi dan merupakan hasil pengembangan dari metode standart backpropagation. Sistem JST yang teroptimasi ini memiliki kehandalan yang sangat baik dimana perbedaan kecepatan backpropagation hasil pengembangan ini dibandingkan dengan backpropagation standart cukup luar biasa, yaitu mencapai % [7]. 11

12 KESIMPULAN JST mampu mengidentifikasi unsur-unsur yang ada dalam sampel dengan kehandalan mencapai 100%. Penguian JST menghasilkan data-data optimal yang membentuk karakteristik statis JST dimana data optimal tersebut adalah momentum = 0,05; lau belaar = 1,00; lapisan tersembunyi = 1; dan umlah neuron kera antara 15 sampai 100 neuron, sehingga lebar daerah kera menunukkan kemampuan JST menyesuaikan diri terhadap besarnya beban pelatihan. Kehandalan terhadap kerusakan sel sebagai ciri fault tolerance pada lapisan masukan, bobot bagian depan dan bobot bagian belakang secara berurutan adalah 35%, 17% dan 18%. UCAPAN TERIMA KASIH Ucapan terima kasih disampaikan kepada Bapak Balza Achmad yang membantu berupa saran pengembangan metode analisis serta staf BPTR atas dorongan kepada penulis. Ucapan terima kasih uga disampaikan kepada Kepala Pusat PPTRR atas kesempatan luas dalam mengembangkan JST. DAFTAR PUSTAKA 1. BOSE, NK and LIANG, P, Neural Network Fundamental With Graphs, Algorithms and Aplications, Mc Graw-Hill, Inc, NY USA SHOGO SUZUKI, The Development of Instrumental Neutron Activation Analysis for Environmental Samples Analysis, Edition I, HAYKIN S, Neural Networks, Macmillan College Publishing Company, NY USA, JEROMEL. DUGGAN, Laboratory Investigation in Nuclear Science, The Nucleus, Inc, Texas USA, SETIAWAN S, Mengenal Network Saraf, Andi Offset, Yogyakarta, SETIAWAN S, Artificial Intelegence, Andi Offset, Yogyakarta, SUBEKTI RM, Perbaikan Metode Backpropagation untuk Pelatihan Jaringan Syaraf Tiruan Multilayer, Proceding Simposium Himpunan Fisika Nasional, Serpong,