Identifikasi Radioisotop pada Spektroskopi Gamma Menggunakan Jaringan Syaraf Tiruan dan Keras Tuner

VALENTINUS ELZHA W, Ir. Nazrul Effendy, S.T., M.T., Ph.D., IPM.; Ir. Gede Sutresna Wijaya, M. Eng.

2022 | Skripsi | S1 TEKNIK NUKLIR

Deep learning dapat diaplikasikan pada teknologi nuklir untuk membantu proses identifikasi radioisotop lingkungan. Jaringan syaraf tiruan merupakan salah satu algoritma deep learning yang dapat mempelajari, mengenali, dan memprediksi pola spektrum gamma secara mendalam sehingga memiliki performa prediksi yang lebih baik dibandingkan dengan algoritma machine learning konvensional. Salah satu tantangan dalam peningkatan performa jaringan syaraf tiruan adalah penentuan hyper-parameter yang dapat menghasilkan performa terbaik. Pada penelitian ini telah dilakukan pembuatan model klasifikasi dan regresi untuk memprediksi jenis radioisotop dan aktivitas dari campuran radioisotop 137Cs, 241Am, 57Co, dan 60Co. Program identifikasi dirancang menggunakan arsitektur jaringan syaraf tiruan dengan hyper parameter tuning menggunakan metode random search tuning yang terdapat pada library Keras Tuner. Hasil akhir performa model klasifikasi dan regresi kemudian dievaluasi menggunakan confusion matrix dan mean absolute percentage error (MAPE). Arsitektur jaringan syaraf tiruan untuk memprediksi jenis radioisotop dan aktivitasnya telah berhasil dibangun menggunakan metode random search tuning. Hasil prediksi jenis radioisotop menggunakan model klasifikasi menunjukkan tingkat binary accuracy sebesar 100%, sedangkan hasil prediksi aktivitas radioisotop 137Cs, 241Am, 57Co, dan 60Co menunjukkan tingkat MAPE berturut-turut sebesar 5,97%, 16,55%, 19,79%, dan 6,61%.

Deep learning can be applied to nuclear technology to help identify environmental radioisotopes. An artificial neural network is one of the deep learning algorithms that can learn, recognize, and predict gamma spectrum patterns in depth. It has better prediction performance than conventional machine learning algorithms. One of the challenges in improving the performance of artificial neural networks is the determination of hyper-parameters that can produce the best performance. In this research, classification and regression models had been made to predict the type of radioisotope and activity of a mixture of 137Cs, 241Am, 57Co, and 60Co radioisotopes. The identification program was designed using an artificial neural network architecture with hyper-parameter tuning using the random search tuning method from the Keras Tuner library. The classification and regression model performance results were then evaluated using the confusion matrix and mean absolute percentage error (MAPE). An artificial neural network architecture to predict the type of radioisotope and its activity had been successfully constructed using the random search tuning method. The results of the prediction of radioisotope types using the classification model showed binary accuracy values of 100%. In contrast, the results of the prediction of radioisotope activity of 137Cs, 241Am, 57Co, and 60Co showed MAPE values of 5.97%, 16.55%, 19.79%, and 6.61% respectively.

Kata Kunci : Identifikasi radioisotop, aktivitas, jaringan syaraf tiruan, hyperparameter tuning