PREDIKSI PARAMETER OUTPUT PADA AKSELERATOR MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN RANDOM FOREST

Isti Dian Rachmawati, Prof. Ir. Nazrul Effendy, S.T.,M.T., Ph.D., IPM.

2025 | Tesis | MAGISTER TEKNIK FISIKA

    Akselerator partikel, baik elektron maupun ion, memainkan peran penting dalam berbagai bidang seperti fisika medis, industri, dan riset fundamental. Namun, kompleksitas sistem dan interaksi variabel non-linear membuat prediksi parameter output menjadi tantangan tersendiri. Penelitian ini bertujuan untuk mengembangkan model prediktif berbasis machine learning guna meningkatkan akurasi estimasi parameter output pada dua jenis akselerator, yakni Mesin Berkas Elektron (MBE) dan Siklotron. 
    Dua pendekatan non-linear yang digunakan adalah Artificial Neural Network (ANN) dan Random Forest, serta menggunakan pendekatan Linear Regression sebagai model pembanding (baseline). Hasil penelitian menunjukkan bahwa hubungan antar parameter input-output sangat dipengaruhi oleh jenis akselerator. Pada MBE, arus sumber tegangan tinggi dan arus filamen memiliki korelasi tinggi terhadap arus berkas elektron, sementara pada Siklotron, arus sumber ion dan magnet menjadi variabel dominan terhadap arus berkas ion. 
    Model Linear Regression terbukti kurang akurat, dengan nilai R² yang jauh lebih rendah dibandingkan dua model non-linear. ANN menunjukkan performa terbaik untuk MBE dengan nilai RMSE = 15,509; MAE = 11,730; dan R² = 0,998. Sementara itu, RF memberikan hasil paling optimal untuk Siklotron, dengan nilai RMSE = 0,02890; MAE = 0,02145; dan R² = 0,7506. Hal ini menunjukkan bahwa pemilihan model harus disesuaikan dengan karakteristik data dan sistem fisik yang dianalisis. ANN lebih cocok untuk sistem dengan pola kompleks dan rentang data yang luas, sedangkan RF efektif pada sistem dengan pola yang lebih terstruktur dan fitur yang lebih banyak.
    Secara keseluruhan , ANN dan RF menunjukkan potensi besar dalam meningkatkan efisiensi dan akurasi prediksi parameter output akselerator dibandingkan pendekatan konvensional. Pemilihan model yang tepat harus mempertimbangkan keseimbangan antara akurasi, efisiensi komputasi, dan interpretabilitas model sesuai kebutuhan aplikasi.

    Particle accelerators, both for electrons and ions, play a crucial role in various fields such as medical physics, industry, and fundamental research. However, the complexity of these systems and the non-linear interactions among variables make predicting output parameters a significant challenge. This study aims to develop machine learning-based predictive models to improve the accuracy of output parameter estimation for two types of accelerators: the Electron Beam Machine (EBM) and the Cyclotron.
    Two non-linear approaches used are Artificial Neural Network (ANN) and Random Forest, and using the Linear Regression approach as a comparison model (baseline). The results indicate that the relationship between input and output parameters is strongly influenced by the type of accelerator. In the EBM, high-voltage source current and filament current showed a strong correlation with the electron beam current, while in the Cyclotron, ion source current and magnet current were the dominant variables affecting the ion beam current.
    Linear Regression proved to be less accurate, with R² values significantly lower than those of the non-linear models. ANN delivered the best performance for the EBM with RMSE = 15.509, MAE = 11.730, and R² = 0.998. Meanwhile, RF yielded the most optimal results for the Cyclotron, with RMSE = 0.02890, MAE = 0.02145, and R² = 0.7506. These findings suggest that model selection should be tailored to the characteristics of the data and the physical system under analysis. ANN is better suited for systems with complex patterns and a wide data range, whereas RF is more effective for systems with more structured patterns and a larger number of features.
Overall, ANN and RF show great potential in improving the efficiency and accuracy of accelerator output parameter prediction compared to conventional approaches. The selection of the right model must consider the balance between accuracy, computational efficiency, and model interpretability according to application needs.

Kata Kunci : prediksi, parameter output, akselerator, Artificial Neural Network, Random Forest