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 15310.
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 jaringan 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 maju dan backpropagation yang sudah diperbaiki. Pada simulasi pertama, sistem JST diuji 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.
Diajukan dalam Seminar Sains dan Teknologi Nuklir di PPTN – BATAN, Bandung.
PENDAHULUAN Jaringan syaraf tiruan (JST) adalah suatu teknologi yang diilhami dari jaringan 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. Sejak 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
10-8
Spektrographi
10-0
Kalorimetri
10-2
Gravitrimetri
10-4
Spektroskopi Massa
10-6
Analisis Pengaktipan Neutron
terlihat pada Gambar 1.
Metode Lain Gambar 1. Perbandingan sensivitas metode AAN dibandingkan dengan metode analisis lain.
2
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 jaringan syaraf tiruan, dengan tujuan untuk dilatih mengenali dan mengidentifikasi unsurunsur tersebut, sehingga diperoleh karakteristik JST dalam menganalisis spektrum gamma. Penelitian ini dibatasi pada spektrum gamma saja 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 jaringan syaraf tiruan umpan maju Dengan jumlah jaringan besar syaraf tiruan memiliki sifat fault-tolerant, yakni kerusakan pada sedikit atau sebagian kecil sel dalam jaringan tidak akan banyak berpengaruh terhadap keluaran sistem[3]. JST dibangkitkan oleh serangkaian masukan yang masing-masing
3
menggambarkan keluaran neuron yang lain. Setiap masukan dikalikan dengan suatu faktor pembobot tertentu dan kemudian semua masukan terbobot itu dijumlahkan untuk menentukan tingkat aktivitas suatu neuron, seperti terlihat pada Gambar 3.
Gambar 3. Proses umpan maju di titik aktif Dengan demikian, secara matematis proses umpan maju dilihat dari satu titik aktif seperti yang terlihat pada Gambar 3, persamaan umumnya adalah : υ
(l ) j
=
P
∑
i=0
w
(l ) ji
. x i( l − 1 )
(1)
Dimana : j = neuron pada lapisan tersembunyi ke-l l
= lapisan tersembunyi
x = masukan dari lapisan aktif
υ = keluaran dari lapisan aktif w = bobot
p = jumlah neuron
Gambar 4. Jenis fungsi transfer yang bisa digunakan dalam jaringan syaraf tiruan Jenis-jenis fungsi yang bisa digunakan sebagai fungsi transfer JST dapat dilihat pada Gambar 4.
4
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 (jl ) =
W 11
X1
1 1 + exp(−υ (jl ) )
(2)
Σ
F
Y1
Σ
F
Y1
Σ
F
Yn
W 12 W 1n W 21 X2
W 22 W 2n W m1 Wm 2
Xn W mn
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 maju tanpa umpan balik dari keluaran ke masukan, sedangkan sistem biologis menunjukkan 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
seterusnya sehingga dalam proses belajar selalu diberikan harga bobot yang teriterasi sampai mencapai suatu keadaan yang optimal
[3,4]
. Ralat global E pada lapisan keluaran jaringan
syaraf tiruan umpan maju adalah : E =
1 2
N
∑ (d
j
− ο j )2
(3)
j
Dengan : d j = keluaran yang diharapkan
ο j = keluaran JST Metode backpropagation bekerja dari ralat keluaran jaringan yang diumpankan ke belakang merambat sampai ke lapisan aktif terdepan. Algoritma dasar
metode
backpropagation memiliki beberapa kelemahan iterasi mundur [2,5,6], sehingga pada pengujian
digunakan metode backpropagation yang sudah dimodifikasi. Persamaan gradien lokal pada masing-masing lapisan jaringan dapat ditulis sebagai berikut :
δ (j l ) (n) = y (jl ) (n).(1 − y (jl ) (n) ).∑ δ k(l +1) (n).wkj(l +1) (n) p
(4)
k
dimana :
j = posisi neuron pada lapisan tersembunyi l. k = posisi neuron pada lapisan tersembunyi (l+1).
Penggunaan persamaan (3) untuk masing-masing lapisan jaringan dimana l = L, sehingga gradien lokal dapat ditulis sebagai menjadi :
δ (j L ) (n) = [e (j L ) (n)].[ο j (n)].[(1 − ο j (n) )]
(5)
dimana : j = posisi neuron pada lapisan keluaran L. Dengan demikian, aliran proses generalisasi jaringan pada lapisan tersembunyi l adalah sebagai berikut : w (jil ) (n + 1) = w (jil ) (n) + α [ w (jil ) (n) − w (jil ) (n − 1)] + ηδ (j l ) (n). y i(l −1) (n)
(6)
dimana : η = nilai laju belajar
α = konstanta momentum Metode backpropagation yang akan diterapkan sudah diperbaiki untuk meningkatkan kinerja JST secara signifikan dan persamaan lengkapnya adalah sebagai berikut
[
w (jil ) ( n + 1) = w (jil ) ( n ) − η (1 − α )δ (j l ) ( n ) + αδ
6
( l −1) j
(n)
]
[7]
: (7)
1.00000
Advanced Bp. Momentum
Ralat
0.10000
Bp. Perbaikan
0.01000
0.00100
0.00010 10
20
30
40
50
60
70
80
90
100
Jumlah Iterasi
Gambar 7. Karakteristik JST menggunakan backpropagation yang sudah dimodifikasi Pengujian kinerja jaringan 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 laju belajar yang bisa menggandakan kecepatan belajar 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 berjumlah 8192 data sesuai dengan jumlah kanal pada multi channel analyzer (MCA). Jumlah data uji yang digunakan adalah 50 data dan diklasifikasikan dalam
10 jenis sumber radiasi, yaitu : 94
241
Am,
198
Au,
133
Ba,
60
Co,
137
Cs,
98
Mo,
22
Na,
45
Sc,
64
Zn, dan
Zr. Dengan demikian masing-masing klasifikasi memiliki 5 data hasil pencacahan. Dari tiap
kelompok diambil satu data untuk pelatihan secara acak. Pola belajar 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 saja. Sedangkan pola semi kompetisi akan dikembangkan untuk mengantisipasi keluaran lebih dari satu, sehingga sangat bagus digunakan dalam identifikasi beberapa sumber radiasi sekaligus.
7
Pengujian dilakukan dengan melakukan variasi parameter-parameter JST seperti momentum, laju belajar, jumlah neuron, jumlah lapisan tersembunyi. Kemudian dilanjutkan dengan simulasi kemampuan fault tolerance dengan cara melakukan variasi jumlah kerusakan sel pada lapisan masukan, lapisan tersembunyi bagian depan dan lapisan tersembunyi bagian belakang.
HASIL DAN PEMBAHASAN
Hasil pengujian berupa variasi parameter-parameter JST seperti momentum, laju belajar, jumlah neuron, jumlah lapisan tersembunyi terlihat pada Tabel 1, Tabel 2, dan Gambar 3.
Tabel 1. Hasil pengujian dengan melakukan variasi terhadap momentum Parameter α
Variasi momentum berdasarkan nilai ralat = 0.010 0,00
0,05
0,10
0,15
0,20
596
590
595
638
-
Tabel 2. Hasil pengujian dengan melakukan variasi terhadap laju belajar Parameter η
Variasi laju belajar berdasarkan nilai ralat = 0.010 1,00
0,95
0,90
0,85
0,80
590
611
616
669
676
Jumlah Iterasi 5000 4000 3000 2000 1000 0 0
50
100
150
Jumlah Neuron
Gambar 8. Karakteristik neuron pada JST
8
200
Data pada Tabel 1 dan Tabel 2 memperlihatkan bahwa kita bisa mengambil nilai optimal JST, yaitu momentum optimal 0,05 dan laju belajar optimal 1,00. Parameter optimal ini menunjukkan bahwa sistem optimal akan diperoleh bila digunakan laju belajar maksimal ditambah dengan sedikit percikan momentum. Kestabilan sistem sangat sensitif terhadap perubahan momentum. Hasil pengujian pada Tabel 1 menunjukkan 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 berjalan lambat karena lompatan harga menjadi 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 terjadi pada variasi laju belajar dimana hasilnya terlihat pada Tabel 2, semakin kecil harga laju belajar, proses sistem semakin tidak optimal. Hal ini lebih mudah dimengerti karena memaksimalkan laju belajar berarti memaksimalkan nilai optimal. Sedangkan pengujian terhadap variasi jumlah neuron terlihat pada Gambar 8 membentuk karakteristik neuron. Nilai optimal neuron sangat relatif, semakin besar jumlah neuron akan berimbang dengan daya tampung untuk pustaka data baru, sebatas kecepatan proses bisa diterima dimana perbedaan kecepatan proses dengan jumlah neuron antara 15 – 100 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 jumlah banyak, tapi hal ini tidak efisien karena waktu proses belajar meningkat secara signifikan, padahal kebutuhan terhadap data baru sudah bisa diantisipasi oleh jumlah neuron kurang dari 100. Lebar daerah kerja menunjukkan kemampuan JST menyesuaikan diri terhadap besarnya beban pelatihan. Hasil pengujian berupa variasi terhadap jumlah 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%. Penjelasan 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
Tabel 3. Hasil pengujian dengan melakukan variasi terhadap jumlah kerusakan sel pada lapisan masukan Parameter Identifikasi
Jumlah kerusakan sel pada lapisan masukan 30 %
35 %
36 %
37 %
38 %
39 %
40 %
45 %
45 %
100 %
100 %
98 %
95 %
92 %
90 %
84 %
78 %
63 %
Tabel 4. Hasil pengujian dengan melakukan variasi terhadap jumlah kerusakan sel pada bobot bagian depan Jumlah kerusakan sel pada lapisan tersembunyi
Parameter Identifikasi
10 %
15 %
16 %
17 %
18 %
19 %
20 %
25 %
30 %
100 %
100 %
100 %
100 %
98 %
95 %
94 %
87 %
81 %
Tabel 5. Hasil pengujian dengan melakukan variasi terhadap jumlah kerusakan sel pada bobot bagian belakang Jumlah kerusakan sel pada lapisan tersembunyi
Parameter Identifikasi
10 %
15 %
16 %
17 %
18 %
19 %
20 %
25 %
30 %
100 %
100 %
100 %
100 %
100 %
98 %
96 %
88 %
83 %
Hasil pengujian 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 berjumlah 2867 (data masukan berjumlah 8192), JST masih bisa melakukan analisis dengan baik dan benar.
10
100
Lapisan masukan Bobot bagian depan
80
Bobot bagian belakang 60 40 20 0 0
10
20
30
40
50
60
70
80
90
100
Persentase kerusakan sel
Gambar 9. Karakteristik kerusakan sel JST pada lapisan masukan, lapisan tersembunyi bagian depan dan lapisan tersembunyi bagian belakang Hasil-hasil pengujian 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 menjadi inti penelitian karena melibatkan data yang jumlahnya sangat banyak. Secara umum, semua pengujian parameter JST menggunakan pendekatan statis, dimana pendekatan dinamis akan bekerja 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 2.035 % [7].
11
KESIMPULAN
JST mampu mengidentifikasi unsur-unsur yang ada dalam sampel dengan kehandalan mencapai 100%. Pengujian JST menghasilkan data-data optimal yang membentuk karakteristik statis JST dimana data optimal tersebut adalah momentum = 0,05; laju belajar = 1,00; lapisan tersembunyi = 1; dan jumlah neuron kerja antara 15 sampai 100 neuron, sehingga lebar daerah kerja menunjukkan 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 juga 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 1997.
2. SHOGO SUZUKI, The Development of Instrumental Neutron Activation Analysis for Environmental Samples Analysis, Edition I, 1988
3. HAYKIN S, Neural Networks, Macmillan College Publishing Company, NY USA, 1998. 4. JEROMEL. DUGGAN, Laboratory Investigation in Nuclear Science, The Nucleus, Inc, Texas USA, 1998. 5. SETIAWAN S, Mengenal Network Saraf, Andi Offset, Yogyakarta, 1991. 6. SETIAWAN S, Artificial Intelegence, Andi Offset, Yogyakarta, 1993. 7. SUBEKTI RM, Perbaikan Metode Backpropagation untuk Pelatihan Jaringan Syaraf Tiruan Multilayer, Proceding Simposium Himpunan Fisika Nasional, Serpong, 2000.
12
