PENGEMBANGAN PERANGKAT LUNAK UNTUK ANALISIS SPEKTRUM GAMMA HASIL AKTIVASI NEUTRON 1 R. Muhammad Subekti, Dhandhang Purwadi, Amir Hamzah, Kristedjo 2
ABSTRAK PENGEMBANGAN PERANGKAT LUNAK UNTUK ANALISIS SPEKTRUM GAMMA HASIL AKTIVASI NEUTRON. Analisis aktivasi neutron merupakan suatu metode analisis unsur yang mempunyai akurasi dan presisi yang baik. Identifikasi terhadap unsur-unsur yang terkandung dalam bahan ditentukan oleh pencarian puncak gamma. Metode pencarian puncak yang digunakan harus mampu menganalisis semua puncak dan mengkonversi data-data puncak ke dalam data-data nuklida. Dalam penelitian ini telah berhasil dibuat suatu perangkat lunak untuk analisis aktivasi neutron yang mampu menganalisis puncak seoptimal mungkin. Pengujian perangkat lunak dilakukan menggunakan Standard Reference Material (SRM) dan Certified Reference Material (CRM) sebagai bahan-bahan acuan standart. Kehandalan perangkat lunak ini ditunjukkan dengan kemampuan perangkat lunak dalam mengidentifikasi nuklidanuklida penyusun suatu unsur mencapai 80,36%; sedangkan kemampuan identifikasi Gammatrac sebesar 73,21%. Dengan demikian, perangkat lunak yang dikembangkan memiliki kemampuan identifikasi lebih baik 7,15% dibandingkan dengan GammaTrac.
ABSTRACT SOFTWARE DEVELOPMENT FOR GAMMA SPECTRUM ANALYSIS WHICH IS RESULTED BY NEUTRON ACTIVATION. Neutron activated analysis is an analysis method of elements that has a good accuracy and precision. With this method, the components of the material are identified by the gamma peak searching. The best result is fixed by optimize some parameter of the gamma peak searching. The searching must be able to analyze all peaks and convert the peak data into nuclide data. This research had been successfully establish a software for neutron activated analysis. The software was tested using Standard Reference Material (SRM) and Certified Reference Material (CRM) as standard reference elements. The software performance is demonstrated with of capability to identify nuclides of a substance as much as 80.36%, while the identified capability of Gammatrac is just 73.21%. Therefore, the identifying capability of the established software is better than that of Gammatrac for about 7.15%.
1. 2.
Diajukan untuk dimuat dalam majalah Tri Dasa Mega November 2000 Staf Pusat Teknologi Reaktor Riset – BATAN
PENDAHULUAN Analisis aktivasi neutron (AAN) merupakan analisis yang menggunakan pancaran neutron untuk mengaktivasi suatu materi sehingga nilai kandungan suatu unsur tertentu diketahui berdasarkan besar kualitatif dan kuantitatif pancaran radiasi gamma yang muncul. Kehandalan AAN adalah hasil analisis memiliki akurasi dan presisi yang baik [1]. Saat ini, penelitian AAN sedang dilakukan oleh BATAN, namun kegiatan penelitian yang dilakukan tidak menyentuh pengembangan perangkat lunak yang baik. Hal ini terjadi karena umumnya ketersediaan fasilitas untuk melakukan pekerjaan AAN sudah dilengkapi dengan perangkat lunak komersil. Sehingga hasil AAN akan memiliki ketergantungan terhadap keterbatasan kehandalan perangkat lunak komersil itu. Oleh karena itu, BATAN perlu mengembangankan perangkat lunak sendiri untuk membantu pekerjaan AAN, sehingga dari waktu ke waktu keterbatasan kehandalan perangkat lunak bisa diperbaiki dan ditingkatkan kemampuannya. Dengan demikian, tujuan penelitian ini adalah untuk pengembangan suatu perangkat lunak yang optimal dalam membantu pekerjaan AAN. Meskipun pada beberapa bagian metode yang digunakan masih memerlukan penelitian lebih lanjut seperti efektivitas penggunaan metode dekonvolusi, penerapan sistim kecerdasan buatan, dan sebagainya; pengembangan ini sangat bermanfaat untuk membuka wawasan pengembangan perangkat lunak dan menghilangkan ketergantungan atas keterbatasan perangkat lunak komersil. Selanjutnya, agar diperoleh perangkat lunak yang memadai dan berkualitas, diperlukan pengujian yang teliti dengan menggunakan bahan acuan standar yang terbukti telah diketahui karakteristiknya [5], yaitu Standard Reference Material (SRM) dan Certified Reference Material (CRM).
DASAR TEORI Hasil analisis dalam pekerjaan analisis aktivasi neutron ditentukan oleh kehandalan metode pencarian puncak gamma. Dengan demikian, metode
pencarian puncak yang digunakan harus mampu menganalisis semua puncak dan mengkonversi data-data puncak ke dalam data-data unsur penyusun. AAN memiliki sensitivitas yang lebih baik dari pada metode lainnya (gavitrimeter,
10-8
Spektroskopi Massa
10-6
Spektrographi
10-0
Kalorimetri
10-2
Gravitrimetri
10-4
Analisis Pengaktipan Neutron
kalorimeter, spektrografi, dan spektrometri massa), seperti terlihat pada Gambar 1.
Metode Lain Gambar 1. Perbandingan sensivitas metode AAN dibandingkan dengan metode analisis lain. Data mentah dari alat ukur (gamma detector) dalam metode AAN berupa spektrum gamma, dengan variabel bebasnya adalah energi sinar gamma dan variable tak bebasnya adalah distribusi cacah gamma yang tercatat oleh detektor[2]. Pada dasarnya, setiap unsur radioaktif memiliki bentuk spektrum gamma yang spesifik, sehingga kita bisa mengetahui jenis unsur radioaktif bila kita mengetahui posisi
energinya
yang
ditunjukkan
oleh
puncak
gamma.
Gambar
1
menggambarkan karakteristik unsur pemancar gamma yang bersifat spesifik,
dimana setiap unsur yang aktif memiliki pancaran energi gamma pada energi tertentu dan membentuk spektrum gamma [3,4]. Intensitas Au-198
Na-24
5
10
Cu-64 Ge-77
4
10
103
102 10 1 0
0,2
0,4
0,6
0,8
1,0
1,2
1,4
Energy (Mev)
Gambar 2. Spektrum energi versus intensitas dari suati materi yang telah diiradiasi Puncak gamma yang diperoleh mampu memberikan informasi kuantitatif dan kualitatif. Dan analisis ini mampu mendeteksi 40 – 50 unsur sekaligus dalam satu cuplikan, dengan tingkat ketelitian orde ppm (1x10-6), bahkan untuk unsurunsur tertentu mencapai orde ppb (1x10-9).
Pencarian Puncak Pada dasarnya, pekerjaan analisis spektrum gamma adalah kegiatan pencarian puncak gamma untuk mendapatkan posisi energi dari radioaktif yang
diamati. Sebelum proses pencarian puncak, spektrum gamma yang diamati perlu dilakukan proses smoothing untuk memperbaiki rasio antara sinyal dalam bentuk spektrum dengan derau (S/N) dan untuk memperkecil kesalahan statistik
[6]
.
Untuk sinyal listrik, smoothing dapat dilakukan dengan cara melewatkan sinyal melalui suatu rangkaian filter (filter circuit). Tetapi untuk spektrum gamma yang diskrit, smoothing harus dilakukan dengan cara menggunakan filter numerik yang mempunyai pemroses perhitungan [7]. Bila pada spektrum gamma hasil pengukuran jumlah cacah kanal ke-i adalah n(i) dan pada spektrum hasil smoothing, jumlah cacah kanal ke-i adalah
n (i) , maka n (i) dapat dihitung dengan persamaan [8] :
1 n(i) = Nm dengan :
m
∑ C .n (i + k )
k = −m
k
(1)
Ck adalah fungsi filter, Nm adalah konstanta normalisasi ralat dari n(i) ,
Ralatnya dapat ditulis sebagai berikut [8] : δ(i) =
1 Nm
m
∑ C .n (i + k )
k =−m
2 k
(2)
Apabila puncak relatif tidak terlalu tinggi bila dibandingkan dengan baseline-nya, maka dapat didekati dengan [8] : δ(i) = ∆ m
n(i)
(3)
Ck, Nm dan ∆m pada persamaan-persamaan di atas adalah konstanta.
Proses smoothing bisa dilakukan sampai dua kali terhadap spektrum gamma yang dianalisis (spektrum hasil smoothing di smoothing lagi). Hal ini bisa dilakukan bila hasil smoothing tidak memuaskan. Setelah proses smoothing dilakukan, spektrum gamma hasil smoothing akan dianalisis untuk mencari puncak secara otomatis. Proses pencarian puncak ini dilakukan dengan memanfaatkan fasilitas dalam perangkat lunak LabView,
yaitu perangkat peak detector. Perangkat lunak LabView adalah perangkat lunak yang berfungsi untuk membuat perangkat lunak berbasis window . Penentuan Daerah ROI dengan Penelusuran Gauss Fitting
Setelah puncak-puncak foto ditemukan, puncak-puncak foto tersebut diberi tanda ROI. Sejumlah cacahan pada kanal-kanal di kaki kanan dan kiri puncak foto direratakan dan ditarik garis lurus untuk mendapatkan cacahan latar puncak. Proses penelusuran kurva dilakukan untuk mendapatkan parameter fungsi Gauss dengan menggunakan asas kuadrat terkecil non-linier [9]. Fungsi Gauss yang digunakan adalah sebagai berikut :
F G ( x i ) = h .e Dimana
(x i − E )2 z2
(4)
h = tinggi puncak x i = energi pada kanal ke-I
E = energi gamma Z = lebar puncak
Kecepatan konvergensi dari iterasi diperbaiki dengan metode Marquadt. Setelah didapatkan parameter fungsi Gauss, maka dapat ditentukan resolusi puncak foto yang dikenal dengan istilah lebar penuh setengah maksimum (full width half maximum = FWHM) dari puncak foto.
RANCANGAN PERANGKAT LUNAK
Konsep dasar perangkat lunak untuk analisis spektrum gamma yang akan digunakan untuk membantu pekerjaan AAN secara menyeluruh digambarkan pada blok diagram yang tampak pada Gambar 3. Program yang dibuat tidak melakukan akuisisi data, namun hanya membaca file hasil akusisi data pada MCA
yang ada. Data tersebut kemudian diolah menjadi informasi yang lebih informatif untuk menentuan kadar unsur yang terkandung dalam bahan.
Data spektrum gamma dan parameter kalibrasi energi
Spektrum Energi (Cacah vs Energi)
-
Pencarian Puncak Pengerosian Puncak Fiting Gauss Penolakan Puncak Kalibrasi Sistem
Identifikasi Nuklida
- Perhitungan luas puncak - Kalibrasi efisiensi
Perhitungan aktivitas nuklida
Penentuan kadar unsur cuplikan
Gambar 3. Diagram blok analisis spektrum gamma dalam penentuan kadar unsur dengan metoda APN.
Data spektrum gamma dan parameter kalibrasi energi yang terdapat di dalam berkas (dalam format ASCII) akan menjadi masukan pada perangkat lunak yang dikembangkan. Setelah perangkat lunak dijalankan, maka data masukan tersebut ditampilkan pada layar panel berupa grafik spektrum gamma dari cuplikan yang diamati (bagian A). Pada bagian B, perangkat lunak secara otomatis melakukan pencarian puncak (peak searching), erosi puncak (peak erosion), penelusuran kurva (curve fitting) dan penolakan puncak (peak rejection), kalibrasi kanal-energi dan
kalibrasi energi-FWHM. Setelah ditemukan puncak-puncak foto, kemudian dibandingkan dengan pustaka nuklida maka dapat diidentifikasi nuklida-nuklida yang terdapat di dalam cuplikan (bagian C). Penelusuran kurva puncak foto menjadi dasar untuk perhitungan luas puncak foto dan untuk pekerjaan kalibrasi energi-efisiensi (bagian D). Dengan demikian, aktivitas cuplikan dapat ditentukan (bagian E).
Pada tahap akhir (bagian F), aktivitas cuplikan dan data aktivitas cuplikan standar sudah diketahui, sehingga kadar unsur-unsur yang terdapat di dalam cuplikan dapat ditentukan.
Gambar 4. Tampilan perangkat lunak yang dikembangkan Perangkat lunak yang dikembangkan menggunakan bahasa G dan fungsi proses yang dibuat digambarkan pada Gambar 3. Fungsi proses ini merupakan proses baku yang umum digunakan dalam pekerjaan AAN. Tampilan perangkat lunak yang dikembangkan dibuat sedemikian rupa sehingga para pengguna yang sudah memahami proses fungsi baku akan mudah menggunakan perangkat lunak ini. Salah satu tampilan perangkat lunak ini dapat dilihat pada Gambar 4. Sedangkan algoritma perangkat lunak yang mengacu pada fungsi proses baku dapat dilihat pada Gambar 5.
Start
1. T pencacahan 2. Nama data 3. Nama cuplikan 4. Bentuk cuplikan
INPUT 5. Geometri sumber 6. Derajat pencarian puncak 7. 8. Format input
Data Pembacaan MCA
Data Smoothing, Pencarian Puncak
Kanal Pusat Puncak, FWHM
Koreksi Energi
Puncak Tunggal
NO
YES Efisiensi Puncak 1. Sumber Titik 2. Sumber Bidang
Perhitungan Luas Dan Kesalahan
Perhitungan Luas dan Kesalahan dengan Fitting
Kekuatan Sinar γ dan Kesalahan
Hasil Analisis Cetak
Masih ada Puncak ? YES NO Stop
Gambar 5. Diagram Alir Analisis Data
Pustaka Nuklida
HASIL DAN DISKUSI
Perangkat lunak yang berhasil dikembangkan memiliki kahandalan identifikasi yang lebih baik. Adapun hasil pengujian identifikasi dapat dilihat pada Tabel 1 dan Tabel 2. Obyek penguji itu sendiri terbagi dalam dua kelompok, yaitu: 1. Data nuklida berumur paruh pendek 2. Data nuklida berumur paruh panjang Data nuklida berumur paruh pendek diperoleh dari pencacahan nuklida berumur paruh pendek dimana radiasi dan waktu pencacahan dilakukan dalam waktu singkat (orde menit). Sedangan data nuklida berumur paruh panjang diperoleh dari pencacahan nuklida berumur paruh panjang dimana radiasi dilakukan dalam waktu yang panjang (orde jam sampai hari) dan pencacahan dilakukan dalam waktu 1 jam dan 2 jam. Tabel 1 memperlihatkan perbandingan kemampuan identifikasi perangkat lunak yang dirancang untuk nuklida pencemar lingkungan berumur paruh pendek. Tampak jelas bahwa perangkat lunak yang dikembangkan memiliki kemampuan identifikasi yang lebih baik dari pada GammaTrac untuk nuklida berumur paruh pendek. Perbedaannya cukup signifikan dimana kemampuan identifikasi perangkat lunak yang dikembangkan sebesar 93,33% dan GammaTrac sebesar 66,67%. Namun perbandingan kemampuan identifikasi untuk nuklida pencemar lingkungan berumur paruh pendek memberikan hasil yang lebih buruk, dimana kemampuan perangkat lunak yang dikembangkan sebesar 65,38% dan GammaTrac sebesar 80,77% seperti terlihat jelas pada Tabel 2. Berdasarkan pengujian kemampuan identifikasi terhadap nuklida berumur paruh pendek dan berumur paruh panjang, kita bisa mengetahui bahwa perangkat lunak yang dikembangkan masih memiliki kelemahan. Kemampuan identifikasi terhadap nuklida-nuklida berumur paruh pendek dan nuklida-nuklida berenergi rendah oleh perangkat lunak yang dikembangkan terbukti tidak memberikan hasil yang lebih baik dari pada GammaTrac, hal ini disebabkan perangkat lunak yang
dikembangkan gagal mendeteksi puncak-puncak pada posisi energi rendah. Kegagalan pendeteksian puncak berenergi rendah ini berakibat buruk pada pencarian puncak nuklida berumur paruh pendek, karena nuklida-nuklida berumur paruh pendek banyak yang memiliki puncak berenergi rendah. Secara keseluruhan, kehandalan perangkat lunak yang dikembangkan ini lebih baik dari pada perangkat lunak komersil GammaTrac yang sudah ada. Sulit dibayangkan bila pekerjaan AAN selalu menggunakan GammaTrac pada masa yang akan datang, sudah tentu akurasi dari hasil AAN akan terkoreksi akibat keterbatasan yang dimiliki GammaTrac. Tabel 1. Perbandingan hasil identifikasi perangkat lunak yang dikembangkan dengan GammaTrac untuk nuklida berumur paruh pendek No
Nama Nuklida
1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24. 25. 26.
I-125 Pb-210 Pd-100 Pd-100 Th-231 Dy-165 Rh-105 Sr-87m Au-198 I-128 Br-80 Br-80 Zr-95 Zr-95 Mg-27 Mn-56 Mg-27 Ar-41 Ar-241 Na-24 Mn-52m K-42 Cl-38 Cl-38 Al-28 Al-26
Puncak Nuklida NBS (KeV) 35.46 46.52 74.80 84.00 84.21 94.70 319.24 388.41 411.80 442.89 511.00 616.41 756.72 756.00 843.24 846.60 1013.99 1293.60 1293.60 1368.55 1434.30 1524.70 1633.37 1642.40 1778.80 1808.72
Kemampuan Identifikasi
Pencarian Puncak GammaTrac (KeV) 35.46 46.52 74.80 84.00 84.21 94.70 319.24 388.41 411.80 442.89 756.72 756.00 846.60 1293.60 1293.60 1368.55 1434.30 1524.70 1642.40 1778.80 1808.72
Pencarian Puncak Perangkat Lunak yang Dikembangkan (KeV) 67.46 386.79 506.21 611.54 752.46 752.53 840.39 843.51 1013.48 1293.55 1367.58 1431.24 1518.36 1629.68 1642.31 1752.51 1780.56
80,77 %
65,38 %
Tabel 2. Perbandingan hasil identifikasi perangkat lunak yang dikembangkan dengan GammaTrac untuk nuklida berumur paruh panjang
No
Nama Nuklida
Puncak Nuklida NBS (KeV)
Pencarian Puncak GammaTrac (KeV)
Pencarian Puncak Perangkat Lunak yang dikembangkan (KeV)
1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24. 25. 26. 27. 28. 29. 30.
Zn-72 Sm-153 Pt-200 Sm-157 Lu-177 Br-82 Se-75 Hg-203 Se-75 La-140 Mg-28 Se-75 Ti-208 Br-82 As-76 Sb-122 Br-82 As-76 Br-82 Br-82 La-140 Br-82 Sc-46 Br-82 Kr-87 V-52 K-40 Br-82 La-140 Br-82
102.800 103.180 135.940 197.800 208.360 221.450 264.660 279.190 279.540 328.770 400.600 400.660 510.720 554.320 559.100 564.240 619.070 657.030 698.33 776.490 815.800 827.810 889.250 1043.970 1174.050 1333.620 1460.800 1474.820 1596.490 1650.300
103.073 208.206 221.329 264.509 279.392 279.392 328.666 400.576 400.576 510.890 554.260 559.141 564.000 619.275 657.167 698.344 816.130 827.901 889.510 1044.233 -
102.920 103.070 135.730 120.830 208.160 221.200 264.430 279.300 279.300 328.580 400.490 400.490 510.880 554.240 559.120 563.980 619.230 657.200 698.380 776.620 827.990 1475.110 1174.280 1333.590 1461.080 1475.110 1596.220 1650.510
66,67 %
93,33 %
Kemampuan Identifikasi
Tabel 3. Perbandingan rata-rata identifikasi perangkat lunak yang dikembangkan dengan GammaTrac untuk nuklida berumur paruh pendek dan nuklida berumur paruh panjang Perangkat Lunak
GammaTrac
Perangkat Lunak yang dikembangkan
Kemampuan Identifikasi Rata-Rata
73,21 %
80,36 %
Kemampuan identifikasi perangkat lunak yang dikembangkan secara keseluruhan diperoleh dari rata-rata penjumlahan kemampuan identifikasi untuk nuklida berumur paruh pendek dan kemampuan identifikasi untuk nuklida berumur paruh panjang. Hasil perbandingannya adalah perangkat lunak yang dikembangkan
memiliki
kemampuan
identifikasi
rata-rata
80,36%
dan
GammaTrac 73,21%. Hasil perbandingan ini telah ditunjukkan oleh Tabel 3.
Berdasarkan hasil-hasil yang telah diperoleh yang tersebut dalam Tabel 1, Tabel 2, dan Tabel 3, kemampuan identifikasi perangkat lunak ditentukan oleh beberapa faktor dalam sebagai berikut [2] : 1. Metode perhitungan pencarian puncak, luas puncak, pusat puncak, kalibrasi dan pemisahan ouncak bertumpuk yang digunakan 2. Tingkat optimalisasi data nuklida (data library) Sedangkan faktor luar yang sangat mempengaruhi kemampuan identifikasi adalah kualitas dari data-data yang akan dianalisis dimana kualitas data sangat ditentukan oleh beberapa faktor [2], antara lain : 1. Waktu dan posisi iradiasi, untukitu secara mekanik perlu menentukan posisi target yang optimal. 2. Pencacahan menggunakan perangkat MCA, saat pencacahan memerlukan beberapa kondisi pencacahan yang berbeda untuk memperoleh beberapa data pencacahan yang bervariasi terhadap waktu peluruhan, waktu pencacahan dan waktu iradiasi. Dengan demikian, kemampuan identifikasi perangkat lunak sebenarnya ditentukan juga oleh bagaimana memperoleh suatu data yang akan dianalisis. Identifikasi terhadap materi yang bisa menampilkan puncak dengan dengan jelas akan menghasilkan analisis 100%; kecuali puncak bertumpuk, karena puncak bertumpuk memerlukan analisis lanjutan.
KESIMPULAN
Pengembangan perangkat lunak untuk membantu pekerjaan analisis aktivasi neutron telah berhasil dilakukan dengan beberapa keterbatasan. Untuk memperoleh hasil analisis yang baik, diperlukan metode pencacahan yang baik. Kehandalan perangkat lunak yang dikembangkan adalah kemampuan identifikasi terhadap untuk nuklida-nuklida pencemar lingkungan sebesar 80,36%, sedangkan Gammatrac memiliki kemampuan identifikasi sebesar 73,21%. Dengan demikian
perangkat lunak yang dikembangkan memiliki kemampuan identifikasi lebih baik 7,15% dibandingkan dengan GammaTrac. DAFTAR PUSTAKA
1. SUSAN J. PARRY, “Activation Spectrometry in Chemical Analysis”, Vol. 119, 1990, John Wiley & Sons 2. SHOGO SUZUKI, “The Development of Instrumental Neutron Activation Analysis for Environmental Samples Analysis”, Edition I, 1988 3. G.A. AYCIK, Journal of Radioanalytical and Nuclear Chemitry, Article, Page 115-123, Vol 157, No. 1, 1992. 4. A.A. KIST, Journal of Radioanalytical and Nuclear Chemitry, Article, Page 321-336, Vol 167, No. 2, 1993. 5. D.A. BECKER, CS., Journal of Radioanalytical and Nuclear Chemitry, Article, Page 149-154, Vol 179, No. 1, 1994. 6. R. ZEISLER, R. DEMIRALT, M. MAKAREWEZ, Journal of Radioanalytical and Nuclear Chemitry, Article, Page 61-66, Vol 179, No. 1, 1994. 7. G. KENNEDY, Journal of Radioanalytical and Nuclear Chemitry, Article, Page 239-245, Vol 193, No. 3, 1995. 8. MUSASHI INSTITUTE OF TECHNOLOGY, Musashi Institute of Technology, GAMMA-98, Engineering Application of Radioisotope DW, 1992. 9. CANBERRA INDUSTRIES, “Inspector Advanced Topic”, Merriden, 1994
