KE DAFTAR ISI
276
ISSN 0216 - 3128
Syaiful Bakhri. dkk.
SISTEM ANALISIS LEPASAN RADIASI GAMMA RSG GAS DENGAN JARINGAN SARAF TIRUAN Syaiful Bakhri,
Kristedjo
Kurnianto
PTRKN - BATAN
Sunarko PRSG - BATAN
ABSTRAK SISTEM
ANALISIS
LEPASAN
RADIASI
GAMMA
RSG-GAS
DENGAN JARINGAN
SARAF
TIRUAN.
Salah satu fakJor yang dapat menunjang lreselamatan operasi reakJor adalah lremampuan untuk mendeteksi lepasan radioakJif sinar gamma yang diakibatkan oleh sebuah lrecelakaan. Sistem yang ada sekarang ini hanya mampu menganalisis kuantitas akumulasi partilrel radiasi yang terdeteksi tanpa dilengkapi lremampuan untuk menentukan jenis-jenis radioakJif yang terjadi dengan cepat. Penelitian ini bertujuan untuk mengembangkan lremampuan sistem analisis jenis unsur radioakJif dengan cepat dan mudah menggunakan teknik jaringan saraf tiruan. Pada penelitian ini dilrembangkan jaringan saraf timan dengan topologi MLP dan pelatihan backpropagation serta dukungan perangkat lreras dan perangkat lunak sistem analisis berbasis Labview. Jaringan saraftiman yang dilatih menggunakan 2048 data kanal. menunjukkan performa terbaik dengan 300 neuron satu layer tersembunyi dan dapat mengenali 5 unsur-unsur standar baik unsur mandiri maupun gabungan dengan ralat RMS 1.515 %. Kata kunci : Jaringan SyarafTiruan.
Radiasi Gamma. Multi Layer Perceptron, Backpropagation.
Labview
ABSTRACT RSG-GAS
GAMMA
RELEASE
ANALYSIS
SYSTEM
USING
ARTIFICIAL
NEURAL
NETWORK.
Reactor safety operation is supported by capability of gamma-ray release detection caused by an accident. The system that used before is only able to analyze quantity of radiation particle without ability to determine the radioisotope type. The objective of the research is to develop the capability of radioactive particle analysis using artificial neural network technique. Artificial neural network using MLl' topology and back propagation training that also supported by hardware and Labview based software is developed in this research. Artificial neural network that is trained for 2048 channel showed the best performance with 300 neurons in one hidden layer and recognize 5 radioactive standards in form of individual and compound with RMS error 1.515 %. Keywords:
Artificial Neural Network, Gamma-ray, Multi Layer Perceptron. Backpropagation.
Labview
PENDAHULUAN
cannel analyzer dan sistim
tugasaman utama P2TRR reaktor mempunyai nuklir dengan danmengoperasikan selamat. Salah
Salah satu analisis pendekatan untuk men entukan jenis-jenis radioaktif dengan cepat adalah dengan memanfaatkan jaringan saraf tiruan. Teknik ini sangat baik digunakan untuk analisis yang membutuhkan identifikasi real time kontaminan dan
analisis menentukan jenis sumber radioaktif.
satu faktor yang dapat menunjang keselamatan operasi reaktor adalah kemampuan untuk mendeteksi kecelakaan yang mengakibatkan lepasan radioaktif. Sistim yang digunakan dewasa ini di reaktor hanya mampu menganalisis kuantitas akumulasi partikel radiasi yang terdeteksi tanpa dilengkapi kemampuan untuk menentukan jenis-jenis radioaktif yang terjadi dengan cepat. Untuk itu dibutuhkan sebuah teknik yang cepat untuk menganalisis bentuk-bentuk lepasan kontaminan radioaktif yang ada. Teknik ini biasanya menggabungkan antara kemampuan multi
yang
bisa
membutuhkan ekstraksi informasi dengan baik.[1) Selain itu sistim ini dapat dikembangkan lebih jauh untuk menentukan batas-batas kuantitas kondisi yang diijinkan terhadap suatu kontaminan. Oleh karena itu, untuk melaksanakan pengembangan teknik analisis lepasan partikel gamma dengan jaringan saraf tiruan maka dilakukanlah
Proslding PPI • PDIPTN 2006 Pustek Akselerator dan Proses Bahan - BATAN Yogyakarta. 10 Juli 2006
ISSN 0216 - 3128
Syaifu/ Bakhri, dkk.
penelitian ini. Penelitian ini bertujuan untuk menggunakan kemampuan jaringan saraf tiruan untuk menganalisis partikel radioaktif gamma. Penelitian dilakukan dengan memanfaatkan data-data hasil akuisisi NI-455 I high speed analyzer dengan detektor HPGe sebagai data latihan, pengujian dan verifikasi. Paradigma jaringan saraf tiruan yang digunakan dalam penelitian ini adalah multilayer liniear perceptron (MLP) dengan berbagai variasi konfigurasi. Kemudian dilakukan pengujian dan optimasi konfigurasi lebih lanjut untuk mendapatkan jaringan saraf tiruan dengan kemampuan identifikasi terbaik. Jaringan saraf tiruan yang diperoleh diharapkan dapat dikembangkan dan dimanfaatkan dengan dukungan portabel MCA untuk analisis lebih lanjut di reaktor RSG GAS.
DASAR TEORI Jaringan saraftiruan (JST) banyak digunakan dalam berbagai aplikasi dimana analisis data real lillie! dan ekstraksi informasi sangat dibutuhkan. Salah satu keuntungan dari JST adalah kemampuan komputasi banyak mengambil porsi dalam proses pelatihan. Sekali JST dilatih untuk aplikasi tertentu, maka operasi yang dilakukan sangat eepat dan sampel dapat diidentifikasi dengan eepat juga di lapangan.
277
diinginkan. Dua langkah ini banyak menghabiskan waktu dan biasanya membutuhkan interfensi manusia. Pendekatan JST akan menggunakan pengenalan pola ke seluruh spektrum. Pengenalan pola ini dilakukan oleh single vector matrix multiplication yang menghasilkan identifikasi real time sebuah sumber. Untuk sampel yang terdiri dari berbagai kombinasi isotop, spektrum sampel dapat didekati dengan superposisi linier spektra dari isotop-isotop individu Paul.!2.3] Seeara sederhana, sebuah neuron merupakan satu unit proses informasi yang paling mendasar dalam operasi sebuah jaringan saraf tiruan. Neuron pada setiap lapisan berfungsi menghitung hasil fungsi aktivasi dari jumlahan terbobot inputinputnya seperti terlihat pada Gambar I. Fungsi aktivasi dapat dipilih seperti fungsi sigmoid, fungsi linear, fungsi step atau radial basis. Fungsi aktivasi yang dipakai pad a penelitian ini adalah fungsi aktivasi logistik sigmoid pad a lapisan tersembunyi dan lapisan keluarannya, dan fungsi aktivasi linier pada inputnya. Hubungan matematis sebuah neuron buatan dapat dinyatakan dalam persamaan (I ), dimana fungsi aktifasi sigmoid ditunjukkan pada persamaan (2). n
(I)
y=J(a)=J(LwiXi+WO) ;=1
Pendekatan konvensional analisis spektrum sinar gamma dengan eara menemukan sebuah puneak dan meneoeokan kurva. Pendekatan ini meliputi proses dekomposisi dan degenerasi puneak buatan sampai benar-benar mendekati puneak yang
I(x)
I
(2)
= 1---x e
Bias 1
y
Fungsi Aktivasi
Gambar
I. Blok diagram sebuah neuron buatan.
Prosiding PPI - PDIPTN 2006 Pustek Akselerator dan Proses Bahan - BATAN Yogyakarta, 10 Juli 2006
278
ISSN 0216-3128
Syaiful Baklrri, dkk.
2
Y,.,
XNi
Lapisan tersembunyi
Lapisan Input Gambar
2. Topologi umum JST dengan MLP.
Topologi JST yang dikaji dalam penelitian ini adalah MLP. Topologi MLP merupakan topologi populer yang sering digunakan dewasa ini untuk mengatasi persoalan dengan tingkat kompleksitas yang tinggi. MLP dengan lapisan tersembunyi tunggal didefinisikan dengan jumlah neuron input (N,), jumlah neuron pad a lapisan tersembunyi (Nh) dan jumlah neuron pad a lapisan output (N,,) seperti terlihat pad a Gambar 2.[4] Persamaan matematis MLP dalam matriks dapat ditulis sebagai persamaan (3).
format
Dimana Wi adalah matriks pembobot input (ukuran x N, dan elemen matrik w~), W2 adalah matriks pembobot output (ukuran N" x Nh dan elemen matrik
Nh
w2), lj
Lapisan output
x adalah vektor data, bl adalah vektor bias
pada lapisan tersembunyi, b2 adalah vektor bias lapisan output dan f,,(-) dan fi,O adalah fungsi aktivasi output dan tersembunyi. Notasi pada persamaan (3) dapat disederhanakan dengan menganggap bias sebagai sebuah input konstan (biasanya +1 atau -1), sehingga panjang x menjadi N1 + 1, ukuran Wi menjadi Nh x N, + 1 dan ukuran W2 menjadi N" x Nh + 1. Bentuk sederhana persamaan (3) menjadi
Salah satu teknik pelatihan yang paling terkenal dalam JST adalah back propagation. Backpropagation mempunyai dua fase yaitu fase umpan maju yaitu menghitung functional signal yang merambat maju dari pola sinyal input melewati jaringan. Fase kedua adalah fase ram bat balik, yang intinya menghitung ralat sinyal, merambat balikkan ralat dari bagian belakang melewati jaringan diawali dari unit keluaran dimana ralat adalah perbedaan antara nilai aktual dan nlai yang diharapkan. Algoritma pelatihan propagasi balik didasarkan pada algoritma gradient descent, pertamakali dikenalkan oleh Rumelhart,rs] yang menghitung nilai gradient gk pad a tiap epoch dan memperbaharui nilai bobot dengan menggunakan persamaan, W *+1
=
W *
+ ~w * (5)
dimana '1 adalah learning rate '1 adalah konstanta positif kecil (biasanya bernilai an tara 0-1). Gradient gk pada persamaan (5) dihitung melalui dua fase.
Prosiding PPI - PDIPTN 2006 Pustek Akselerator dan Proses Bahan - SATAN Yogyakarta, 10 Juli 2006
Syaiful Bakhri, dkk.
ISSN 0216 - 3128
Output network dihitung dengan perambatan maju dari lapisan input ke lapisan output, dari lapisan I = I ke 1= L. Kemudian kesalahan Ep dihitung merambat mundur dari lapisan output ke lapisan input. Pada proses ini gradient Gp dihitung menggunakan persamaan (6) dari lapisan 1= 1ke I = I.
279
pola), dimana tiap bobot di-update setiap sebuah pola ditampitkan, dan batch mode (of-line dan perepoch) dimana perubahan derivatif/bobot untuk tiap pola dalam training set dihitung kemudian menghitung total perubahan dengan menjumlahkan perubahan masing-masing individu.
8E
--/f;;- = aw I}..
15' I,p
(6)
1-1
Yj •p
dimana nitai t5diberikan oleh persamaan 7.
m
(7)
Jika fungsi aktivasi adalah logistik sigmoid, maka fungsi turunan menjadi sederhana .f'(a)
= y(I-
y)
(8)
Proses ini berulang untuk epoch berikutnya sampai diperoleh nilai kesalahan minimal. Untuk mempercepat proses pembelajaran dan menghindari algoritma terjebak pada local minima (nilai minimum yang palsu), persamaan (5) dimodifikasi menjadi persamaan (9) dimana sebuah parameter momentum a (bemitai 0 - I) ditambahkan untuk mempercepat proses pembelajaran. (9) Pembelajaran dilakukan berulang sampai kriteria pemberhentian tercapai. Untuk menghindari korelasi antara pasangan-pasangan data pembelajaran yang berurutan, maka urutan pola peJatihan dibuat acak untuk tiap epoch-nya. Dua tipe pelatihan yang diterapkan yaitu mode sekuensial (stokastik dan per-
HPGe
TAT A KERJA Penelitian ini menggunakan perangkat sistim spektroskopi sinar gamma dengan detektor HPGe dan perangkat pengolahan pulsa mulai dari pre-amp, amplifier dan MCA. Prototipe sistem ini untuk selanjutnya bisa dikembangkan dan disesuaikan mengikuti tingkat kebutuhan, unjuk kerja dan mobilitas. Gambar 3 menunjukkan prototipe skematik susunan perangkat sistim spektroskopi sinar gamma yang digunakan dan perangkat lunak JST yang dibuat. Hasil spektroskopi yang diperoleh digunakan sebagai data untuk pelatihan, pengujian dan verifikasi. Isotop hasil spektroskopi yang digunakan dalam penelitian ini adalah Am-24 I, 8a-I33, Co-60, Co-57 dan Cs-137. Langkah pertama adalah mendesain JST dengan topologi MLP menggunakan berbagai konfigurasi neuron dan layer seperti terlihat pad a Gambar 4. Langkah kedua adalah melatih JST dengan teknik pelatihan backpropagation terhadap isotop Am-241, 8a-133, Co-60, Co-57 dan Cs-137 dan kombinasi beberapa unsur sekaligus sebanyak 13 data. Pada penelitian ini dilakukan pelatihan awal dengan memanfaatkan sumber-sumber standar tertentu dan sudah tersedia di RSG-GAS. Data yang digunakan memanfaatkan 2048 kanal penguatan konversi MCA. Data dari tiap-tiap isotop menggambarka'l karakteristik hasit pengukuran masingmasing puncak. Data dari semua kanal dimasukkan dalam input JST dan keluaran neuron yang dihasitkan sesuai jumlah isotop yang ditatihkan dalam penelitian ini yaitu 5 buah.
High Volt Pwr. Supply
2048 kana I
Amp lifi er
Model 2024 Detektor
NT- 4551
Gambar 3. Sistim spektroskopi
sinar gamma dengan jaringan
Prosiding PPI - PDIPTN 2006 Pustek Akselerator dan Proses Bahan· BATAN Yogyakarta, 10 Juli 2006
sarar tiruan.
280
ISSN 0216 - 3128
Syaiful Bakhri, dkk.
Kana11 Kana! 2 Kana! 3 Kana! 4
Arn-241
o o o
Co-60
Kana! 2045
Cs-137
Co-57 Sa-133
Kana! 2046 Kana! 2047 Kana! 2048
Gambar
4. JST yang digunakan
Pelatihan dilakukan dengan menggunakan perangkat lunak TRAJAN. Program ini dapat membuat dan melatih JST pad a berbagai topologi, sekaligus menyimpan hasilnya dan kemudian dapat dipanggil oleh program lain dengan WinAPI (Windows Aplication Program Interface). Langkah kedua adalah memverifikasi kemampuan JST dengan data yang dilatihkan dan kemudian menguji JST dengan data kombinasi beberapa isotop pelatihan. Dengan fasilitas WinAPI selanjutnya dibuat program dengan LabVIEW sebagai antarmuka bagi pengguna.
PEMBAHASAN
untuk menganalisis
radioaktivitas.
neuron dan jumlah layer-layer penyusunnya. Selain itu kemampuan JST sangat tergantung bagaimana pelatihan diberikan dan seberapa sering JST dilatih dan dihadapkan pad a kasus-kasus tertentu. Pada penelitian ini JST dilatih untuk mengenali isotop radioaktif Am-24 I, 8a-133, Co-60, Co-57 dan Cs137 berikut kombinasi kemungkinan terjadinya. Seperti telah dijelaskan pada bagian sebelumnya penelitian ini menggunakan topologi MLP dengan 2048 input, satu layer tersembunyi dan satu layer ouput dengan 5 jenis data identifikasi. Untuk mencari topologi terbaik yang dapat diterapkan rnaka dilakukan variasi jurnlah neuron dengan satu layer tersembunyi, dan menghitung unjuk kerja masing-masing JST.
Unjuk kerja sebuah JST sangat tergantung sejauh mana topologi yang dipilih, konfigurasi
,gj ~ .S'
.1:;'
::J
0.4 0.6 1.2 0.8
~ 100 0.2
500
1000
2000
1500
Jmnlah neuron
Gambar
5. Grafik variasi neuron satu layer tersembunyi
vs unjuk k~rja JST.
Prosidlng PPI·· PDIPTN 2006 Pustek Akselerator dan Proses Bahan· BATAN Yogyakarta, 10 Juli 2006
ISSN 0216-3128
Syaiful Bakhri, dkk.
Gambar 5 menunjukkan bahwa jumlah neuron pada layer tersembunyi sangat mempeng-aruhi unjuk kerja sebuah JST. Oi bawah 700 neuron JST mempunyai peluang yang lebih besar untuk mengklasifikasi proporsi kasus-kasus dengan benar. Oi atas 700 neuron terlihat tidak adanya perbedaan signifikan dalam kemampuan mengklasifikasi sumber-sumber radioaktivitas dengan benar. Untuk memastikan kemampuan masing-masing topologi maka dilakukan perhitungan ralat terhadap masingmasing kasus berdasar konfigurasi jumlah neuron tersebut. Pengujian unjuk kerja menunjukkan bahwa kemampuan unjuk kerja terbaik untuk dianalisis hanyalah pada JST dengan kombinasi tidak lebih dari 700 neuron, karena itu pada pengujian ralat
73412 69513 0.7 10 11 8 __ -0.6
Nomor Sampet
'"
'~Er
28/
RMS JST terhadap masing-masing sampel hanya dilakukan pada 9 kombinasi seperti terlihat pada Gambar 6. Pada Gambar 6 terlihat bahwa ralat RMS masing-masing kasus,. dengan fungsi ralat sumsquare pada masing-masing individunya men unjukkan ralat terkecil pad a jumlah neuron 300 dan 400 sampeI. Layer tersembunyi dengan 400 neuron llJemberikan ralat terkecil pad a 9 sampel, tetapi ralat terbesar justru terjadi pada sampel ke 12. Berbeda dengan jumlah 300 neuron yang memberikan ralat yang sedikit lebih besar, rata-rata 2.7 %, tetapi tidak menunjukkan ralat yang sangat besar yang bisa mengganggu kemampuan JST secara keseluruhan. Untuk memastikan apakah tingkat akurasi JST dengan topologi ini dapat ditingkatkan maka dilakukan pengamatan terhadap grafik ralat pelatihan terhadap epoch selama proses pelatihan.
__ 1200 -- -t>200 600 --400
d ,j' \.
300 700
0: ~. 2
Garnbar 6. Grafik kode nornor sarnpel rnasing-rnasing
=~:
kasus terhadap
ralat RMS JST.
0.7 -0.5 0.6 0.1
Vcnfikasl
11
~:::r\
20
40
60
80
100
120
140
__
Pcl~tihan.
160
~h
Garnbar
7.
Grafik jurnlah epoch terhadap ralat pelatihan dan verifikasi JST dengan 300 neuron layer tersernbunyi.
Prosiding PPI - PDlPTN 2006 Pustek Akselerator dan Proses Bahan - BATAN Yogyakarta, 10 Juli 2006
282
ISSN 0216 - 3128
~-~
Grafik ralatRMS pelatihan menggambarkan perubahan ralat melandai sampai sekitar 70 epoch dan turun drastis sete]ahnya. Grafik ini men unjukkan bahwa ralat terkeci] yang dicapai tidak memberikan banyak pengaruh lebih dari 80 epoch. Hal ini juga berarti 1ST sudah layak digunakan setelah dilatih lebih kurang 80 epoch. Selanjutnya pengujian dilakukan terhadap data sejenis. Data hasil klasifikasi sistem ditunjukkan pada Tabel 1. Tabel ini menjelaskan target aktual yang harus dideteksi dan klasifikasi MLP serta ra]at yang hasilkan.
1------
Ra]at
Tabel I. Klasifikasi spcktrum 11 1 0.983916 -0.01608 0.0106 0.01052 0.989318 0.009031 -0.02455 0Ba 0-0.02484 1-0.00177 -7.27E-05 10.0] 0.994491 0.990077 0.969341 01 -0.03066 0.006599 0.998232 0.002324 0.006599. 0.00382 0.02595 0.998833 -0.00117 00.0029 0.006891 0.006891 0.018589 -0.01068 0.01253 Cs137 Co57 Ralat 6.38E-05 0.98007 0.01195 0.989544 0.975162 0.991733 0.02397 0.01532 00.999927 195 0.000728 0.978146 -0.02185 -0.01897 0.981031 0.01993 0.996556 -0.00345 0.01579 0.01376 0.0 -0.00551 -0.00992 0.005097 I052 -0.00827 0.01579 010.01635 Co60 133 0.969687 0.02701 0.975455 0.009031 0.01696 -0.01993 6.38E-05 0.02701 0.02092 ~.002324 -0.03031 -0.01046 0.00?82 Am241
Syoiful Rnkflri,
dkk.
Tabel 1 menunjukkan bahwa 1ST dapat mengenali semua radioisotop dan kombinasi yang dibcrikan. Ralat RMS pengujian yang dihasilkan adalah 1.515 %, yang berarti rata-rata tingkat keberhasi]an 1ST mengenali radioisotop sangat baik. JST yang telah diuji selanjutnya diimplementasikan dalam perangkat lunak pengenalan radioisotop menggunakan Labview. Perangkat lunak yang dibuat seperti terlihat pada Gambar 8.
aktual dari masing-masing -
Aktual Aktual Aktual Aktual an Ba-133 Ba-133, Cs-137 dan Co-60 0Aktual dan Cs-137 Co-60 dan Cs-137 an Cs-137
Prosiding PPI - PDIPTN 2006 Pustek Akselerator dan Proses Bahan· BATAN Yogyakarta, 10 Juli 2006
sampcl.
ISSN 0216 - 3128
Syaiful Bakhri, dkk.
Lanjutan
Tabell 0.977547 I0.01718 0.01883 0.988517 I0.01726 10.01883 -0.02245 0.0158 0.999054 -0.00095 -0.01148 0.01575 0.003787 0.03362 0.005153 0.005538 00.000227 0.000227 0.987838 -0.01421 -0.01216 0.01718 00.984443 0.013032 0.01149 0.01147 I 185 0.974858 -0.02514 0.002717 0.976966 -0.02303 0.01664 0.01664 -0.01556 00.01838 0.002185 0.987481 010.985793 0.01703 10 I508 0.000112 -0.00032 -0.02687 0.01204 -0.01252 1.30E-05 0.01165 0.01508 0.973132 0.000112 0.999685 0.001708 10.0 0.000398 0.002
I
Sampel 8. 8a-133
Co-57 Co-60 Co-57 8a-133 41, Co-57 dan Cs-137 57. dan Cs-137 . danAktual ual Co-60 ual Aktual Aktual
Gambar 8. Perangkat
lunak analisis radiasi berbasis JST.
Prosiding PPI - PDIPTN 2006 Pustek Akselerator dan Proses Bahan - BATAN Yogyakarta, 10 Juli 2006
283
284
ISSN 0216 - 3128
Perangkat lunak ini mengenali secara otomatis jenis radioisotop yang terdeteksi dengan baik seperti terlihat pada Gambar 8. Perangkat lunak ini dilengkapi indikator yang akan menyala sesuai jenis radiasi yang dideteksi dan dianalisa. Dengan perangkat ini setiap operator dapat mengenali dengan baik jenis radioisotop dengan cepat. Sebagai sistem pemantauan, perangkat lunak ini akan menunjang analisis dan penentuan kandungan radioisotop dengan baik. Namun demikian sistem ini masih perlu pengembangan lebih lanjut, baik itu menyangkut kemampuan pengenalannya yaitu dengan melatihnya terhadap jenis-jenis radioaktif lainnya maupun dukungan terhadap perangkat kerasnya. Agar dapat diimplementasikan dengan baik JST harus dilatih terhadap pergeseran penguatan yang diakibatkan oleh amplifier. Selain itu basis data JST yang terlatih harus juga ditambah untuk berbagai jenis level penguatan amplifier dan lebih lanjut dapat dilatih untuk mengkuantifikasi levellepasan yang terjadi dan tingkat bahayanya.
KESIMPULAN Penelitian ini menunjukkan kemampuan jaringan saraf tiruan dapat digunakan sebagai perangkat klasifikasi pola yang baik terutama dalam implementasinya sebagai sistem analisis lepasan partikel radioaktif di RSG-GAS. Jaringan saraf tiruan dengan topologi MLP dan pelatihan backpropagation dapat mengenali semua pola sumber radioaktif Cs-137, Sa-133, Co-57, Cs-137, Co-60 dengan tepat setelah melalui pelatihan, pemilihan dan pengujian beberapa variasi jaringan. Sistem ini berfungsi dengan baik dengan dukungan perangkat keras spektroskopi gamma dan perangkat lunak Labview.
Syaiful Bakhri, dkk.
SARAN Serkaitan dengan perangkat keras, perlu dipikirkan sistem yang lebih ringan dan murah, misalkan dengan memanfaatkan detektor NalTI dan perangkat pencacah yang lebih portabel yang didukung perangkat lunak National Instrument Labview.
DAFTARPUSTAKA I.
KURNIANTO, KRISTEDJO, Sitem Monitoring Reaktor Untuk Validasi Sensor Menggunakan Autoassociative Neural Network, Proseding Seminar Penelitian P2TRR SA TAN, 2004.
2.
PAUL E. KELLER, LARS 1. KANGAS, GARY L. TROYER*, SHERIF HASHEM, RICHARD T. KOUZES, Nuclear Spectral Analysis via Artificial Neural Networks for Waste . Handling, Environmental Molecular Sciences Lab., Pacific Northwest National Lab, IEEE Transactions on Nuclear Science, Vol. 42, No.4, pp. 709-715 (August 1995).
3.
PAUL E. KELLER AND RICHARD T. KOUZES I, Gamma Spectral Analysis via Neural Networks, Environmental Molecular Sciences Laboratory, Pacific Northwest Laboratory, IEEE Nuclear Science Symposium, 1994.
4.
SIANG, JJ, Jaringan Syaraf Tiruan dan Pemrogramannnya Menggunakan MATLAB, Andi Offset, Yogyakarta, 2005.
5.
RUMELHART, D.E., J.L. MCCLELLAND, and University of California San Diego. POP Research Group, Parallel Distributed Processing " Explorations in the Microstructure of Cognition. Computational Models of Cognition and Perception, 1986, Cambridge, Mass.: M IT Press. 2 v.
KE DAFTAR ISI
Proslding PPI ··PDIPTN 2006 Pustek Akselerator dan Proses Bahan - BATAN Yogyakarta, 10 Juli 2006