Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pengawasan distribusi bahan radioaktif atau radionuklida merupakan hal yang penting. Hal ini mengingat bagaimana serangan dan terorisme berbasis radioaktif merupakan ancaman yang nyata. Untuk itu, diperlukan suatu algoritma yang dapat digunakan untuk mendeteksi keberadaan dan jenis dari radionuklida. Algoritma identifikasi radioaktif atau RIID (Radioisotope Identification) telah disusun secara klasik menggunakan metode seperti peak-matching atau ROI (Region of Interest). Akan tetapi, performa dari algoritma tersebut sudah didahului dengan munculnya machine learning. Salah satu subdisiplin dari machine learning, yakni deep learning, melahirkan apa yang dinamakan dengan CNN atau Convolutional Neural Network. Jenis algoritma machine learning ini sudah jamak digunakan untuk permasalahan identifikasi dan pengenalan obyek. Di dalam kerangka RIID sendiri, studi yang membahas mengenai penggunaan CNN sebagai algoritma identifikasi radionuklida sudah tidak dapat dihitung menggunakan jari. Teknik baru seperti transformasi spektrum gamma dari radionuklida menjadi data 2-D seperti suatu citra mulai diperkenalkan beberapa tahun terakhir. Penelitian ini menggabungkan teknik tersebut dengan proses colormapping, yakni ‘pewarnaan’ dari data skalar yang bergantung pada nilai data tersebut. Melalui penggabungan teknik tersebut, model CNN yang disusun pada penelitian ini mampu untuk melakukan identifikasi multikelas radionuklida dengan akurasi di atas 95%.

---

Monitoring the distribution of radioactive materials or radionuclides is important. This is because radioactive attacks and terrorism are a real threat. To solve this problem, it is imperative to build an algorithm that can be used to detect and identify the presence of radionuclides. Radionuclide identification or (RIID) algorithm has been made classically using methods such as peak-matching or ROI (Region of Interest). However, the performance of these algorithms has been superseded by the emergence of machine learning. One of the sub-disciplines of machine learning, that is deep learning, has given birth to what is called CNN or Convolutional Neural Network. This machine learning algorithm has been used far and wide to solve object detection and identification problems. Within the RIID framework itself, studies discussing the use of CNN as a radionuclide are already plentiful. New techniques such as transforming the gamma spectrum of radionuclides into 2-D data have been introduced in recent years. This study attempts to combine this technique with color mapping, which is the pseudo-coloring of scalar data which depends on the value of the data. Through this combined technique, CNN models that are devised in this study can perform multiclass radionuclide identification with an accuracy higher than 95%."

"ABSTRACTPerkembangan sains dan teknologi yang meningkat secara pesat mempengaruhi pertumbuhan ekonomi serta proses industrialisasi. Proses industrialisasi menghasilkan limbah industri yang mengandung logam berat seperti tembaga Cu. Limbah industri dapat menyebabkan pencemaran lingkungan disekitar daerah industri yang ditinggali 15 juta atau 6 dari penduduk Indonesia. Salah satu solusi untuk mengatasi permasalahan tersebut dengan menggunakan material mesopori silika Santa Barbara Amorphous SBA-15 sebagai adsorban. SBA-15 disintesis menggunakan proses sol gel menggunakan Tetraorthosilicate TEOS sebagai prekursor dan Surfaktan Pluronik 123 Triblok Kopolimer sebagai template serta 3-Chloropropyl trimethoxysilane CPTMS sebagai fungsionalisasi agen untuk memodifikasi permukaan SBA-15 agar dapat menjadi adsorban yang baik. Material tersebut dikarakterisasi oleh SAXRD dan TEM untuk mempelajari kristalinitas dan struktur pori material tersebut, FTIR untuk menunjukan kehadiran gugus organik, Brunauer Emmet Teller BET N2 uji adsorpsi isoterm pada 77 K untuk mengetahui luas permukaan pori, serta AAS untuk mengetahui konsentrasi ion setelah proses adsorpsi. Struktur kristal SBA-15 dan SBA-15 CPTMS diketahui adalah 2D heksagonal dengan struktur pori SBA-15 lebih teratur dibanding SBA-15 CPTMS. Luas permukaan SBA-15 CPTMS diketahui lebih rendah dibanding SBA-15, dengan perbandingan 711.061 m2/g dan 831.996 m2/g. Meskipun begitu, pada uji adsorpsi Tembaga, SBA-15 CPTMS memiliki kemampuan adsorpsi yang lebih tinggi.

---

ABSTRACTThe high development of science and technology affects the economic growth and industrialization process. The industrialization process produces industrial waste which contain heavy metal such as copper Cu. This industrial waste can harm the environment surronding industrial areas where 15 million or 6 of the Indonesian population live. In order to overcome this problem, mesoporous silica material Santa Barbara Amorphous 15 SBA 15 is used as an adsorbent. SBA 15 was synthesized through sol gel process using tetraorthosilicate as precursor, Pluronic 123 triblock copolymer as template, and 3 chloropropyl trimethoxysilane CPTMS as functionalized agent. CPTMS was used to modify the SBA 15 surface in order to improve the materials as adsorbent. The materials were characterized using SAXRD and TEM to study material rsquo s cristallinity and pore structure, the presence of organic group was examined using FTIR, the surface area of SBA 15 and SBA 15 CPTMS were characterized using Brunauer Emmett Teller BET N2 adsorption isotherm test at 77 K, and the ions concentration in solution after adsorption process was determined using AAS. The crystal structure of SBA 15 and SBA 15 CPTMS was found 2D heksagonal with a more regular SBA 15 pore structure than SBA 15 CPTMS. The surface area of SBA 15 CPTMS was found to be lower than SBA 15, 711.061 m2 g in comparison to 831.996 m2 g. However, in copper adsorption test, it was found that SBA 15 CPTMS has higher adsorption ability."

"Produksi minyak dan gas dapat menghasilkan sejumlah besar Naturally Occurring Radioactive Materials (NORM). Ketentuan terkait penimbunan NORM diatur dalam Peraturan Menteri Lingkungan Hidup dan Kehutanan Nomor P.63/Menlhk/Setjen/KUM.1/7/2016. Kriteria desain minimal yang dipersyaratkan masih perlu dikaji lagi kemamputerapannya untuk melindungi pekerja, masyarakat dan lingkungan dari dampak radiologis. Kajian diawali dengan pemodelan hidrologis menggunakan software HELP untuk mengetahui laju lindi. Software RESRAD digunakan untuk mengkaji dosis radiasi di dalam tapak dan di luar tapak landfill pada masa yang akan datang. TSD-DOSE digunakan untuk mengkaji dosis radiasi yang diterima pekerja landfill dan masyarakat di dekat landfill. Hasil penelitian menunjukan bahwa desain landfill yang sesuai dengan peraturan dapat menerima limbah NORM dari industri minyak dan gas dengan batasan jumlah limbah NORM yang dibuang. Pembuangan limbah NORM dari industri minyak dan gas dapat dilakukan pada landfill kelas II. Konsentrasi aktivitas maksimum limbah NORM yang dapat dibuang ke landfill untuk Ra-226, Ra-228, Pb-210 dan Th-232 berturut adalah sebesar 0,64 Bq/gram, 8,33 Bq/gram, 526,32 Bq/gram, dan 4,35 Bq/gram untuk landfill dengan total kapasitas 787.500 m³ yang beroperasi selama 18 tahun. Parameter sensitif meliputi, keberadaan geomembran untuk pemodelan hidrologis; ketebalan penutup landfill, laju erosi, densitas penutup landfill, jarak landfill ke badan air dan curah hujan untuk keselamatan radiasi pasca penutupan landfill; bentuk limbah untuk keselamatan radiasi fase operasional.

---

Oil and gas production can produce a large amount of Natural Radioactive Materials (NORM). Provisions related to NORM disposal are regulated in the Minister of Environment and Forestry Regulation Number P.63/Menlhk/Setjen/KUM.1/7/2016. The minimum required design criteria still need to be assessed again to ensure the performance of radiation protection for workers, public and the environment. The study began with hydrological modeling using HELP software to study leachate rates. RESRAD is used to assess radiation doses on site and offsite for future use of landfill. TSD-DOSE is used to assess radiation doses received by landfill workers and public near the landfill.

The results of the study show that the design of landfill in accordance with regulations can accept NORM waste from the oil and gas industry with a limit to the amount of NORM. NORM waste disposal from the oil and gas industry can be carried out in class II landfill. The maximum radioactivity concentration of NORM waste which can be disposed into landfills for Ra-226, Ra-228, Pb-210 and Th-232 respectively is 0.64 Bq/gram, 8.33 Bq/gram, 526.32 Bq/gram, and 4.35 Bq/gram for landfills with a total capacity of 787,500 m³ and operating for 18 years. Sensitive parameters are, presence of geomembrane for hydrological modeling; thickness of landfill cover, erosion rate, landfill cover density, landfill distance to water bodies and rainfall for radiation safety after landfill closure; form of waste for radiation safety in the operational phase."

"Monitoring system and control for P2O5 Fluid Flow Using Gamma Radioaktive.Monitoring system and control for flow density of P2O5 in SP36 fertilizer process production has been constructed by using gamma absorption technique,which the accuracy required for measurement of density amounting is 0,5 gr/dm3 to 5,0gr/dm3...."

"Peningkatan jumlah insiden penyelundupan material radioaktif di berbagai belahan dunia menekankan pentingnya sistem pemantauan radiasi yang andal di titik-titik strategis seperti pelabuhan dan perbatasan negara. Salah satu teknologi yang umum digunakan dalam pendeteksian radiasi adalah detektor berbasis sintilasi, seperti NaI(Tl) dan CsI(Na), yang memiliki efisiensi emisi tinggi namun cenderung menghasilkan spektrum dengan noise dan resolusi terbatas. Hal ini menimbulkan tantangan dalam mengidentifikasi jenis radionuklida secara akurat. Untuk mengatasi kendala tersebut, penelitian ini menggunakan pendekatan CNN untuk melakukan klasifikasi dua jenis radionuklida, yaitu Co-60 dan Eu-152, berdasarkan spektrum γ yang diperoleh dari tiga jenis detektor: High Purity Germanium (HPGe), NaI(Tl), dan CsI(Na). Model CNN dibangun menggunakan arsitektur 1D CNN dan dilatih menggunakan data hasil augmentasi dari HPGe. Evaluasi dilakukan dengan menguji model pada data dari detektor NaI(Tl) dan CsI(Na) serta dengan membandingkan hasil dari skenario pelatihan lainnya seperti model yang dilatih dengan data NaI(Tl) dan CsI(Na). Hasil menunjukkan bahwa model yang dilatih dengan data dari detektor beresolusi rendah seperti NaI(Tl) memberikan hasil klasifikasi yang lebih akurat dibandingkan model yang dilatih dengan data dari detektor resolusi tinggi yaitu CsI(Na) dan HPGe. Temuan ini menunjukkan bahwa kualitas spektrum detektor memiliki pengaruh signifikan terhadap akurasi model CNN terutama dalam konteks pengaplikasian lintas jenis detektor.

---

The increasing number of incidents involving the smuggling of radioactive materials across the globe highlights the need for reliable radiation monitoring systems at strategic points such as ports and border crossings. One of the most commonly used technologies in radiation detection is scintillation-based detectors, such as NaI(Tl) and CsI(Na), which offer high emission efficiency but tend to produce spectra with limited resolution and noise interference. These limitations pose challenges in accurately identifying radionuclide types. To address this issue, this study applies the CNN method to classify two radionuclides, namely Co-60 and Eu-152, based on γ-ray spectra obtained from three types of detectors: High Purity Germanium (HPGe), NaI(Tl), and CsI(Na). The CNN model is built using a 1D CNN architecture and trained with augmented data from HPGe. The evaluation phase involves testing the model on data from NaI(Tl) and CsI(Na), as well as comparing results from alternative training schemes, including models trained with NaI(Tl) and CsI(Na) data. The results indicate that the model trained with data from the lower-resolution detector, NaI(Tl), yields more accurate classification compared to models trained with data from higher-resolution detectors such as CsI(Na) and HPGe. These findings suggest that the spectral quality of detectors significantly affects CNN model performance, particularly in cross-detector application contexts."

"Identifikasi radionuklida berguna untuk keamanan nuklir, monitor lingkungan, serta diagnosa kesehatan, di mana keandalan identifikasi radionuklida di berbagai kondisi merupakan hal yang penting. Data spektrum gamma biasanya rentan terhadap gangguan noise. Penelitian ini menyelidiki performa machine learning dalam mengenali radionuklida di bawah pengaruh gangguan adversarial attack, yang dirancang untuk melatih ketangguhannya terhadap gangguan luar. Pada penelitian ini, digunakan data spektrum gamma dari Co-60, Cs-134, dan Cs-137 yang di-preprocessing dengan background subtraction, adversarial attack, dan logarithmic normalization, kemudian lebih lanjut dengan zero padding dan 2D mapping dengan Hilbert curve. Data ini digunakan untuk training model Convolutional Neural Network (CNN). Terdapat 4 model yang dibuat: model 1D, model 1D dengan adversarial attack, model 2D, dan model 2D dengan adversarial attack. Model 1D dan 2D menunjukkan akurasi yang tinggi (98% untuk keduanya) dengan konvergensi loss yang cepat saat training. Dengan adversarial attack, proses training dan identifikasi radionuklida menunjukkan performa yang lebih buruk, yakni 77% untuk model 1D dan 71% untuk model 2D. Ini menunjukkan bahwa mentode adversarial learning menggunakan adversarial attack cenderung menurunkan performa model terhadap noise yang tak kasat mata, dan model tidak dapat memiliki performa yang lebih baik maupun sebaik model tanpa adversarial attack.

---

Radionuclide identification finds its use in nuclear safety, environmental monitoring, and health diagnosis, where identification performance under noisy conditions is of utmost importance. Gamma-ray spectrum data are typically vulnerable against external noise. This research investigates the performance of machine learning in identifying radionuclides under the influence of adversarial attacks, which are designed to train the robustness of the model against external perturbations. In this research, the gamma-ray spectrum data of Co-60, Cs-134, and Cs-137 are preprocessed with background subtraction, adversarial attack, and logarithmic normalization, and additionally with zero padding and 2D mapping using the Hilbert curve. The data is then used to train the Convolutional Neural Network (CNN) model. Four models are constructed: the 1D model, the 1D model with adversarial attack, the 2D model, and the 2D model with adversarial attack. The 1D model and the 2D model exhibits high accuracy (98% for both) with fast loss convergence during the training process. With the adversarial attack, the training and radionuclide identification decline in performance, with 77% accuracy for the 1D model and 71% for the 2D model. This demonstrates how adversarial attaqcks can decrease the model’s robustness against external perturbations, and that the models’ performances are significantly worse compared to those without the adversarial attacks."

"ABSTRAKDaerah perbatasan perairan Indonesia merupakan salah satu wilayah yang rentan akan kegiatan ilegal yang dapat merugikan negara. Oleh karena itu, perlu adanya pengawasan untuk setiap objek yang melewati perbatasan perairan tersebut. Pengawasan dapat dilakukan dengan pendeteksian jenis kapal yang melewati area perbatasan antar negara. Saat ini di Indonesia sudah terdapat pendeteksian khusus untuk mendeteksi adanya kapal perang asing. Selain kapal perang, kapal nelayan juga perlu dilakukan pengawasan untuk mencegah adanya illegal fishing. Pendeteksian kapal perang dan kapal nelayan dapat dilakukan dengan menggunakan mesin. Mesin dapat diprogram untuk menjalani perintah secara berulang kali, hal tersebut disebut sebagai Machine Learning, yang merupakan salah satu bidang dari Artificial Intelligence. Metode untuk memprogram pembelajaran mesin tersebut disebut dengan Deep Learning. Deep learning bekerja dengan membentuk hubungan antara neuron seperti layaknya cara kerja otak manusia atau biasa disebut dengan neural network.Salah satu jenis dari neural network yang terkenal adalah Convolutional Neural Network(CNN). CNN digunakan untuk simulasi pendeteksian kapal nelayan dan kapal militer dengan hasil keluaran berupa nilai akurasi training, akurasi validasi, dan juga prediksi. CNN juga ditambahkan additional layer, yaitu dropout dan batch normalization untuk meningkatkan ketepatan prediksi. Hasil yang didapatkan adalah pengaruh dari parameter layer dan dataset yang digunakan terhadap nilai akurasi pada pelatihan program. Dari simulasi didapatkan nilai akurasi yang paling baik dengan penggunaan pooling layer jenis max pooling dengan penggunaan layer tambahan berupa batch normalization dan dropout.

---

ABSTRACT

Indonesia's waters border is one of the areas that are vulnerable to illegal activities that can disserve the country. Detecting types of ships that cross border areas between countries is needed. Controlling can use machine thats automatically detect the object can do detection of warships and fishing boats. The concept is called machine learning. Machine learning is one of the types of Artificial Intelligence. The method for programming the machine learning is called Deep Learning. Deep learning works by forming relationships between neurons like the way the human brain works or commonly called a neural network. Convolutional Neural Network (CNN) is the famous method for deep learning. CNN is used to simulate the detection of fishing vessels and military vessels with the output in the form of training accuracy, validation accuracy, and the final prediction. CNN can also added an additional layer, namely dropout and batch normalization to improve the accuracy of predictions. The results obtained are the effect of the layer and dataset parameters used on the accuracy value in the training program. The best accuracy is obtained by using max pooling for pooling layer with additional layers of batch normalization and dropout."