Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Pada penelitian ini dilakukan kajian risiko radionuklida 210Po terhadap konsumsi biota kerang hijau (Perna viridis), udang jerbung (Fenneropenaeus merguiensis), cumi-cumi (Loligo sp.), dan ikan tenggiri (Scomberomorus commersonii) yang berasal dari Perairan Teluk Jakarta. Aktivitas radionuklida 210Po pada sampel diukur menggunakan spektrometer α. Analisis radionuklida 210Po dilakukan pada bagian daging, kepala, dan pencernaan untuk memperoleh pola distribusi 210Po dalam tubuh biota. Distribusi radionuklida 210Po tertinggi pada bagian pencernaan diikuti oleh bagian kepala dan daging. Aktivitas radionuklida 210Po dalam tubuh biota dilakukan sebelum dan setelah food processing (proses penggorengan). Aktivitas radionuklida 210Po setelah food processing (proses penggorengan) mengalami penurunan sebesar 41-57%. Asupan harian radioaktivitas (daily intake) tertinggi yaitu pada cumi-cumi goreng sebesar 0,22 Bq dan diikuti oleh ikan tenggiri goreng, kerang hijau goreng, udang jerbung goreng dengan nilai dosis berturut-turut sebesar 0,01 Bq; 0,27 x 10-2 Bq ; dan 0,08 x 10-2 Bq. Dosis asupan tahunan (Deff) tertingi yaitu dosis cumi-cumi goreng sebesar 952,62 x 10-7 sv dan diikuti oleh dosis ikan tenggiri goreng, kerang hijau goreng, udang jerbung goreng dengan nilai dosis berturut-turut sebesar 69,24 x 10-7 sv; 11,80 x 10-7 sv; dan 3,43 x 10-7 sv. Nilai LCR (Lifetime Cancer Risk) tertinggi pada cumi-cumi goreng sebesar 521,25 x 10-7 dan diikuti oleh ikan tenggiri goreng, kerang hijau goreng, udang jerbung goreng dengan nilai dosis berturut-turut sebesar 37,75 x 10-7; 6,46 x 10-7; dan 1,88 x 10-7. Berdasarkan nilai dosis asupan harian (daily intake), dosis asupan tahunan (Deff) , dan LCR (Lifetime Cancer Risk) biota uji masih tergolong aman untuk dikonsumsi dan tidak berisiko karsinogenik.

---

In this study, the risk of radionuclide 210Po was assessed on consumption of green mussel (Perna viridis), jerbung shrimp (Fenneropenaeus merguiensis), squid (Loligo sp.), and mackerel fish (Scomberomorus commersonii) which originated from Jakarta Bay. Radionuclide 210Po activity in the samples were analyzed using α spectrometer. The activities of 210Po were observed in muscle, head, and digestive system to obtained distributional pattern of radionuclide 210Po in the biotas organs. The highest distribution of radionuclide 210Po was detected in digestive system and followed by head and muscle. The 210Po activities were analyzed before and after food processing. The radionuclide 210Po activities after food processing decreased by 41-57%. The highest daily intakeof 210Po found in fried squid which contains 0,22 Bq, followed by fried mackerel fish, green mussel, and jerbung shrimp with 0,01 Bq; 0,27 x 10-2 Bq ; dan 0,08 x 10-2 Bq, respectively. The highest annual intake (Deff) of 210Po is 952,62 x 10-7 sv, which found in fried squid and followed by fried mackerel fish, green mussel, and jerbung shrimp with 69,24 x 10-7 sv; 11,80 x 10-7 sv; dan 3,43 x 10-7 sv, respectively. The highest LCR (Lifetime Cancer Risk) of 210Po being 521,25 x 10-7, found in cooked squid and followed by fried mackerel fish, green mussel, and jerbung shrimp which respectively has 37,75 x 10-7; 6,46 x 10-7; dan 1,88 x 10-7. According to the results of daily intake, annual intake (Deff) , and LCR (Lifetime Cancer Risk), the biota tested are still classified as safe for consumption and not carsinogenic."

"Perbatasan negara merupakan wilayah yang rentan untuk dipengaruhi oleh negara-negara tetangga. Faktor-faktor yang dapat mempengaruhi negara seperti penyalahgunaan sumber daya alam, penyelundupan dan pencemaran lingkungan. Salah satu bahaya pencemaran lingkungan adalah berasal dari sumber radionuklida, baik dari alam maupun teknologi fasilitas nuklir. Untuk mencegah pengaruh buruk tersebut, PRFN BATAN berencana menempatkan perangkat pemantau radiasi lingkungan di berbagai wilayah perbatasan negara. Perangkat pemantau radiasi lingkungan yang tersedia saat ini hanya memiliki kemampuan untuk pengukuran nilai cacah gross radiasi tanpa kemampuan identifikasi jenis radionuklida. Kekurangan ini menyebabkan hasil yang bias ketika kondisi abnormal, apakah disebabkan oleh NORM atau TNORM. Maka, dibuatlah perangkat dengan kemampuan identifikasi radionuklida menggunakan detektor sintilasi CsI(Na) dengan metode machine learning. Pengujian dilakukan di laboratorium dengan variasi waktu pencacahan 1, 5, 10, 15, 30, 60 dan 120 menit serta jarak 50, 75, 100, 125 dan 150 cm, representasi dari laju dosis. Metode fitur ekstraksi menggunakan Histogram of Oriented Gradients (HOG) dengan 4 buah pembagian daerah sesuai dengan puncak radionuklida. Metode klasifikasi menggunakan Linear Regression, LDA, K-NN, Decision Tree, Naïve Bayes, SVM dan Neural Network. Hasil pengujian menunjukkan kombinasi metode ektraksi fitur ketiga dengan metode klasivikasi SVM merupakan metode terbaik dengan akurasi sebesar 97.845% dan waktu identifikasi radionuklida 0.997 ms.

---

State borders are areas that are vulnerable to being influenced by neighboring countries. Factors that can affect the country such as misuse of natural resources, smuggling and environmental pollution. One of the dangers of environmental pollution is originating from radionuclide sources, both from nature and nuclear facility technology. To prevent this bad influence, PRFN BATAN plans to place environmental radiation monitoring devices in various border areas of the country. Currently available environmental radiation monitoring devices only have the ability to measure the gross count value of radiation without the capability to identify the type of radionuclide. This deficiency causes biased results when the condition is abnormal, whether due to NORM or TNORM. So, a device with the ability to identify radionuclides was made using the CsI (Na) scintillation detector using the machine learning method. Tests were carried out in the laboratory with a variety of counting time 1, 5, 10, 15, 30, 60 and 120 minutes and distances of 50, 75, 100, 125 and 150 cm, a representation of the dose rate. The feature extraction method uses a Histogram of Oriented Gradients (HOG) with 4 regional divisions according to the radionuclide peaks. The classification method uses Linear Regression, LDA, K-NN, Decision Tree, Naïve Bayes, SVM and Neural Network. The test results show that the combination of the third feature extraction method with the SVM classification method is the best method with an accuracy of 97.845% and a radionuclide identification time of 0.997 ms."

"telah dilakukan penentuan konsentrasi 239,240 PU di air permukaan Selat Bangka."

"Penelitian ini berfokus pada klasifikasi emosi menggunakan jaringan saraf buatan (Deep Learning) dengan memanfaatkan sinyal elektroensefalografi (EEG). Emosi manusia merupakan aspek penting dalam interaksi manusia-komputer, dan pengklasifikasian emosi secara akurat dapat meningkatkan kemampuan penerapan teknologi dalam berbagai aplikasi. Sampel sinyal EEG yang digunakan pada penelitian ini berasal dari dataset  SEED-V.  Sampel data memiliki 62 kanal elektroda dengan 5 jenis klasifikasi emosi yaitu Sedih, Senang, Netral, Jijik, Takut. Sinyal EEG kemudian diolah dan diurai menjadi 5 jenis band yaitu alpa, beta, teta,  delta, dan gamma. Sinyal terdekomposisi akan diolah untuk mengekstrak fitur menggunakan diferensial entropi yang kemudian ditransformasi menjadi data 2 dimensi. Model CNN digunakan sebagai algoritma klasifikasi untuk mendeteksi pola-pola kompleks dalam sinyal EEG. Dilakukan pengaturan beberapa parameter dari model hingga didapatkan hasil pengujian yang optimal. Dari hasil pengujian menunjukkan bahwa model CNN yang dikembangkan mampu mengklasifikasikan emosi dengan tingkat akurasi yang cukup tinggi dibandingkan dengan metode klasifikasi lainnya. Dari hasil evaluasi yang dilakukan model yang dikembangkan memiliki nilai akurasi sebesar 87.5%, tak hanya itu pada penelitian ini menampilkan efek ketidakseimbangan jumlah kelas serta teknik penyeimbangan yang dilakukan.

---

This research focuses on emotion classification using artificial neural networks (CNNs) utilizing electroencephalography (EEG) signals. Human emotions are an important aspect of human-computer interaction, and accurately classifying emotions can improve the applicability of technology in various applications. The EEG signal samples used in this study come from the SEED-V dataset.  The data sample has 62 electrode channels with 5 types of emotion classifications, namely Sad, Happy, Neutral, Disgust, Fear. The EEG signal is then processed and decomposed into 5 types of bands alpha, beta, theta, delta, and gamma. The decomposed signal will be processed to extract features using Differential Entropy and then transformed into 2-dimensional data. CNN model is used as a classification algorithm to detect complex patterns in EEG signals. Tunning is done for several parameters of the model until optimal test results are obtained. The test results show that the CNN model developed is able to classify emotions with a fairly high level of accuracy compared to other classification methods. From the evaluation results, the developed model has an accuracy value of 87.5%, Furthermore, this study shows the effects of class size imbalance and the balancing techniques used. "

"Land cover information is vital for supporting decision concerning the management of the environment and for understanding the causes and trnds of human and natural processess on the earth surface...."

"Terapi radionuklida merupakan salah satu metode klinis untuk mengatasi tumor ataupun kanker. Salah satu bagian penting dari perhitungan dosimetri pada terapi radionuklida adalah penentuan Time-Integrated Activity Coefficient (TIAC). Kompleksitas perhitungan TIAC membutuhkan adanya perangkat lunak untuk membantu perhitungannya. Perangkat lunak yang sudah ada tidak dapat diperoleh dengan mudah, hanya berfokus kepada pengolahan citra, serta menerapkan perhitungan TIAC dengan tidak memperhitungkan ketidakpastian saat melakukan fitting dan tidak menerapkan model selection. Penelitian ini bertujuan untuk mengembangkan perangkat lunak open source OpenDose dalam hal penentuan TIAC dengan melakukan fitting yang mempertimbangkan ketidakpastiannya serta menerapkan metode model selection. Hasil fitting dari perangkat lunak yang dibangun ini dibandingkan dengan perangkat lunak SAAM II untuk validasi. Metode model selection dilakukan dengan membandingkan goodness of fit tiap fitting yang dihasilkan, model terbaik dipilih untuk dihitung luas di bawah kurva (AUC) yang nantinya digunakan untuk perhitungan TIAC. Hasil penelitian ini menunjukkan bahwa perangkat lunak yang dibangun menghasilkan nilai deviasi relatif dari parameter dan standar deviasinya di bawah 10% jika dibandingkan dengan SAAM II serta berhasil mengaplikasikan model selection dengan baik sehingga perangkat lunak yang dibangun dapat diimplementasikan pada OpenDose.

---

Radionuclide therapy is one of the clinical methods to treat both tumor and cancer. One of the important parts for its dosimetry calculation is Time-Integrated Activity Coefficient (TIAC) calculations. The complexity of TIAC calculations makes it important to have software to help its calculations. Existing software is unaffordable, focuses only on image processing, and calculating TIAC without considering uncertainty and without applying model selection. This research intended to develop open-source software OpenDose in terms of TIAC calculation which considers uncertainty and applying model selection. The fitting results from the developed software are compared to the results from SAAM II software. Model selection is done by comparing its goodness of fit criteria of each fitting result, the best model is proceeded to Area Under the Curve (AUC) calculation which is used to determine TIAC. This research shows that the developed software is under 10% in relative deviation for every parameter and its standard deviation compared to SAAM II. This software also performs model selection successfully which concludes that this software is ready to be implemented to OpenDose software."

"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%."

"Telur ayam kampung atau telur ayam buras adalah telur ayam umum dikonsumsi masyarakat Indonesia sebagai makanan biasa atau juga sebagai obat. Pengklasifikasian kualitas telur ayam kampung. Dilakukan untuk dapat membedakan telur yang layak konsumsi dan tidak layak konsumsi. Beberapa penelitian serupa menggunakan Arduino dan sensor photodioda untuk melakukan klasifikasi, selain itu juga ada beberapa penelitian yang menggunakan machine learning untuk membedakan jenis telur. Dari penelitian yang telah di lakukan dilihat bahwa akurasi masih kecil, dan dirasa masih bisa di ditingkatkan. Dalam penelitian ini dibuat sistem klasifikasi kualitas telur ayam kampung dengan menggunakan algoritma you only look once (YOLO) versi 4. Data set yang digunakan pada penelitian ini berupa data set dari 4 kategori kondisi telur atau 4 class antara lain telur baik, busuk, fertil, dan telur retak. Data set diakuisisi dengan disinari dengan lampu led yang diberikan tegangan 12V pada kotak akuisisi, dan citra ditangkap dengan webcam Logitech c270. Dari pelatihan data set citra telur ayam kampung dihasilkan akurasi sebesar 96.76% di pengujian pada validation set dan sebesar 95.26% pada test set. Dari kasus pendeteksian kualitas telur ayam kampung dengan deep learning berbasis algoritma YOLOv4 ini memungkinkan adanya pengembangan lebih lanjut.

---

Local breed chicken eggs or local breed chicken eggs are chicken eggs that are commonly consumed by Indonesian people as ordinary food or also as medicine. Classification of local breed chicken egg quality. This is done to be able to distinguish eggs that are suitable for consumption and not suitable for consumption. Several similar studies used Arduino and photodiode sensors to carry out classification, besides that there were also several studies using machine learning to distinguish types of eggs. From the research that has been done, the accuracy is still small, and it is felt that it can still be improved. In this research, local breed chicken egg quality classification system was created using you only look once (YOLO) version 4 algorithm. The dataset used in this study was a data set of 4 categories of egg conditions or 4 classes including good eggs, rotten, fertile, and cracked eggs. The dataset was acquired by irradiating it with a led lamp supplied with a 12V voltage on the acquisition box, and the image was captured with a Logitech c270 webcam. From the local breed chicken egg image dataset training, an accuracy of 96.76% was obtained in the validation set test and 95.26% in the test set. From the case of detecting local breed chicken egg quality with deep learning based on the YOLOv4 algorithm, it allows for further development."