"Identifikasi radionuklida secara cepat dan akurat merupakan aspek krusial dalam pemantauan radiasi, pengawasan lingkungan, serta keamanan nuklir. Spektrum gamma yang dihasilkan oleh detektor seperti NaI(Tl) menyimpan informasi penting mengenai jenis dan aktivitas radionuklida, namun interpretasinya dapat menjadi kompleks, terutama dalam kondisi tumpang tindih antar puncak energi dan penurunan kualitas spektrum akibat variasi jarak detektor atau waktu akuisisi. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model klasifikasi berbasis Convolutional Neural Network (CNN) guna mengidentifikasi beberapa jenis radionuklida (Co-60, Cs-137, dan gabungannya) pada spektrum gamma, dengan mempertimbangkan transformasi data dan pengaruh variasi laju dosis. Dataset spektrum gamma diperoleh dari simulasi dan pengukuran eksperimental menggunakan detektor NaI(Tl), kemudian diproses melalui tahapan normalisasi, pengurangan background, transformasi ke citra 2D Hilbert Curve serta pewarnaan dengan colormap. Model CNN dilatih menggunakan metode 5-Fold Cross-Validation dan dievaluasi berdasarkan metrik akurasi, presisi, recall, F1-score, confusion matrix, dan ROC Curve. Hasil penelitian menunjukkan bahwa CNN mampu mengklasifikasikan spektrum gamma dengan sangat baik, mencapai akurasi 100% dalam kondisi ideal, yaitu jarak detektor 20 cm dan waktu akuisisi 60 detik, serta menunjukkan performa yang andal dalam data dengan variasi jarak dan waktu. Transformasi spektrum ke citra 2D terbukti meningkatkan kemampuan model dalam mengenali pola spasial khas masing-masing radionuklida, di mana Co-60 dan gabungannya memperlihatkan pola intensitas kompleks akibat dua puncak energi, sementara Cs-137 menampilkan pola lebih terpusat karena satu puncak dominan di 662 keV. Uji coba terhadap variasi kondisi input menunjukkan bahwa akurasi model menurun secara bertahap pada kombinasi jarak yang lebih jauh dan waktu akuisisi yang lebih singkat, dengan akurasi rata-rata 80% dalam kondisi ekstrem, serta sensitivitas tertinggi pada kelas Cs-137. Selain itu, dilakukan analisis hubungan antara laju dosis viii viii Universitas Indonesia yang dihitung berdasarkan energi rata-rata dan laju hitungan terhadap akurasi klasifikasi. Ditemukan bahwa semakin tinggi laju dosis yang diterima detektor, semakin baik pula kualitas spektrum dan akurasi CNN dalam melakukan klasifikasi, di mana akurasi mencapai mendekati 100% pada laju dosis di atas 2000 μSv/h. Sebaliknya, pada laju dosis rendah. yaitu di bawah 1000 μSv/h, performa model turun secara signifikan, terutama pada kelas gabungan, yang menunjukkan ketergantungan kuat CNN terhadap jumlah foton dan kejernihan pola spektral. Dengan demikian, penelitian ini membuktikan bahwa CNN efektif dalam mengidentifikasi beberapa radionuklida dari spektrum gamma yang telah ditransformasikan, serta memiliki ketahanan performa yang baik terhadap variasi input, meskipun tetap dipengaruhi oleh kondisi fisik seperti intensitas radiasi atau laju dosis.
This study aims to develop and evaluate a Convolutional Neural Network (CNN) model for identifying radionuclides in gamma spectra, considering the effects of dose rate variations. The gamma spectra data, obtained using NaI(Tl) detektors, were preprocessed by normalizing, subtracting background, transforming into 2D images via Hilbert transform, and applying Color Mapping. The CNN model was trained using 5-Fold Cross-Validation, evaluated through accuracy, precision, recall, F1-score, confusion matrix, and ROC Curve. The results show that the CNN model effectively classifies gamma spectra, achieving 100% accuracy in ideal conditions (detektor distance 20 cm, acquisition time 60 seconds). Additionally, the model's performance remains robust despite varying input conditions, with an average accuracy of 80% under extreme scenarios (longer distance, shorter acquisition time). The analysis of dose rate impact reveals a strong correlation between higher dose rates and improved classification accuracy. At dose rates above 2000 μSv/h, the model reaches nearly perfect accuracy, while lower dose rates lead to a decrease in performance, especially in the combined radionuclide class, Co-60 & Cs-137. This research demonstrates CNN's capability for radionuclide identification in complex gamma spectra and highlights the importance of dose rate in classification reliability."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2025
