- Free Documents

Spektrometer adalah alat untuk mengukur spektrum cahaya.
Spektrometer, spektrograf atau Spektroskop
Diagram skema dari alat spektrometer
Dalam astronomi dan beberapa cabang ilmu fisika dan kimia, spektrometer adalah alat optik
untuk menghasilkan garis spektrum cahaya dan mengukur panjang gelombang serta
intensitasnya.
Artikel bertopik fisika ini adalah sebuah rintisan. Anda dapat membantu Wikipedia
dengan mengembangkannya.
PENGEMBANGAN SPEKTROMETER SINARGAMMA DENGAN SISTEM
IDENTIFIKASI ISOTOP RADIOAKTIF MENGGUNAKAN METODE
JARINGAN SYARAF TIRUAN
M. Syamsa Ardisasmita
ABSTRAK
PENGEMBANGAN SPEKTROMETER SINARGAMMA DENGAN SISTEM
IDENTIFIKASI ISOTOP RADIOAKTIF MENGGUNAKAN METODE JARINGAN SYARAF
TIRUAN. Metode jaringan syaraf tiruan telah ditambahkan ke spektrometer sinargamma
berbasis
komputer personal untuk mengidentifikasi isotop radioaktif secara otomatis dalam waktu
nyata dari
spektra sinargamma yang dipancarkan. Dua arsitektur jaringan syaraf telah diteliti
Perceptron dan
Optimal Linear Associative Memory OLAM. Kedua jaringan tersebut mempunyai tanggap
linier dan
tepat digunakan untuk menentukan komposisi cuplikan yang tidak dikenal dengan
membandingkan
superposisi linier dari spektrum yang tidak dikenal terhadap spektra acuan. Perbandingan
dari kedua
arsitektur tersebut memperlihatkan bahwa OLAM adalah lebih baik daripada Perceptron
untuk aplikasi
identifikasi. Kelebihan dari teknik jaringan syaraf adalah menggunakan seluruh spektrum
untuk proses
identifikasi daripada hanya menggunakan puncakpuncak energi foton gamma individual
seperti pada
metode klasik. Sistem ini dapat menyelesaikan masalah pengidentifikasian pada
spektrometer sinargamma
resolusi rendah dengan hasil yang sangat baik seperti pada detektor sintilasi NaITl. Sistem
ini
telah diuji menggunakan data eksperimen dari detektor NaITl dengan hasil yang baik dan
pendekatan
jaringan syaraf sangat membantu dalam situasi yang membutuhkan jawaban sistem yang
cepat.
Kata Kunci Spektroskopi gamma, jaringan syaraf, identifikasi isotop
ABSTRACT
THE DEVELOPMENT OF GAMMARAY SPECTROMETER WITH RADIOACTIVE
ISOTOPE IDENTIFICATION SYSTEM USING ARTIFICIAL NEURAL NETWORKS
METHODS. An artificial neural networks methods have been added to a PC based
gammaray
spectrometer to automatically identify radioactive isotopes in realtime from their gammaray
spectra.
Two neural network architectures are examined the Perceptron and the Optimal Linear
Associative
Memory OLAM. Both networks have a linear response and are useful in determining the
composition of
an unknown sample when the spectrum of the unknown is a linear superposition of reference
spectra. A
comparison of the two architectures shows that OLAM is superior to Perceptron for this
application.
One feature of this technique is that it uses the whole spectrum in the identification process
instead of
only the individual gamma photopeaks. This system is useful to solve a problem of
identification with a
good result from lower resolution gammaray spectrometers, like NaITl detectors. This system
has been
successfully tested with experimental data from NaITl detectors and the neural network
approach is
useful in situations that require fast response.
Key words gamma spectroscopy, neural networks, isotope identification.
Pusat Pengembangan Teknologi Informasi dan Komputasi BATAN
PEDAHULUAN
Dewasa ini dalam pemantauan lingkungan dibutuhkan peralatan untuk
mendeteksi pencemaran zat radioaktif dan mengidentifikasi jenis dan unsur dari
radioaktif pencemar tersebut ke lingkungan. Spektrometer sinar gamma dapat
digunakan untuk menganalisis sumber radioaktif yang kemudian dapat digunakan
untuk mengidentifikasi unsur atau isotopisotop radioaktif yang ada di dalamnya.
Biasanya untuk mengidentifikasi isotop radioaktif, spektrometer gamma dilengkapi
dengan suatu perangkat lunak untuk kalibrasi dan mencocokkan puncakpuncak energi
foton photopeak dengan suatu pustaka data nuklir. Untuk memahami puncakpuncak
energi spektrum maka dibutuhkan pengetahuan tentang interaksi radiasi sinar gamma
dengan materi. Tetapi dengan berkembangnya metode jaringan syaraf tiruan sebagai
bagian dari ilmu kecerdasan buatan, maka kita dapat menciptakan peralatan cerdas
yang dapat melakukan identifikasi isotop radioaktif secara otomatis yaitu dengan
mencocokan polapola spektral secara menyeluruh dari setiap sumber radioaktif dan
juga campurannya, tidak hanya dengan memeriksa puncakpuncak energi foton seperti
yang dilakukan selama ini.
Untuk memeriksa radiasi gamma dibutuhkan alat yang disebut spektrometer
yang terdiri dari detektor radiasi gamma, rangkaian elektronika penunjang, dan alat
yang disebut multichannel pulseheight analyzer MCA. Rangkaian elektronika, catu
daya tegangan tinggi dan rangkaian MCA kini telah dibuat secara terintegrasi dan onboard
pada slot komputer PC. Dengan perangkat lunak khusus, komputer PC dapat
berfungsi sebagai MCA dengan kemampuan pengolahan dan analisis yang lebih baik.
Karena berbasis komputer maka dapat direalisasikan sistem cerdas yaitu menerapkan
berbagai metode matematika dan kecerdasan buatan untuk memperkaya kemampuan
peralatan. Banyak isotop radioaktif dapat diidentifikasi dengan memeriksa
karakteristik sinar gamma dan spektral hasil interaksi sinargamma dengan materi
yang memberikan pola yang unik.
Jaringan syaraf tiruan artificial neural networks ANN merupakan sistem
pengolah informasi yang sifatsifat dasarnya menyerupai jaringan syaraf biologi. Ciri
dari jaringan syaraf adalah kemampuan untuk belajar learning process yaitu
memodifikasi tingkah laku sesuai dengan umpan balik dari lingkungannya. Sebuah
jaringan syaraf dilatih dengan memasukkan vektor masukan secara berurutan sehingga
diperoleh serangkaian keluaran tertentu yang konsisten dengan mengatur pembobotan
jaringan sesuai dengan prosedur yang telah ditetapkan. Kemampuan untuk
membedakan informasi dengan derau dan distorsi, atau merekonstruksi informasi yang
tidak lengkap agar mampu menangkap pola yang sebenarnya, merupakan hal yang
sangat penting dalam pengenalan dan identifikasi pola spektral. Pola spektral oleh
jaringan syaraf tiruan diklasifikasi berdasarkan keserupaan dengan perhitungan derajat
keserupaan. Klasifikasi pola spektral dan kategorisasi keanggotaan kelas merupakan
salah satu atribut dalam pengenalan pola menggunakan jaringan syaraf tiruan yang
dapat dilakukan dengan metode pembelajaran secara statistik atau deterministik.
SPEKTRUM SINARGAMMA
Sinar gamma adalah radiasi gelombang elektromagnetik dengan panjang
gelombang yang sangat pendek dalam orde Angstrom yang dipancarkan oleh inti
atom yang tidak stabil yang bersifat radioaktif. Setelah inti atom memancarkan
partikel o, elektron, positron, atau setelah peristiwa tangkapan elektron, inti
yang masih dalam keadaan tereksitasi tersebut akan turun ke keadaan dasarnya dengan
memancarkan radiasi gamma. Sebagai contoh, peluruhan unsur Cs menjadi Ba
melalui peluruhan yang diikuti pemancaran radiasi .
Cs Ba
Skema peluruhan Cs dapat dilihat pada gambar .
Gambar . Skema peluruhan Cs
Detektor yang umum digunakan dalam spektroskopi gamma adalah detektor
sintilasi NaI Tl. Detektor ini terbuat dari bahan yang dapat memancarkan kilatan
cahaya apabila berinteraksi dengan sinar gamma. Efisiensi detektor bertambah dengan
meningkatnya volume kristal sedangkan resolusi energi tergantung pada kondisi
pembuatan pada waktu pengembangan kristal. Sinar gamma yang masuk ke dalam
detektor berinteraksi dengan atomatom bahan sintilator menurut efek fotolistrik,
hamburan Compton dan pasangan produksi, yang akan menghasilkan kilatan cahaya
dalam sintilator. Keluaran cahaya yang dihasilkan oleh kristal sintilasi sebanding
dengan energi sinar gamma. Kilatan cahaya oleh pipa cahaya dan pembelok cahaya
ditransmisikan ke fotokatoda dari photomultiplier tube PMT kemudian digandakan
sebanyakbanyaknya oleh bagian pengganda elektron pada PMT. Arus elektron yang
dihasilkan membentuk pulsa tegangan pada input penguat awal preamplifier . Pulsa
ini setelah melewati alat pemisah dan pembentuk pulsa dihitung dan dianalisis oleh
Mulichannel Analyzer MCA dengan tinggi pulsa sebanding dengan energi gamma.
Cs
Ba m , keV
,
Ba
Stable
Gambar . Skema bagan spektrometer sinar gamma.
Jika energi radiasi yang dipancarkan oleh unsur radioaktif Cs diserap
seluruhnya oleh elektronelektron pada kristal detektor NaITl maka interaksi ini
disebut efek fotolistrik yang menghasilkan puncak energi photopeak pada spektrum
gamma gambar pada daerah energi , keV. Apabila foton gamma berinteraksi
dengan sebuah elektron bebas atau yang terikat lemah, misal elektron pada kulit
terluar suatu atom, maka sebagian energi photon akan diserap oleh elektron dan
kemudian terhambur. Interaksi ini disebut dengan hamburan Compton.
Gambar . Spektrum gamma dari Cs
Titik batas antara interaksi Compton dan foto listrik menghasilkan puncak
energi yang disebut Compton edge. Puncak Backscatter disebabkan oleh foton yang
telah dihamburkan keluar ternyata didefleksi balik kedalam detektor sehingga
terdeteksi ula ng. Sebagian besar energi foton Cs , dipancarkan dengan
energi , keV, tetapi ada juga foton yang dipancarkan dengan energi masingmasing
, keV ,, , keV ,, , keV , dan , keV
,. Energi foton sebesar , keV terlampau kecil untuk terdeteksi oleh detektor
NaITl. Tiga energi berikutnya , , , dan , keV terlalu dekat untuk
Nuclear
Radiation
Scintilator
Photocathode
Light
reflector
Light
pipe
Preamplifier
Discriminator
and pulse
shaper
High voltage
Photomultiplier
Tube
MCA
dapat dipisahkan oleh detektor NaITl sehingga muncul sebagai multiplet dengan
energi ratarata , keV. Demikian contoh karakteristik spektra dari isotop Cs,
setiap isotop mempunyai karakteristik pola spektral yang berbedabeda yang dapat
digunakan untuk mengidentifikasi isotopisotop tersebut.
JARINGAN SYARAF TIRUAN
Jaringan syaraf tiruan merupakan sistem terdiri dari neuronneuron yang saling
berhubungan yang menyerupai jaringan syaraf biologis. Karakteristik dari jaringan
syaraf dapat dibedakan berdasarkan Arsitektur keterhubungan antara neuron
dalam jaringan Metodologi pembelajaran dengan mengubahubah nilai
pembobotan antara neuron Fungsi aktivasi yang membatasi nilai keluaran neuron.
Arsitektur jaringan adalah susunan atau struktur neuron dalam membentuk sebuah
lapisan dan bagaimana pola keterhubungan. Selain arsitektur jaringan maka proses
pembelajaran dalam jaringan syaraf merupakan hal yang sangat penting. Ada dua
golongan pembelajaran yaitu pembelajaran dengan pengarahan supervised learning
dan pembelajaran tanpa pengarahan unseprvised learning.
Gambar . Mekanisme pemrosesan neuron tunggal
Prinsip kerja neuron adalah menerima masukkan dari beberapa neuron yang
berada didepannya. Nilai sinyal masukkan akan dikalikan dengan bobot
keterhubungan antara neuron dan kemudian dijumlahkan untuk memberikan nilai total
masukkan. Fungsi aktivasi atau fungsi transfer menghubungkan nilai total masukan
untuk menghasilkan keluaran. Apabila nilai total masukkan mencapai nilai tertentu
maka neuron tersebut akan mengirim sinyal keluaran gambar . Pembelajaran
dilakukan dengan memberikan sekumpulan vektor pola masukan beserta pasangan
vektor keluarannya yang telah ditentukan kategorinya yang disebut sebagai vektor
target keluaran. Untuk dapat menghasilkan derajat kesesuaian atau hubungan antara
vektor masukan dengan vektor target keluarannya maka dilakukan pembelajaran yaitu
dengan mengubahubah nilai bobot keterhubungan antara neuron sampai dihasilkan
kesalahan yang minimal. Ini dinamakan sebagai pembelajaran dengan pengarahan
yaitu jaringan belajar dari contohcontoh kasus learning by example dan mengadapsi
dirinya untuk memperoleh solusi. Pembobotan sinaptik atau kekuatan koneksi antara
neuron dipergunakan untuk menyimpan pengetahuan seperti pada neuron biologis.
Gambar . Jaringan syaraf tiruan untuk mengidentifikasi isotop radioaktif
Sampel radioaktif tidak dikenal yang akan diidentifikasi biasanya merupakan
campuran dari sejumlah isotop radioaktif. Spektra dari sampel tersebut merupakan
superposisi linier dari spektra setiap isotop secara individual. Setiap kanal dari spektra
sampel diumpankan kedalam jaringan syaraf untuk dicocokkan dengan datadata
acuan yang merupakan spektra dari setiap unsur radioaktif yang sudah dikenalkan
pada proses pembelajaran. Jaringan syaraf kemudian akan mengidentifikasi komposisi
dari sampel tersebut. Jaringan syaraf tiruan yang dibutuhkan untuk identifikasi adalah
yang memiliki kemampuan tanggap linier seperti Perceptron dan Optimum Linier
Associative Memory OLAM.
Perceptron
Perseptron, yang diperkenalkan oleh Rosenblatt adalah sistem jaringan
syaraf sederhana dengan arsitektur lapisan tunggal dan feedforward network yang
banyak digunakan untuk mensimulasikan proses pengenalan pola yang polapolanya
terpisah secara linier. Konsep utama pengenalan pola adalah diskriminan yaitu sebuah
fungsi atau operator untuk pengukuran keanggotaan kelas atau nilai atribut.
Diskriminan linier dapat digambarkan secara skematik dimana nilai ciri pola
merupakan masukan ke suatu kotak hitam diskriminan. Dalam pendekatan matematis,
pola digambarkan dalam bentuk vektor X dan pemecahan untuk diskriminan linear
adalah mencari vektor kolom koefisien pembobotan W sedemikian sehingga elemenelemen
keluarannya merupakan nilai yang ditetapkan dalam pembelajaran.
Pemecahannya dilakukan dengan memperbaharui secara iteratif koefisien vektor
penimbang sehingga selisih antara keluaran yang diinginkan dan keluaran yang
sebenarnya menjadi minimal. Dalam kasus umum biasanya diskriminan tidak linear
sehingga pemecahannya akan lebih rumit yaitu menggunakan penyelesaian persamaan
nonlinear. Tahaptahap aturan pembelajaran Perceptron dilakukan dengan algoritma
dibawah ini
Tahap . Inisialisasi nilainilai pembobotan dengan bilangan acak.
Tahap . Perkenalkan pasanganpasangan dari pola spektra masukan dan jenis isotop
keluaran ke jaringan syaraf.
Tahap . Jalarkan data maju dan bangkitkan klasifikasi keluaran
Tahap . Hitung kesalahan kuadrat ratarata antara klasifikasi target dengan
klasifikasi aktual.
Tahap . Adaptasikan bobotbobot sinaptik dengan menggunakan aturan delta untuk
mengurangi kesalahan keluaran. AW qtp ypxp q adalah kadar pembelajaran.
Tahap . Apabila masih ada spektra pada himpunan pembelajaran maka kembali ke
tahap .
Tahap . Jika kesalahan keluaran masih besar atau belum mencapai jumlah iterasi
maksimum maka kembali ke tahap .
Optimal Linier Associative Memory OLAM
SelfOrganization and Associative Memory dikembangkan oleh Teuvo Kohonen
dari Universitas Helsinki pada tahun . Jaringan ini dapat mendeteksi keteraturan
dan korelasi dari masukanmasukannya dan belajar mengenal kelompokkelompok
masukan yang serupa. Pendekatan Optimal Linier Associative Memory didasarkan
pada model memori untuk merepresentasikan suatu matriks. Misalkan sebagai contoh
kita ambil beberapa nada akan mengingatkan kita pada sebuah lagu. Kemampuan
seperti itu bagi psikolog sering disebut dengan Associative Memory. Aturan
pembelajarannya menggunakan ortogonalisasi matriks, dengan proses pembelajaran
sebagai berikut
Tahap . Dari matriksmatriks spektral x, x, , xp dan konsentrasi isotop
t, t, , tp, susun matriks kolom X dengan dimensi np dan mstriks kolom target T
dengan dimensi mp.
Tahap . Buat inverse dari matriks spektral X. Karena umumnya X bukan matriks
persegi empat maka gunakan teknik pseudoinverse untuk membangkitkan X.
Tahap . Hitung matriks bobot sinaptik untuk memperoleh keserupaan maksimum
W TX.
HASIL DAN PEMBAHASAN
Detektor sintilator NaITl digunakan untuk mendeteksi sinargamma pada
daerah energi , MeV dengan efisiensi cukup tinggi dan resolusi
energi menengah . Sebagai spektrometer digunakan rangkaian terpadu
berbasis komputer personal yaitu kartu yang terdiri dari high voltage HV power
supply, charge sensitive preamplifier, shaping amplifier, MHz analog digital
converter ADC tipe Willkinson dan multichannel analyzer MCA. Spektrometer
menghasilkan data dengan resolusi sebesar kanal yang seluruhnya diumpankan
sebagai masukan bagi ANN. Satu masukkan untuk setiap kanal, artinya seluruh
spektrum digunakan dalam proses identifikasi. Jumlah neuron dalam lapisan keluaran
tergantung dari jumlah isotop yang akan diidentifikasi gambar . Dalam percobaan
ini ada tiga isotop yang digunakan untuk data pelatihan yaitu Cs, Co dan Co.
Gambar . Prototip sistem identifikasi isotop secara otomatis
Setiap isotop pada spektrometer akan menghasilkan spektrum yang berbedabeda
sesuai dengan karakteristik isotop tersebut. Proses pembelajaran dilakukan
dengan memperkenalkan satu demi satu isotop murni sehingga terbentuk suatu basis
data spektra pada sistem yaitu spektra Cs, Co dan Co. Tujuan dari pelatihan ini
adalah agar diperoleh hubungan antara suatu spektra campuran dengan tandatanda
pola dari suatu spektra acuan. Pada Perceptron karena proses pembelajaran dilakukan
secara iteratif dengan ribuan kali pengulangan maka membutuhkan waktu cukup lama.
Dengan menggunakan komputer Pentium III MHz dibutuhkan waktu dalam orde
puluhan menit. Sedangkan pembelajaran pada OLAM karena bukan merupakan proses
iteratif maka dengan komputer Pentium yang sama hanya membutuhkan waktu sekitar
millidetik. Seluruh data hasil pembelajaran kemudian disimpan pada memori
lokal komputer untuk digunakan sebagai alat untuk mengidentifikasi dan
mencocokkan.
Gambar . Hasil identifikasi spektrum campuran Cs dan Co
Pelayanan operasi dilapangan dilakukan dengan memperkenalkan suatu sumber
radiasi yang tidak dikenal kedalam sistem. Dalam percobaan ini digunakan dua
sumber campuran yaitu Cs dan Co untuk diidentifikasi. Pada percobaan ini
Perceptron dapat mendeteksi radiasi gamma tetapi dengan ketelitian
pengidentifikasian yang kurang akurat karena ada jumlah penyisipan yang cukup besar
sekitar yaitu isotop Co yang salah teridentifikasi gambar a. Sedangkan
OLAM dapat mengidentifikasi kedua isotop tersebut secara akurat tanpa adanya
penyisipan gambar b. Derau latar belakang yang cukup besar atau pengaruh
lingkungan dapat mengurangi tingkat ketelitian Perceptron dari sampai . Untuk
memperbaikinya dibutuhkan penambahan jumlah data pelatihan agar dapat
mengkompensasi pola dari derau latar belakang tetapi mengakibatkan juga waktu
komputasi untuk pembelajaran yang lebih lama.
KESIMPULAN
Jaringan syaraf tiruan dapat dilatih untuk mengidentifikasi isotopisotop secara
otomatis tanpa membutuhkan keterlibatan seorang ahli selama pengoperasiannya dan
dalam waktu yang relatif cepat. Keunggulan penggunaan jaringan syaraf terutama
pada aplikasiaplikasi spekroskopi dengan resolusi rendah dimana pencocokan
dilakukan pada keseluruhan spektrum tidak hanya pada puncakpuncak energinya saja
sehingga dapat memberikan hasilhasil pemeriksaan kualitatif yang baik dalam
mengidentifikasi komposisi isotop dari cuplikan.
OLAM lebih baik dari pada Perceptron untuk keandalan klasifikasi, karena
dengan proses ortogonalisasi selama pelatihan, kesalahan OLAM selalu lebih kecil
dari Perceptron. Kekurangan OLAM adalah harus diberikan spektra ideal dalam
proses pelatihannya, walaupun waktu yang dibutuhkan OLAM untuk pelatihan jauh
lebih cepat dibandingkan waktu pelatihan untuk Perceptron yang bersifat iteratif.
DAFTAR PUSTAKA
. KELLER P.E., KANGAS L.J., TROYER G.L., HASHEM S., KOUZES R.T.,
Nuclear Spectral Analysis via Artificial Neural Networks for Waste Handling,
IEEE Transactions on Nuclear Science, August
. ALAM, STANTON S.L., HEBNER G.A., NearInfrared Spectroscopy and
Neural Networks for Resin Identification, Spectroscopy, February
. LERNER J.M., LU T, Practical Neural Networks Aid Spectroscopic Analysis,
Photonic Spectra, August
. OLMOS P., DIAZ J.C., PEREZ J.M., GARCIABELMONTE P., GOMEZ P.,
RODELLAR V., Application of neural network techniques in gamma
spectroscopy, Nuclear Instruments and Methods in Physics Research, A
. OLMOS P., DIAZ J.C., PEREZ J.M., GOMEZ P, RODELLAR V. , AGUAYO
P., BRU A., GARCIABELMONTE G, and PABLOS J.L, A New Approach to
Automatic Radiation Spectrum Analysis, IEEE Transactions on Nuclear Science,
August
. YTHOFF B.J., LEVINE S.P., TOMELLINI S.A. , Spectral Peak Verification
and Recognition Using a Multilayered Neural Network, Analytical Chemistry,
. KOHONEN T., Self Organization and Associative Memory, third ed., New York
SpringerVerlag,
DISKUSI
ENDANG ROSADI
Apakah dalam sistem ini diperlukan database radionuklida atau sistem lookup table.
M. SYAMSA ARDISASMITA
Database energi radionuklida sebagai acuan kalibrasi lookup table diperlukan pada
metode klasik yang menggunakan puncakpuncak energi foton gamma untuk
menentukan energi pancaran gamma sehingga dari hasil pencocokan nilai energi
pancaran gamma diperoleh jenis isotop yang diidentifikasi. Teknik jaringan syaraf
tiruan menggunakan seluruh bentuk spektrum untuk proses identifikasi, bukan hanya
puncakpuncak energinya saja, sehingga metode ini dapat melakukan identifikasi
dengan baik pada spektrometer gamma dengan resolusi rendah sekalipun.
ALHADI
. Adakah syarat minimal untuk data pelatihan sehingga hasilk training tersebut bisa
dianggap valid.
. Bolehkah data training tersebut digunakan untuk data target hasil pelatihan
tersebut digunakan untuk menambah data target yang dianggap idel.
M. SYAMSA ARDISASMITA
. Jika kita menggunakan data spektral ideal maka satu spektral sudah cukup untuk
merepresentasikan suatu isotop radioaktif. Karena tidak ada data yang ideal dialam
ini disebabkan noise dan gangguan dari lingkungan maka dilakukan
pelatihan dengan beberapa spektral minimum dua agar diperoleh data statistik
yang mendekati data ideal. Pada jaringan syaraf tiruan, makin banyak proses
pembelajaran maka makin baik respons dari sistem ini.
. Data pembelajaran dapat saja digunakan sebagai data target dan tentu saja karena
data tersebut merupakan salah satu data acuan yaitu spektra dari isotopisotop
tunggal yang sejenis maka hasilnyapun akan mendekati kebenaran. Hasil
pelatihan bukannya data spektra baru tetapi nilainilai bobot dan nilai bias yang
membandingkan data spektra masukkan dan data spektra isotopisotop target
yang akan diidentifikasi dengan kesalahan minimal dari suatu arsitektur jaringan
syaraf yang digunakan.
MOHAMAD AMIN
Dengan metode yang digunakan apakah pembelajaran memiliki nilai batas maksimum.
M. SYAMSA ARDISASMITA
Seperti sudah dijelaskan pembelajaran dilakukan dengan pengarahan yaitu dengan
memberikan sekumpulan pola spektral masukan beserta pasangan isotop keluarannya
untuk dapat menghasilkan hubungan dengan mengubahubah nilai bobot dan nilai bias
sampai dihasilkan nilai batas kesalahan yang minimal atau kalau tidak tercapai nilai
batas minimal sampai nilai iterasi maksimum yang dapat dilakukan.
DAFTAR RIWAYAT HIDUP
. Nama M. SYAMSA ARDISASMITA
. Tempat/Tanggal Lahir Bandung, Oktober
. Instansi PTIK BATAN
. Pekerjaan / Jabatan Kepala Pusat Pengembangan Teknologi
Informasi dan Komputasi
. Riwayat Pendidikan setelah SMA sampai sekarang
UI, Jurusan Fisika Instrumentasi Nuklir S
Univ. Montpellier II, Jurusan Pengolah Sinyal amp Telekom. S
Univ. Montpellier III, Jurusan Pengolah Citra Digital S
. Pengalaman Kerja
Kepala Bidang Sistem Komputer, PPI BATAN
Sekarang Kepala PTIK BATAN
Ahli Peneliti Madya Bidang Pengolahan Citra
INIS Liaison Officer of Indonesia
. Organisasi Professional
Himpunan Masyarakat Nuklir Indonesia HIMNI
Perhimpunan Ahli Teknik Indonesia PATI
Himpunan Masyarakat Instrumentasi Indonesia HMII
Himpunan Fisikawan Indomesia HFI
Indonesian Society of Microscopy and Microanalysist
The International Society of Optical Engineering SPIE
The International Society of Stereology ISS
The Imaging Science and Technology Society IST
a. Spektroskopi UVVIS
Umumnya spektroskopi dengan sinar ultraviolet UV dan sinar tampak VIS dibahas
bersama karena sering kedua pengukuran dilakukan pada waktu yang sama. Karena
spektroskopi UVVIS berkaitan dengan proses berenergi tinggi yakni transisi elektron dalam
molekul, informasi yang didapat cenderung untuk molekul keseluruhan bukan bagianbagian
molekulnya. Metoda ini sangat sensitif dan dengan demikian sangat cocok untuk tujuan
analisis. Lebih lanjut, spetroskopi UVVIS sangat kuantitatif dan jumlah sinar yang diserap
oleh sampel diberikan oleh ungkapan hukum LambertBeer. Menurut hukum ini, absorbans
larutan sampel sebanding dengan panjang lintasan cahaya d dan konsentrasi larutannya c.
The LambertBeer law
log
I
/I cd .
koefisien ekstingsi molar, yang khas untuk zat terlarut pda kondisi pengukuran. I
dan I
adalah intensitas cahaya setelah melewati pelarut murni dan larutan. I/I
juga disebut dengan
transmitans T/pgt
Contoh soal . Hukum LambertBeer
Suatu larutan dalam air senyawa X ditempatkan dalam sel berketabalan cm dan
absorbansnya pada nm ditentukan pada berbagai konsentrasi. Nilai transmitans
dituliskan dalam tabel berikut.
c mol dm
T
,
,
,
,
,
,
,,
Tentukan koefisien ekstingsi molar X.
Jawab
c mol dm
A
,
,
,
,
,
,
,
,
Hubungan linear didapatkan bila A diplotkan terhadap c, yang menunjukkan hukum Lambert
Beer dipenuhi. Kemiringan plotnya sekitar , x
dm
mol
adi kemiringan/d
dm
mol
Dengan mengukur transmitans larutan sampel, dimungkinkan untuk menentukan
konsentrasinya dengan menggunakan hukum LambertBeer. Karena spektroskopi UVVIS
sangat sensitif dan spektrometernya dapat dibuat dengan ukuran yang sangat kecil, metoda
ini
khususnya sangat bermanfaat untuk analisis lingkungan, dan khususnya cocok untuk
pekerjaan di lapangan.
Hukum LambertBeer dipenuhi berapapun panjang gelombang sinar yang diserap sampel.
Panjang gelombang sinar yang diserap oleh sampel bergantung pada struktur molekul
sampelnya. Jadi spektrometri UVVIS dapat digunakan sebagai sarana penentuan struktur.
Sejak , kimiawan SwissJerman Otto Nikolaus Witt mengusulkan teori
empiris warna zat yang ditentukan oleh panjang gelombang sinar yang diserap dan struktur
bagianbagiannya. Menurut teori ini, semua senyawa berwarna memiliki beberapa gugus tak
jenuh seperti yang diberikan di Gambar .. Gugus fungsi semacam ini disebut dengan
kromofor. Semua senyawa pewarna dan pigmen memiliki kromofor.
Terdapat beberapa faktor lain yang harus diperhatikan sehubungan dengan warna senyawa.
Panjang konjugas linear adalah faktor yang penting. Misalnya, warna merah karoten
Gambar . berasal dari sistem terkonjugasi, dan warna ini cocok dengan hasil
perhitungan kimia kuantum.
Terdapat beberapa gugus fungsi, seperti NR
, NHR, NH
, OH dan OCH
, yang memiliki
efek memekatkan warna kromofornya. Semua ini disebut auksokrom.
Gambar . Struktur karoten. Warna merah wortel dan tomat adalah akibat sistem
terkonjugasi yang panjang ini.
Namun, tidak mungkin menyimpulkan struktur senyawa dari senyawa dari warnanya atau
panjang gelombang sinar yang diserapnya.
b. Spektroskopi Infra merah IR
Dibandingkan dengan panjang gelombang sinar ultraviolet dan tampak, panjang gelombang
infra merah lebih panjang dan dengan demikian energinya lebih rendah. Energi sinar
inframerah akan berkaitan dengan energi vibrasi molekul. Molekul akan dieksitasi sesuai
dengan panjang gelombang yang diserapnya. Vibrasi ulur dan tekuk adalah cara vibrasi
yang
dapat diekstitasi oleh sinar dengan bilangan gelombag jumlah gelombang per satuan
panjang dalam rentang cm
.
Hampir semua gugus fungsi organik memiliki bilangan gelombang serapan khas di daerah
yang tertentu. Jadi daerah ini disebut daerah gugus fungsi dan absorpsinya disebut absorpsi
khas. Gambar . menunjukkan spektra IR tiga senyawa karbonil. Semua senyawa
memiliki serapan kuat di rentang cm
.
Bilangan gelombang vibrasi ulur karbonil agak berbeda untuk aldehida, keton dan asam
karboksilat, yang menunjukkan bahwa analisis bilangan gelombang karakteristik dengan teliti
dapat memberikan informasi bagian struktur molekulnya. Di Tabel . serapan khas
beberapa gugus ditabelkan. Serapan khas sungguh merupakan informasi yang kaya, tetapi
anda harus ingat bahwa kekuatan absorpsi tidak memberikan informasi kuantitatif. Dalam hal
ini, spektroskopi IR memang bersifat kualitatif, berbeda dengan spektrokopi UVVIS dan
NMR.
Seperti jelas terlihat di Gambar ., di daerah di bawah cm
, terdapat beberapa puncak
yang berhubungan dengan overtone dan kombinasi tone beberapa serapan, selain frekuensi
serapan ulur dan tekuk beberapa ikatan tunggal. Walaupun sukar untuk menandai setiap
puncak, pola umumnya khas untuk senyawa tersebut seprti sidik jari orang. Jadi, daerah ini
disebut dengan daerah sidik jari. Anda harus ingat bahwa kecocokan spektra IR dua
senyawa
adalah bukti tak terbantahkan bahwa dua senyawa tersebut identik. Karena pembandingan
dapat dilakukan dengan spektrum yang telah direkam, di sini tidak diperlukan sampel
standar
seperti yang diperlukan dalam uji titik leleh campuran. Uji titik leleh campuran mulai jarang
digunakan sejak berkembangnya spektroskopi IR.
Karena kayanya informasi dalam struktur senyawa organik, harus diakui
Gambar . Spektra IR tiga senyawa karbonil. a propanal CH
CH
CHO b aseton
CH
COCH
c asam propanoat CH
CH
COOH
Tabel . Serapan khas beberapa gugus.
bahwa spektra IR informasinya tak sekaya spektra NMR. Namun, spektroskopi IR tetap,
akan
tetap merupakan satu dari teknik yang paling sering digunakan untuk mendapatkan informasi
struktur berbagai tipe senyawa. Keuntungan spektroskopi IR dibanding NMR adalah
pengukurannya mudah dan sederhana, dan spektra IR tidak terlalu dipengaruhi oleh kondisi
pengukuran.
Contoh soal . Spektrum IR
Di Gambar ., ditunjukkan spektra IR a propanal CH
CH
CHOb aseton CH
CO
dan c asam propanoat CH
CH
COOH. Tandai puncakpuncak yang ditandai dengan angka
dan untuk setiap senyawa.
Jawab a CH ulur aldehida CO ulur b CH ulur CO ulur c OH
ulur CO ulur.
Selingan Penentuan struktur tetrodotoksin, racun dari ikan puffer
Tahun adalah tahun yang tidak terlupakan dalam sejarah kimia organik Jepang.
Penentuan struktur tetrodotoksin, racun dari ikat puffer, adalah tema yang sangat menarik
namun sukar pada waktu itu. Banyak kimiawan organik, termasuk Woodward, angkat tangan
pada masalah ini. Di tahun itu, International Conference on Natural Products Chemistry
diselenggarakan di Jepang, dan tiga periset Woodward, Yoshimasa Hirata
dan Kyosuke Tsuda , melaporkan struktur tetrodotoksin yang telah mereka
tentukan. Ketiganya identik
Kesuksesan mereka mengindikasikan bahwa saintis Jepang sekaliber peraih Nobel.
Woodward menggunakan kristalografi sinarX, dan Tsuda menggunakan data spektroskopi
NMR.
Kata Pencarian Artikel ini
Wahyu Riyadi
Where we go depends on what we know, and what we know depends on where we go..
Tentang saya
Usaha Pulsa
Monday, October ,