Hasil Pencarian  ::  Simpan CSV :: Kembali

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

"PENETAPAN FAKTOR KOREKSI SELF ATTENUATION PADA ANALISIS SAMPEL SEDIMEN DENGAN SPEKTROMETRI GAMMA. Efisiensi pengukuran konsentrasi radionuklida pada analisis sampel sedimen dengan sistem spektrometri gamma dapat dipengaruhi oleh gejala self attenuation. Oleh karena itu faktor koreksi efisiensi harus ditetapkan untuk memperoleh hasil pengukuran yang lebih baik. Penetapan faktor koreksi efisiensi untuk pengukuran konsentrasi radionuklida telah dilakukan dengan metoda transmisi menggunakan sumber standar titik Cs-137 (energi 662.61 keV). Sumber standar tanah IAEA Reference Material 375 Soil digunakan sebagai standar kalibrasi efisiensi yang akan dikoreksi. Pada penelitian ini, sampel sedimen laut dicuplik dari perairan laut Jepara, Madura, Parepare, Bangka dan Balikpapan. Diperoleh faktor koreksi efisiensi berturut-turut sebesar 0.8621, 0.8266, 0.8026, 0.7705 dan 0.7406. Hasil ini menunjukkan bahwa faktor koreksi efisiensi akan mendekati satu jika selisih kerapatan matriksnya mendekati nol dan dimensi sampel sama dengan sumber standar "

"The estimation of dose rate (external+internal) from natural radinuclides y-emitter and 137 Cs in sea water an marine sediment to larvae smaal insect."

"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."