Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
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 However, the performance of these algorithms has been superseded by the emergence of machine learning.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%.

Abstrak :
Salah satu upaya perlindungan dari potensi bahaya radiasi di lingkungan sebagai dampak dari adanya lepasan radiasi disekitar fasilitas nuklir adalah dengan pemantauan dosis radiasi di lingkungan secara waktu nyata dan terus-menerus. Penelitian ini mengkaji sistem pemantaun radiasi di lingkungan yang telah diterapkan saat ini, kemudian mengembangkan sistem tersebut agar lebih berdayaguna dalam rangka kesiapsiagaan nuklir. Pengembangan sistem dilakukan melalui penambahan jaringan sensor nirkabel dan fitur peringatan dini.Jaringan sensor nirkabel JSN yang diaplikasikan kedalam sistem, meliputi JSN berbasis radio frekuensi RF dan general packet radio service GPRS. Faktor koreksi hasil pengukuran JSN GPRS tipe Pancake terhadap peralatan komersial JSN RF untuk pengukuran paparan radiasi lingkungan adalah 0.657, sedangkan faktor koreksi JSN GPRS tipe NaI Tl adalah 0,502. Data yang dikirim oleh perangkat deteksi gamma dikumpulkan di server yang dikelola oleh Pusat Pendayagunaan Informatika dan Kawasan Strategis Nuklir PPIKSN-BATAN. Data yang diterima server disimpan di database xmonitoring, dapat dilihat secara langsung nilai paparan radiasi di lingkungan melalui phpmyadmin. Disain website dapat dikunjungi pada alamat http: 223.25.97.90/radmon-farid/index.php. Sistem peringatan dini akan dikirimkan ke operator penanggungjawab sistem radmon, apabila parameter pembatas paparan radiasi lingkungan sebesar 0,3 ?Sv/jam terlampaui. SMS peringatan dini akan dikirimkan kepada operator sistem radmon setelah 15 - 60 detik data pengukuran paparan radiasi lingkungan diterima oleh server.

---

One effort to protection from increasing of potentially environmental radiation hazards as impact of radiation discharge around nuclear facilities by environmental radiation monitoring in real time and continuously. This research focus on radiation monitoring sistem, then develop this sistem more efficiently for nuclear preparedness. This system was developed through addition of wireless sensor networks and early warning features. Wireless sensor networks WSN was applied to this system, including WSN based on radio frequency RF and general packet radio service GPRS. The correction factor of WSN GPRS Pancake type measurement results compare to WSN RF commercial equipment for environmental radiation exposure is 0.657, and correction factor for WSN GPRS NaI Tl type is 0.502. Data has been collected on the servers, who manage by Center for Informatics and Nuclear Strategic Zone Utilization BATAN Serpong. The value of doserate data was received of the server will be viewed on the graph of the website, with address 223.25.97.90 radmon farid index.php. This system will be sent to the radmon operator, if the parameters of threshold environmental radiation level was exceeded from 0.3 Sv h. after 15 60 seconds of measurement data of environmental radiation exposure received by the server. SMS early warning will be delivered to the operator this system, after 15 60 seconds environmental radiation exposure measurement was received.

Abstrak :
ABSTRAK
Verifikasi dosis harus dilakukan pada setiap pra-terapi yang menggunakan teknik IMRT. Salah satu alat ukur dosimetri IMRT adalah matriks jenis ion chamber matriXX-FFF,IBA yang memberikan hasil pengukuran dosis secara real-time, serta tidak diperlukan kalibrasi berkala. Tetapi, dosimetri tersebut memiliki resolusi spasial terbatas, tergantung pada ukuran dan bentuk detektor serta ada efek transport elektron sekunder dari dinding detektor ke dalam volume detektor, sehingga seringkali mengakibatkan hasil verifikasi cukup rendah. Hal tersebut salah satunya dapat diatasi dengan metode back projection yang diusulkan oleh Poppe et al. Pada penelitian ini metode tersebut diterapkan dengan menggunakan fungsi kernel dari lapangan tunggal, kemudian diaplikasikan pada variasi lapangan persegi, kondisi No-BuildUp NBU dan BuildUp BU , posisi Extended-SSD, serta kasus IMRT dengan energi 6 MV dan 10 MV. Analisis indeks gamma Dose Difference/DD dan Dose to Agreement/DTA digunakan untuk memverifikasi efektivitas metode ini. Fungsi kernel diperoleh dari lapangan persegi 4 cm dengan dekonvolusi perbandingan MatriXX-FFF dan TPS. Hasil menunjukan terjadi peningkatan nilai passing grade secara keseluruhan 0 - 15.9 , = 4.84 , ? = 4.81 , dimana nilai tertinggi pada lapangan persegi 4 cm dan 5 cm, baik kondisi NBU dan BU. Hal tersebut mengindikasikan adanya ketergantungan kernel terhadap ukuran lapangan. Hasil penerapan pada kasus IMRT juga memberikan kecenderungan peningkatan nilai passing grade. Kedepannya perlu dilakukan penelitian yang lebih lanjut mengenai hubungan fungsi kernel terhadap ukuran lapangan serta penerapan pada kasus IMRT lebih banyak.

---

ABSTRACT
Verification process has to be carried out every pre treatment by using Intensity Modulated Radiotherapy IMRT . One of dosimetry tools for IMRT is matrix detector type of ionization chamber that gives the result of dose measurement in real time, and is not required calibration periodically. But, the dosimetry has finite spatial resolution, depends on size and shape of detector, and occur the effect of secondary electron transpot from detector wall to detector volume, so that often gives the result of gamma parameter low enough. One of solutions, it can be solved by back projection method proposed by Poppe et al. In this research, that method could be applied by using kernel function of single field, then be used for variations of square field, no BuildUp NBU and BuildUp BU condition, extended SSD position, and IMRT case with 6 MV and 10 MV. Analysis of gamma parameter Dose Difference DD and Dose to Agreement DTA is used to verify the effectiveness of this method. The kernel function is obtained from square field of 4 cm by deconvolution from comparison of MatriXX FFF and TPS. The results show increasing passing grade value for all of fields 0 15.9 , 4.84 , 4.81 , where the highest values are on square field of 4 cm and 5 cm at NBU and BU condition. All of those indicate the dependence kernel function to size of field. Application result of IMRT cases also give the same trend of increasing passing grade value. For the next, it needs to do research more about the relationship kernel function to size of field and the application of this method on IMRT case.

Abstrak :
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.