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 SINAR-GAMMA DENGAN SISTEMIDENTIFIKASI ISOTOP RADIOAKTIF MENGGUNAKAN METODEJARINGAN SYARAF TIRUANM. Syamsa Ardisasmita*

ABSTRAKPENGEMBANGAN SPEKTROMETER SINAR-GAMMA DENGAN SISTEMIDENTIFIKASI ISOTOP RADIOAKTIF MENGGUNAKAN METODE JARINGAN SYARAFTIRUAN. Metode jaringan syaraf tiruan telah ditambahkan ke spektrometer sinar-gamma berbasiskomputer personal untuk mengidentifikasi isotop radioaktif secara otomatis dalam waktu nyata darispektra sinar-gamma yang dipancarkan. Dua arsitektur jaringan syaraf telah diteliti: Perceptron danOptimal Linear Associative Memory (OLAM). Kedua jaringan tersebut mempunyai tanggap linier dantepat digunakan untuk menentukan komposisi cuplikan yang tidak dikenal dengan membandingkansuperposisi linier dari spektrum yang tidak dikenal terhadap spektra acuan. Perbandingan dari keduaarsitektur tersebut memperlihatkan bahwa OLAM adalah lebih baik daripada Perceptron untuk aplikasiidentifikasi. Kelebihan dari teknik jaringan syaraf adalah menggunakan seluruh spektrum untuk prosesidentifikasi daripada hanya menggunakan puncak-puncak energi foton gamma individual seperti padametode klasik. Sistem ini dapat menyelesaikan masalah pengidentifikasian pada spektrometer sinargammaresolusi rendah dengan hasil yang sangat baik seperti pada detektor sintilasi NaI(Tl). Sistem initelah diuji menggunakan data eksperimen dari detektor NaI(Tl) dengan hasil yang baik dan pendekatanjaringan syaraf sangat membantu dalam situasi yang membutuhkan jawaban sistem yang cepat.Kata Kunci: Spektroskopi gamma, jaringan syaraf, identifikasi isotop

ABSTRACTTHE DEVELOPMENT OF GAMMA-RAY SPECTROMETER WITH RADIOACTIVEISOTOPE IDENTIFICATION SYSTEM USING ARTIFICIAL NEURAL NETWORKSMETHODS. An artificial neural networks methods have been added to a PC based gamma-rayspectrometer to automatically identify radioactive isotopes in real-time from their gamma-ray spectra.Two neural network architectures are examined: the Perceptron and the Optimal Linear AssociativeMemory (OLAM). Both networks have a linear response and are useful in determining the composition ofan 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 ofonly the individual gamma photo-peaks. This system is useful to solve a problem of identification with agood result from lower resolution gamma-ray spectrometers, like NaI(Tl) detectors. This system has beensuccessfully tested with experimental data from NaI(Tl) detectors and the neural network approach isuseful in situations that require fast response.Key words: gamma spectroscopy, neural networks, isotope identification.* Pusat Pengembangan Teknologi Informasi dan Komputasi - BATAN

PEDAHULUANDewasa ini dalam pemantauan lingkungan dibutuhkan peralatan untukmendeteksi pencemaran zat radioaktif dan mengidentifikasi jenis dan unsur dariradioaktif pencemar tersebut ke lingkungan. Spektrometer sinar gamma dapatdigunakan untuk menganalisis sumber radioaktif yang kemudian dapat digunakanuntuk mengidentifikasi unsur atau isotop-isotop radioaktif yang ada di dalamnya.Biasanya untuk mengidentifikasi isotop radioaktif, spektrometer gamma dilengkapidengan suatu perangkat lunak untuk kalibrasi dan mencocokkan puncak-puncak energifoton (photopeak) dengan suatu pustaka data nuklir. Untuk memahami puncak-puncakenergi spektrum maka dibutuhkan pengetahuan tentang interaksi radiasi sinar gammadengan materi. Tetapi dengan berkembangnya metode jaringan syaraf tiruan sebagaibagian dari ilmu kecerdasan buatan, maka kita dapat menciptakan peralatan cerdasyang dapat melakukan identifikasi isotop radioaktif secara otomatis yaitu denganmencocokan pola-pola spektral secara menyeluruh dari setiap sumber radioaktif danjuga campurannya, tidak hanya dengan memeriksa puncak-puncak energi foton sepertiyang dilakukan selama ini.Untuk memeriksa radiasi gamma dibutuhkan alat yang disebut spektrometeryang terdiri dari detektor radiasi gamma, rangkaian elektronika penunjang, dan alatyang disebut multichannel pulse-height analyzer (MCA). Rangkaian elektronika, catudaya tegangan tinggi dan rangkaian MCA kini telah dibuat secara terintegrasi dan onboardpada slot komputer PC. Dengan perangkat lunak khusus, komputer PC dapatberfungsi sebagai MCA dengan kemampuan pengolahan dan analisis yang lebih baik.Karena berbasis komputer maka dapat direalisasikan sistem cerdas yaitu menerapkanberbagai metode matematika dan kecerdasan buatan untuk memperkaya kemampuanperalatan. Banyak isotop radioaktif dapat diidentifikasi dengan memeriksakarakteristik sinar gamma dan spektral hasil interaksi sinar-gamma dengan materiyang memberikan pola yang unik.Jaringan syaraf tiruan (artificial neural networks – ANN) merupakan sistempengolah informasi yang sifat-sifat dasarnya menyerupai jaringan syaraf biologi. Ciridari jaringan syaraf adalah kemampuan untuk belajar (learning process) yaitumemodifikasi tingkah laku sesuai dengan umpan balik dari lingkungannya. Sebuahjaringan syaraf dilatih dengan memasukkan vektor masukan secara berurutan sehinggadiperoleh serangkaian keluaran tertentu yang konsisten dengan mengatur pembobotanjaringan sesuai dengan prosedur yang telah ditetapkan. Kemampuan untukmembedakan informasi dengan derau dan distorsi, atau merekonstruksi informasi yangtidak lengkap agar mampu menangkap pola yang sebenarnya, merupakan hal yangsangat penting dalam pengenalan dan identifikasi pola spektral. Pola spektral olehjaringan syaraf tiruan diklasifikasi berdasarkan keserupaan dengan perhitungan derajatkeserupaan. Klasifikasi pola spektral dan kategorisasi keanggotaan kelas merupakansalah satu atribut dalam pengenalan pola menggunakan jaringan syaraf tiruan yangdapat dilakukan dengan metode pembelajaran secara statistik atau deterministik.SPEKTRUM SINAR-GAMMASinar gamma adalah radiasi gelombang elektromagnetik dengan panjanggelombang yang sangat pendek (dalam orde Angstrom) yang dipancarkan oleh intiatom yang tidak stabil yang bersifat radioaktif. Setelah inti atom memancarkanpartikel , ¯(elektron), (positron), atau setelah peristiwa tangkapan elektron, inti

yang masih dalam keadaan tereksitasi tersebut akan turun ke keadaan dasarnya denganmemancarkan radiasi gamma. Sebagai contoh, peluruhan unsur 137Cs menjadi 137Bamelalui peluruhan ¯ yang diikuti pemancaran radiasi .137Cs 137Ba + -

1 + -

2 + Skema peluruhan 137Cs dapat dilihat pada gambar 1.Gambar 1. Skema peluruhan 137CsDetektor yang umum digunakan dalam spektroskopi gamma adalah detektorsintilasi NaI (Tl). Detektor ini terbuat dari bahan yang dapat memancarkan kilatancahaya apabila berinteraksi dengan sinar gamma. Efisiensi detektor bertambah denganmeningkatnya volume kristal sedangkan resolusi energi tergantung pada kondisipembuatan pada waktu pengembangan kristal. Sinar gamma yang masuk ke dalamdetektor berinteraksi dengan atom-atom bahan sintilator menurut efek fotolistrik,hamburan Compton dan pasangan produksi, yang akan menghasilkan kilatan cahayadalam sintilator. Keluaran cahaya yang dihasilkan oleh kristal sintilasi sebandingdengan energi sinar gamma. Kilatan cahaya oleh pipa cahaya dan pembelok cahayaditransmisikan ke fotokatoda dari photomultiplier tube (PMT) kemudian digandakansebanyak-banyaknya oleh bagian pengganda elektron pada PMT. Arus elektron yangdihasilkan membentuk pulsa tegangan pada input penguat awal (preamplifier) . Pulsaini setelah melewati alat pemisah dan pembentuk pulsa dihitung dan dianalisis olehMulichannel Analyzer (MCA) dengan tinggi pulsa sebanding dengan energi gamma.Cs 13755

Ba 137m 661,6 keV0,0Ba 13756

Stable2 -1

-Gambar 2. Skema bagan spektrometer sinar gamma.Jika energi radiasi yang dipancarkan oleh unsur radioaktif 137Cs diserapseluruhnya oleh elektron-elektron pada kristal detektor NaI(Tl) maka interaksi inidisebut efek fotolistrik yang menghasilkan puncak energi (photopeak) pada spektrumgamma (gambar 3) pada daerah energi 661,65 keV. Apabila foton gamma berinteraksidengan sebuah elektron bebas atau yang terikat lemah, misal elektron pada kulitterluar suatu atom, maka sebagian energi photon akan diserap oleh elektron dankemudian terhambur. Interaksi ini disebut dengan hamburan Compton.Gambar 3. Spektrum gamma dari 137CsTitik batas antara interaksi Compton dan foto listrik menghasilkan puncakenergi yang disebut Compton edge. Puncak Backscatter disebabkan oleh foton yangtelah dihamburkan keluar ternyata didefleksi balik kedalam detektor sehinggaterdeteksi ula ng. Sebagian besar energi foton 137Cs (89,98%) dipancarkan denganenergi 661,65 keV, tetapi ada juga foton yang dipancarkan dengan energi masingmasing:4,47 keV (1,04%), 31,82 keV (2,07%), 32,19 keV (3,82%) dan 36,40 keV(1,39%). Energi foton sebesar 4,47 keV terlampau kecil untuk terdeteksi oleh detektorNaI(Tl). Tiga energi berikutnya (31,82 , 32,19 dan 36,40 keV) terlalu dekat untukNuclearRadiationScintilatorPhotocathode

LightreflectorLightpipePreamplifierDiscriminatorand pulse -shaperHigh voltagePhotomultiplierTubeMCAdapat dipisahkan oleh detektor NaI(Tl) sehingga muncul sebagai multiplet denganenergi rata-rata 32,89 keV. Demikian contoh karakteristik spektra dari isotop 137Cs,setiap isotop mempunyai karakteristik pola spektral yang berbeda-beda yang dapatdigunakan untuk mengidentifikasi isotop-isotop tersebut.JARINGAN SYARAF TIRUANJaringan syaraf tiruan merupakan sistem terdiri dari neuron-neuron yang salingberhubungan yang menyerupai jaringan syaraf biologis. Karakteristik dari jaringansyaraf dapat dibedakan berdasarkan: (1) Arsitektur keterhubungan antara neurondalam jaringan; (2) Metodologi pembelajaran dengan mengubah-ubah nilaipembobotan antara neuron; (3) Fungsi aktivasi yang membatasi nilai keluaran neuron.Arsitektur jaringan adalah susunan atau struktur neuron dalam membentuk sebuahlapisan dan bagaimana pola keterhubungan. Selain arsitektur jaringan maka prosespembelajaran dalam jaringan syaraf merupakan hal yang sangat penting. Ada duagolongan pembelajaran yaitu pembelajaran dengan pengarahan (supervised learning)dan pembelajaran tanpa pengarahan (unseprvised learning).Gambar 4. Mekanisme pemrosesan neuron tunggalPrinsip kerja neuron adalah menerima masukkan dari beberapa neuron yangberada didepannya. Nilai sinyal masukkan akan dikalikan dengan bobotketerhubungan antara neuron dan kemudian dijumlahkan untuk memberikan nilai totalmasukkan. Fungsi aktivasi atau fungsi transfer menghubungkan nilai total masukanuntuk menghasilkan keluaran. Apabila nilai total masukkan mencapai nilai tertentumaka neuron tersebut akan mengirim sinyal keluaran (gambar 4). Pembelajarandilakukan dengan memberikan sekumpulan vektor pola masukan beserta pasanganvektor keluarannya yang telah ditentukan kategorinya yang disebut sebagai vektortarget keluaran. Untuk dapat menghasilkan derajat kesesuaian atau hubungan antaravektor masukan dengan vektor target keluarannya maka dilakukan pembelajaran yaitudengan mengubah-ubah nilai bobot keterhubungan antara neuron sampai dihasilkankesalahan yang minimal. Ini dinamakan sebagai pembelajaran dengan pengarahanyaitu jaringan belajar dari contoh-contoh kasus (learning by example) dan mengadapsidirinya untuk memperoleh solusi. Pembobotan sinaptik atau kekuatan koneksi antaraneuron dipergunakan untuk menyimpan pengetahuan seperti pada neuron biologis.Gambar 5. Jaringan syaraf tiruan untuk mengidentifikasi isotop radioaktifSampel radioaktif tidak dikenal yang akan diidentifikasi biasanya merupakancampuran dari sejumlah isotop radioaktif. Spektra dari sampel tersebut merupakansuperposisi linier dari spektra setiap isotop secara individual. Setiap kanal dari spektrasampel diumpankan kedalam jaringan syaraf untuk dicocokkan dengan data-dataacuan yang merupakan spektra dari setiap unsur radioaktif yang sudah dikenalkanpada proses pembelajaran. Jaringan syaraf kemudian akan mengidentifikasi komposisidari sampel tersebut. Jaringan syaraf tiruan yang dibutuhkan untuk identifikasi adalahyang memiliki kemampuan tanggap linier seperti: Perceptron dan Optimum LinierAssociative Memory (OLAM).PerceptronPerseptron, yang diperkenalkan oleh Rosenblatt (1958) adalah sistem jaringan

syaraf sederhana dengan arsitektur lapisan tunggal dan feed-forward network yangbanyak digunakan untuk mensimulasikan proses pengenalan pola yang pola-polanyaterpisah secara linier. Konsep utama pengenalan pola adalah diskriminan yaitu sebuahfungsi atau operator untuk pengukuran keanggotaan kelas atau nilai atribut.Diskriminan linier dapat digambarkan secara skematik dimana nilai ciri polamerupakan masukan ke suatu kotak hitam diskriminan. Dalam pendekatan matematis,pola digambarkan dalam bentuk vektor X dan pemecahan untuk diskriminan linearadalah mencari vektor kolom koefisien pembobotan W sedemikian sehingga elemenelemenkeluarannya merupakan nilai yang ditetapkan dalam pembelajaran.Pemecahannya dilakukan dengan memperbaharui secara iteratif koefisien vektorpenimbang sehingga selisih antara keluaran yang diinginkan dan keluaran yangsebenarnya menjadi minimal. Dalam kasus umum biasanya diskriminan tidak linearsehingga pemecahannya akan lebih rumit yaitu menggunakan penyelesaian persamaannon-linear. Tahap-tahap aturan pembelajaran Perceptron dilakukan dengan algoritmadibawah ini:Tahap 1. Inisialisasi nilai-nilai pembobotan dengan bilangan acak.Tahap 2. Perkenalkan pasangan-pasangan dari pola spektra masukan dan jenis isotopkeluaran ke jaringan syaraf.Tahap 3. Jalarkan data maju dan bangkitkan klasifikasi keluaranTahap 4. Hitung kesalahan kuadrat rata-rata antara klasifikasi target denganklasifikasi aktual.Tahap 5. Adaptasikan bobot-bobot sinaptik dengan menggunakan aturan delta untukmengurangi kesalahan keluaran. W- (tp – yp)xp (adalah kadar pembelajaran).Tahap 6. Apabila masih ada spektra pada himpunan pembelajaran maka kembali ketahap 2.Tahap 7. Jika kesalahan keluaran masih besar atau belum mencapai jumlah iterasimaksimum maka kembali ke tahap 2.Optimal Linier Associative Memory (OLAM)Self-Organization and Associative Memory dikembangkan oleh Teuvo Kohonendari Universitas Helsinki pada tahun 1972. Jaringan ini dapat mendeteksi keteraturandan korelasi dari masukan-masukannya dan belajar mengenal kelompok-kelompokmasukan yang serupa. Pendekatan Optimal Linier Associative Memory didasarkanpada model memori untuk merepresentasikan suatu matriks. Misalkan sebagai contohkita ambil beberapa nada akan mengingatkan kita pada sebuah lagu. Kemampuanseperti itu bagi psikolog sering disebut dengan Associative Memory. Aturanpembelajarannya menggunakan ortogonalisasi matriks, dengan proses pembelajaransebagai berikut:Tahap 1. Dari matriks-matriks spektral (x1, x2, …, xp) dan konsentrasi isotop(t1, t2, …, tp), susun matriks kolom X dengan dimensi np dan mstriks kolom target Tdengan dimensi mp.Tahap 2. Buat inverse dari matriks spektral X. Karena umumnya X bukan matrikspersegi empat maka gunakan teknik pseudo-inverse untuk membangkitkan X-1.Tahap 3. Hitung matriks bobot sinaptik untuk memperoleh keserupaan maksimum:W = TX-1.HASIL DAN PEMBAHASANDetektor sintilator NaI(Tl) digunakan untuk mendeteksi sinar-gamma padadaerah energi 0,1 – 100 MeV dengan efisiensi cukup tinggi (10-60%) dan resolusienergi menengah (5-15%). Sebagai spektrometer digunakan rangkaian terpaduberbasis komputer personal yaitu kartu yang terdiri dari high voltage (HV) powersupply, charge sensitive preamplifier, shaping amplifier, 100 MHz analog digitalconverter (ADC) tipe Willkinson dan multichannel analyzer (MCA). Spektrometermenghasilkan data dengan resolusi sebesar 512 kanal yang seluruhnya diumpankan

sebagai masukan bagi ANN. Satu masukkan untuk setiap kanal, artinya seluruhspektrum digunakan dalam proses identifikasi. Jumlah neuron dalam lapisan keluarantergantung dari jumlah isotop yang akan diidentifikasi (gambar 6). Dalam percobaanini ada tiga isotop yang digunakan untuk data pelatihan yaitu 137Cs, 57Co dan 60Co.Gambar 6. Prototip sistem identifikasi isotop secara otomatisSetiap isotop pada spektrometer akan menghasilkan spektrum yang berbedabedasesuai dengan karakteristik isotop tersebut. Proses pembelajaran dilakukandengan memperkenalkan satu demi satu isotop murni sehingga terbentuk suatu basisdata spektra pada sistem yaitu spektra 137Cs, 57Co dan 60Co. Tujuan dari pelatihan iniadalah agar diperoleh hubungan antara suatu spektra campuran dengan tanda-tandapola dari suatu spektra acuan. Pada Perceptron karena proses pembelajaran dilakukansecara iteratif dengan ribuan kali pengulangan maka membutuhkan waktu cukup lama.Dengan menggunakan komputer Pentium III 900 MHz dibutuhkan waktu dalam ordepuluhan menit. Sedangkan pembelajaran pada OLAM karena bukan merupakan prosesiteratif maka dengan komputer Pentium yang sama hanya membutuhkan waktu sekitar200 millidetik. Seluruh data hasil pembelajaran kemudian disimpan pada memorilokal komputer untuk digunakan sebagai alat untuk mengidentifikasi danmencocokkan.Gambar 7. Hasil identifikasi spektrum campuran 137Cs dan 60CoPelayanan operasi dilapangan dilakukan dengan memperkenalkan suatu sumberradiasi yang tidak dikenal kedalam sistem. Dalam percobaan ini digunakan duasumber campuran yaitu 137Cs dan 60Co untuk diidentifikasi. Pada percobaan iniPerceptron dapat mendeteksi radiasi gamma tetapi dengan ketelitianpengidentifikasian yang kurang akurat karena ada jumlah penyisipan yang cukup besarsekitar 27% yaitu isotop 57Co yang salah teridentifikasi (gambar 7a). SedangkanOLAM dapat mengidentifikasi kedua isotop tersebut secara akurat tanpa adanyapenyisipan (gambar 7b). Derau latar belakang yang cukup besar atau pengaruhlingkungan dapat mengurangi tingkat ketelitian Perceptron dari 20 sampai 50%. Untukmemperbaikinya dibutuhkan penambahan jumlah data pelatihan agar dapatmengkompensasi pola dari derau latar belakang tetapi mengakibatkan juga waktukomputasi untuk pembelajaran yang lebih lama.KESIMPULANJaringan syaraf tiruan dapat dilatih untuk mengidentifikasi isotop-isotop secaraotomatis tanpa membutuhkan keterlibatan seorang ahli selama pengoperasiannya dandalam waktu yang relatif cepat. Keunggulan penggunaan jaringan syaraf terutamapada aplikasi-aplikasi spekroskopi dengan resolusi rendah dimana pencocokandilakukan pada keseluruhan spektrum tidak hanya pada puncak-puncak energinya sajasehingga dapat memberikan hasil-hasil pemeriksaan kualitatif yang baik dalammengidentifikasi komposisi isotop dari cuplikan.OLAM lebih baik dari pada Perceptron untuk keandalan klasifikasi, karenadengan proses ortogonalisasi selama pelatihan, kesalahan OLAM selalu lebih kecildari Perceptron. Kekurangan OLAM adalah harus diberikan spektra ideal dalamproses pelatihannya, walaupun waktu yang dibutuhkan OLAM untuk pelatihan jauhlebih cepat dibandingkan waktu pelatihan untuk Perceptron yang bersifat iteratif.DAFTAR PUSTAKA1. 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, 42(4) August (1995) 709-7152. ALAM, STANTON S.L., HEBNER G.A., Near-Infrared Spectroscopy andNeural Networks for Resin Identification, Spectroscopy, February (1994) 30-403. LERNER J.M., LU T, Practical Neural Networks Aid Spectroscopic Analysis,Photonic Spectra, August (1993) 93-98

4. OLMOS P., DIAZ J.C., PEREZ J.M., GARCIA-BELMONTE P., GOMEZ P.,RODELLAR V., Application of neural network techniques in gammaspectroscopy, Nuclear Instruments and Methods in Physics Research, A312(1992) 167-1735. OLMOS P., DIAZ J.C., PEREZ J.M., GOMEZ P, RODELLAR V. , AGUAYOP., BRU A., GARCIA-BELMONTE G, and PABLOS J.L, A New Approach toAutomatic Radiation Spectrum Analysis, IEEE Transactions on Nuclear Science,38 August (1991) 971-9756. YTHOFF B.J., LEVINE S.P., TOMELLINI S.A. , Spectral Peak Verificationand Recognition Using a Multilayered Neural Network, Analytical Chemistry,(1990) 2702-27097. KOHONEN T., Self Organization and Associative Memory, third ed., New York:Springer-Verlag, (1989)DISKUSIENDANG ROSADI:Apakah dalam sistem ini diperlukan database radionuklida atau sistem look-up table.M. SYAMSA ARDISASMITA:Database energi radionuklida sebagai acuan kalibrasi (look-up table) diperlukan padametode klasik yang menggunakan puncak-puncak energi foton gamma untukmenentukan energi pancaran gamma sehingga dari hasil pencocokan nilai energipancaran gamma diperoleh jenis isotop yang diidentifikasi. Teknik jaringan syaraftiruan menggunakan seluruh bentuk spektrum untuk proses identifikasi, bukan hanyapuncak-puncak energinya saja, sehingga metode ini dapat melakukan identifikasidengan baik pada spektrometer gamma dengan resolusi rendah sekalipun.ALHADI:1. Adakah syarat minimal untuk data pelatihan sehingga hasilk training tersebut bisadianggap valid.2. Bolehkah data training tersebut digunakan untuk data target (hasil pelatihantersebut digunakan untuk menambah data target yang dianggap idel).M. SYAMSA ARDISASMITA:1. Jika kita menggunakan data spektral ideal maka satu spektral sudah cukup untukmerepresentasikan suatu isotop radioaktif. Karena tidak ada data yang ideal dialamini disebabkan noise dan gangguan dari lingkungan maka dilakukanpelatihan dengan beberapa spektral (minimum dua) agar diperoleh data statistikyang mendekati data ideal. Pada jaringan syaraf tiruan, makin banyak prosespembelajaran maka makin baik respons dari sistem ini.2. Data pembelajaran dapat saja digunakan sebagai data target dan tentu saja karenadata tersebut merupakan salah satu data acuan yaitu spektra dari isotop-isotoptunggal yang sejenis maka hasilnyapun akan mendekati kebenaran. Hasilpelatihan bukannya data spektra baru tetapi nilai-nilai bobot dan nilai bias yangmembandingkan data spektra masukkan dan data spektra isotop-isotop targetyang akan diidentifikasi dengan kesalahan minimal dari suatu arsitektur jaringansyaraf 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 denganmemberikan sekumpulan pola spektral masukan beserta pasangan isotop keluarannyauntuk dapat menghasilkan hubungan dengan mengubah-ubah nilai bobot dan nilai biassampai dihasilkan nilai batas kesalahan yang minimal atau kalau tidak tercapai nilaibatas minimal sampai nilai iterasi maksimum yang dapat dilakukan.DAFTAR RIWAYAT HIDUP

1. Nama : M. SYAMSA ARDISASMITA2. Tempat/Tanggal Lahir : Bandung, 28 Oktober 19573. Instansi : P2TIK - BATAN4. Pekerjaan / Jabatan : Kepala Pusat Pengembangan TeknologiInformasi dan Komputasi5. Riwayat Pendidikan : (setelah SMA sampai sekarang)UI, Jurusan Fisika Instrumentasi Nuklir (1982) (S1)Univ. Montpellier II, Jurusan Pengolah Sinyal & Telekom. (1987) (S2)Univ. Montpellier III, Jurusan Pengolah Citra Digital (1991) (S3)6. Pengalaman Kerja :1991 - 1999 : Kepala Bidang Sistem Komputer, PPI - BATAN1999 - Sekarang : Kepala P2TIK – BATANAhli Peneliti Madya Bidang Pengolahan CitraINIS Liaison Officer of Indonesia7. 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 MicroanalysistThe International Society of Optical Engineering (SPIE)The International Society of Stereology (ISS)The Imaging Science and Technology Society (IST)

a. Spektroskopi UV-VIS

Umumnya spektroskopi dengan sinar ultraviolet (UV) dan sinar tampak (VIS) dibahas bersama karena sering kedua pengukuran dilakukan pada waktu yang sama. Karena spektroskopi UV-VIS berkaitan dengan proses berenergi tinggi yakni transisi elektron dalam molekul, informasi yang didapat cenderung untuk molekul keseluruhan bukan bagian-bagian molekulnya. Metoda ini sangat sensitif dan dengan demikian sangat cocok untuk tujuan analisis. Lebih lanjut, spetroskopi UV-VIS sangat kuantitatif dan jumlah sinar yang diserap oleh sampel diberikan oleh ungkapan hukum Lambert-Beer. Menurut hukum ini, absorbans larutan sampel sebanding dengan panjang lintasan cahaya d dan konsentrasi larutannya c.

The Lambert-Beer law

log10 (I0/I) = εcd (13.3)

ε koefisien ekstingsi molar, yang khas untuk zat terlarut pda kondisi pengukuran. I0 dan I adalah intensitas cahaya setelah melewati pelarut murni dan larutan. I/I0 juga disebut dengan

transmitans T??/p>

Contoh soal 13.1 Hukum Lambert-Beer

Suatu larutan dalam air senyawa X ditempatkan dalam sel berketabalan 1 cm dan absorbansnya pada λ = 366 nm ditentukan pada berbagai konsentrasi. Nilai transmitans dituliskan dalam tabel berikut.

c (10-4 mol dm-3)

T

0,80

0

,

4

2

0

1,20

0

,

2

7

5

1,60 2,00 0,110

Tentukan koefisien ekstingsi molar X.

Jawab

c (10-4 mol dm-3)

A

0,80 1,20 1,60 2,00

Hubungan linear didapatkan bila A diplotkan terhadap c, yang menunjukkan hukum Lambert-Beer dipenuhi. Kemiringan plotnya sekitar 4,9 x 103 dm3 mol-1 ??adi ε = (kemiringan)/d = 490 dm3 mol-1 ??

Dengan mengukur transmitans larutan sampel, dimungkinkan untuk menentukan konsentrasinya dengan menggunakan hukum Lambert-Beer. Karena spektroskopi UV-VIS 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 Lambert-Beer dipenuhi berapapun panjang gelombang sinar yang diserap sampel. Panjang gelombang sinar yang diserap oleh sampel bergantung pada struktur molekul sampelnya. Jadi spektrometri UV-VIS dapat digunakan sebagai sarana penentuan struktur. Sejak 1876, kimiawan Swiss-Jerman Otto Nikolaus Witt (1853-1915) mengusulkan teori empiris warna zat (yang ditentukan oleh panjang gelombang sinar yang diserap) dan struktur bagian-bagiannya. Menurut teori ini, semua senyawa berwarna memiliki beberapa gugus tak jenuh seperti yang diberikan di Gambar 13.3. 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 ß-karoten (Gambar 13.4) berasal dari sistem terkonjugasi, dan warna ini cocok dengan hasil perhitungan kimia kuantum.

Terdapat beberapa gugus fungsi, seperti -NR2, -NHR, -NH2, -OH dan -OCH3, yang memiliki efek memekatkan warna kromofornya. Semua ini disebut auksokrom.

Gambar 13.4 Struktur ß-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 1200-4000 cm-1.

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 13. 5 menunjukkan spektra IR tiga senyawa karbonil. Semua senyawa memiliki serapan kuat di rentang 1700-1750 cm-1.

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 13.1 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 UV-VIS dan NMR.

Seperti jelas terlihat di Gambar 13.5, di daerah di bawah 1600 cm-1, 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 13.5 Spektra IR tiga senyawa karbonil. (a) propanal CH3CH2CHO; (b) aseton CH3COCH3; (c) asam propanoat CH3CH2COOH

Tabel 13.1 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 13.2 Spektrum IR

Di Gambar 13.5, ditunjukkan spektra IR (a) propanal CH3CH2CHO??b) aseton (CH3)2CO dan (c) asam propanoat CH3CH2COOH. Tandai puncak-puncak yang ditandai dengan angka (1) dan (2) untuk setiap senyawa.

Jawab (a) (1) C-H ulur (aldehida); (2) C=O ulur (b) (1) C-H ulur (2) C=O ulur (c) (1) O-H ulur; (2) C=O ulur.

Selingan- Penentuan struktur tetrodotoksin, racun dari ikan puffer

Tahun 1964 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 (1915-2000) dan Kyosuke Tsuda (1907-1999), melaporkan struktur tetrodotoksin yang telah mereka tentukan. Ketiganya identik!

Kesuksesan mereka mengindikasikan bahwa saintis Jepang sekaliber peraih Nobel. Woodward menggunakan kristalografi sinar-X, 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 13, 2008