NEURAL NETWORK FOR RECOGNIZING SIGNAL-SHAPE•OF NUCLEAR DETECTOR OUTPUT

Sari

ABSTRACT

NEURAL   NETWORK   FOR  RECOGNIZING   SIGNAL-   SHAPE   OF  NUCLEAR   DETECTOR OUTPUT.  The   use of artificial  intelligent  technique  in the engineering  field has been  familiar especially  in the field of pattern  recognition. By using this technique either simple routine works or complicated routine works  can  be  done  by  the  help  of  a  d1g1tal  camera  and  a personal computer.. One of the complicated  works that can not be solved easily is how to separate  two kinds  of nuclear  radiation  types  wnich are mixed  in the same field.   The separation  of the two kinds of radiation  become is very important  for the radiation  dosimetry purposes.. For doing this we  have  carried   out  a  preliminary   research   in  applying   a  neural   network   technique   for recognizing  C and  T letters  with right, left, up, and down positions.  We arranged  a three-layer neural network i.e. input layer (9 neurons  with/without  1  bias neuron), hidden layer (11 neurons), and output  layer  (1 neuron).  From  this preliminary  study the use of a bias neuron  gave faster learning process  compared  with the one without the bias neuron.  The neural network could work successfully  in determining  the letter S and T without any mistake.

ABSTRAK

PENGGUNAAN NEURAL NETWORK UNTUK MEMBEDAKAN BENTUK SINYAL KELUARAN   DARI  SEBUAH  DETEKTOR  NUKLIR.  Pemakaian  teknik jaringan di dalam bidang keteknikan  sudah  sangat  dikenal  terutama  untuk  membedakan  bentuk  suatu  sinyal. Dengan menggunakan  teknik ini baik pekerjaan  rutin yang sederhana maupun pekerjaan  rutin yang sulit dapat dilakukan  secara otomatis dengan bantuan sebuah komputer pribadi dan sebuah kamera digital.  Dalam bidang dosimetri  nuklir, pemisahan  antara dua jenis  radiasi merupakan  hal yang sangat   penting. Untuk tujuan itu kami melakukan penelitian untuk menggunakan system jaringan  tiruan neural network untuk membedakan  dua buah huruf yakni huruf C dan  T dengan 4 posisi  yang  berbeda. Untuk tujuan itu digunakan jaringan tiruan dengan  9 input neuron, 11 neuron pada  lapisan  tengah dan  1   neuron pada keluarannya.  Dari penelitian  ini diperoleh  hasil bahwa dengan menggunakan  1 bias neuron pada lapisan input dapat mempercepat proses pembelajaran    yakni  dari 10 iterasi  menjadi  5 iterasi.   Setelah  dilakukan  pembelajaran  maka jaringan  mempu membedakan kedua huruf dalam 8 posisi tanpa adanya kesalahan.