Perpustakaan Digital ITB

Dengan kemajuan teknologi komputasi, identifikasi spektrum Gamma Ray menjadi lebih cepat dan akurat, memungkinkan analisis isotop secara efisien. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model deep learning untuk mengidentifikasi spektrum Gamma Ray dari isotop Ba133, Co60, Cs137, dan Na22, serta spektrum gabungan dari isotop-isotop tersebut. Spektrum Gamma Ray penting dalam fisika nuklir dan aplikasi medis karena setiap isotop memiliki spektrum unik. Metodologi penelitian meliputi studi literatur, pengumpulan data spektrum, preprocessing data, dan augmentasi data. Data yang telah diproses digunakan untuk melatih dan menguji model YOLO dan 1D-CNN. Model YOLO diuji dengan variasi input gambar spektrum dan spektrum emisi, sedangkan 1D-CNN digunakan untuk menganalisis data sekuensial. Hasilnya menunjukkan bahwa model 1D-CNN memiliki akurasi tertinggi dengan rata-rata 96.21%. Model YOLO variasi kedua mencapai akurasi 82.69%, sementara variasi pertama mencapai 54.17%. Model 1D- CNN menunjukkan performa terbaik dalam mengidentifikasi spektrum gabungan. Kombinasi model YOLO dan 1D-CNN meningkatkan efisiensi dan akurasi identifikasi spektrum Gamma Ray. Penelitian lebih lanjut disarankan untuk meningkatkan jumlah data latih dan menggunakan teknik augmentasi yang lebih variatif.