Analisis Kuantitatif Model SEMF: Studi Perbandingan Terhadap Data Eksperimen Massa Nuklida

Mardiana Napirah; Sayahdin Alfat; Naim Naim; Abdin Abdin; Wa Ode Israwati; Zaldin Zaldin

doi:10.37058/diffraction.v7i2.16712

Analisis Kuantitatif Model SEMF: Studi Perbandingan Terhadap Data Eksperimen Massa Nuklida

Mardiana Napirah, Sayahdin Alfat, Naim Naim, Abdin Abdin, Wa Ode Israwati, Zaldin Zaldin

Abstract

Semiempirical Mass Formula (SEMF) merupakan salah satu model teoretis yang digunakan untuk memperkirakan massa inti dan energi ikat nuklida. Meskipun sederhana, akurasi SEMF sangat bergantung pada nilai parameter yang digunakan. Penelitian ini bertujuan mengevaluasi kinerja beberapa set parameter SEMF dari literatur berbeda dalam memprediksi massa nuklida ringan stabil. Data eksperimen diambil dari Atomic Mass Evaluation (AME2020), sedangkan perhitungan teoretis dilakukan menggunakan SEMF dengan empat set parameter berbeda. Seluruh perhitungan dilakukan menggunakan Microsoft Excel 2021 dengan presisi bawaan double-precision, tanpa pembulatan manual maupun penggunaan makro, sehingga operasi aritmetika berlangsung konsisten melalui formula standar spreadsheet. Hasil analisis menunjukkan adanya variasi akurasi antar model. Model IV memberikan performa terbaik dengan nilai MAE terkecil, yaitu 0,00199 u, yang konsisten dengan kecenderungan selisih massa dan error absolut yang lebih kecil. Temuan ini menunjukkan bahwa untuk nuklida ringan stabil pada rentang A = 1 hingga A = 55, model tanpa suku pairing justru menghasilkan prediksi massa yang lebih baik. Secara keseluruhan, penelitian ini menegaskan bahwa SEMF tetap relevan digunakan dalam studi massa nuklida, dan bahwa pembaruan atau reevaluasi parameter perlu dilakukan untuk memastikan ketepatan model dalam era data massa berpresisi tinggi.

Keywords

Analisis kuantitatif; massa nuklida; nuklida ringan stabil; Semiempirical Mass Formula; studi perbandingan

Full Text:

PDF (Bahasa Indonesia)

References

Activities Based on Empirical Data to Determine Coefficients in Semi-Empirical Mass Formula. Journal of Research: THE BEDE ATHENAEUM, 13(1), 71–83. https://doi.org/10.5958/0976-1748.2022.00007.8

Guo, L., Wu, X., & Zhao, P. (2022). Nuclear Mass Predictions of the Relativistic Density Functional Theory with the Kernel Ridge Regression and the Application to r-Process Simulations. Symmetry, 14(6), 1078. https://doi.org/10.3390/sym14061078

Hein, M., Pusch, A., & Heusler, S. (2022). Modeling in nuclear physics: a visual approach to the limitations of the semi-empirical mass formula. European Journal of Physics, 43(3), 035801. https://doi.org/10.1088/1361-6404/ac4d7c

Hu, B. S., Sun, Z. H., Hagen, G., & Papenbrock, T. (2024). Ab initio computations of strongly deformed nuclei near 80Zr. Physical Review C, 110(1), L011302. https://doi.org/10.1103/PhysRevC.110.L011302

Kasuya, H., & Yoshida, K. (2021). Hartree–Fock–Bogoliubov theory for odd-mass nuclei with a time-odd constraint and application to deformed halo nuclei. Progress of Theoretical and Experimental Physics, 2021(1). https://doi.org/10.1093/ptep/ptaa163

Kirson, M. W. (2008). Mutual influence of terms in a semi-empirical mass formula. Nuclear Physics A, 798(1–2), 29–60. https://doi.org/10.1016/j.nuclphysa.2007.10.011

Krane, K. S. (1988). Introductory Nuclear Physics. John Wiley & Sons.

Levin, C. (2004). Basic Physics of Radionuclide Imaging. In Emission Tomography (pp. 53–88). Elsevier. https://doi.org/10.1016/B978-012744482-6.50007-7

Munoz, J. M., Udrescu, S. M., & Garcia Ruiz, R. F. (2025). Discovering nuclear models from symbolic machine learning. Communications Physics, 8(1), 101. https://doi.org/10.1038/s42005-025-02023-2

Pandey, B., Giri, S., Pant, R. D., Jalan, M., Chaudhary, A., & Adhikari, N. P. (2024). Prediction of binding energy using machine learning approach. AIP Advances, 14(10). https://doi.org/10.1063/5.0230425

Pinedo-Vega, J., Ríos-Martínez, C., Talamantes-Carlos, M., Mireles-García, F., Dávila-Rangel, J., & Badillo-Almaraz, V. (2016). Semi-empirical Nuclear Mass Formula: Simultaneous Determination of 4 Coefficients. Asian Journal of Physical and Chemical Sciences, 1(2), 1–10. https://doi.org/10.9734/AJOPACS/2016/31266

Wang, M., Huang, W. J., Kondev, F. G., Audi, G., & Naimi, S. (2021). The AME 2020 atomic mass evaluation (II). Tables, graphs and references*. Chinese Physics C, 45(3), 030003. https://doi.org/10.1088/1674-1137/abddaf

Yiu, T. C., Liang, H., & Lee, J. (2024). Nuclear mass predictions based on a deep neural network and finite-range droplet model (2012)*. Chinese Physics C, 48(2), 024102. https://doi.org/10.1088/1674-1137/ad021c

Yüksel, E., Soydaner, D., & Bahtiyar, H. (2024). Nuclear mass predictions using machine learning models. Physical Review C, 109(6), 064322. https://doi.org/10.1103/PhysRevC.109.064322

DOI: https://doi.org/10.37058/diffraction.v7i2.16712