📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 6 dokumenPOTENSI KAMERA DIGITAL KOMERSIAL DALAM PENGAMATAN POLUSI CAHAYA
Peningkatan pemakaian dan jenis lampu membuat pengawasan langit dari po tensi berbahaya polusi cahaya semakin diperlukan. tetapi dengan keterbatasan tenaga dan alat astronom ahli, maka dibutuhkan bantuan masyarakat umum untuk mengawasi dan meminimalisir. Sehingga dibuatlah metode baru meng gunakan kamera komersial DSLR yang dapat digunakan oleh semua orang, baik astronom ahli atau masyarakat umum. Metode baru ini dapat mende teksi perubahan pada kondisi polusi cahaya yang semakin kompleks, dari segi penyebaran, warna, dan intensitas. Penggunaan metode kamera komersial memerlukan prosedur yang dapat diikuti bahkan oleh pengguna baru, tanpa menggangu aksesibilitas dan efisiensinya. berbagai penelitian telah dilakukan dalam memaksimalkan potensi kamera DSLR, seperti kemudahan penggunaan di segala lokasi dan mendeteksi perubahan warna dan kecerlangan.
EKSPLORASI ARSITEKTUR MACHINE LEARNING UNTUK PREDIKSI MASSA BINTANG DAN LAJU PEMBENTUKAN BINTANG PADA GALAKSI DARI DATA SDSS, ALLWISE, DAN GAMA
Pertumbuhan eksponensial data astronomi mendorong kebutuhan metode efisien untuk memprediksi properti galaksi seperti laju pembentukan bintang (SFR) dan massa bintang (SM), karena pendekatan tradisional seperti spectral energy distribution (SED) fitting membutuhkan daya komputasi yang lebih besar untuk set data masif. Penelitian ini bertujuan mengevaluasi dan membandingkan empat arsitektur machine learning, di antaranya Artificial Neural Network (ANN), Wide and Deep Neural Network (WDNN), XGBoost, dan CatBoost, dalam memprediksi properti tersebut hanya dari data fotometri. Model dilatih menggunakan dua set data: data optik-inframerah dari SDSS dan AllWISE dengan target dari katalog MPA-JHU DR8, serta data pankromatik 21-pita dari Galaxy And Mass Assembly (GAMA) dengan target dari katalog MAGPHYS. Hasil penelitian, dengan mengakui adanya perbedaan kompleksitas hyperparameter tuning untuk tiap model, menunjukkan bahwa gradient boosting (CatBoost dan XGBoost) menawarkan keseimbangan terbaik antara akurasi dan efisiensi. Model-model ini mencapai presisi tinggi, terutama pada data GAMA (standar deviasi error, ?SM ? 0.07 dex dan ?SFR ?0.16 dex), dengan waktu pelatihan yang jauh lebih singkat dibandingkan ANN dan WDNN. Secara konsisten, massa bintang terbukti lebih mudah diprediksi daripada SFR, dan penggunaan data pankromatik 21-pita GAMA secara signifikan meningkatkan akurasi prediksi untuk semua model. Studi ini menegaskan bahwa metode ML, khususnya gradient boosting, merupakan alat yang sangat akurat, efisien, dan krusial untuk analisis properti galaksi dalam survei astronomi skala besar di masa depan.
PENENTUAN KEANGGOTAAN DAN PARAMETER FISIS OPEN CLUSTER OF SOLAR NEIGHBORHOOD DENGAN METODE PEMBELAJARAN MESIN KNN DAN GMM
Tugas Akhir ini bertujuan untuk menentukan keanggotaan dan parameter fisis gugus bintang baru yang diidentifikasi oleh Songmei Qin menggunakan data Gaia DR3. Metode yang digunakan mencakup kombinasi dua pendekatan pembelajaran mesin, yaitu k-nearest neighbors (kNN) dan Gaussian Mixture Model (GMM). Pada tahap awal, algoritma kNN digunakan untuk menentukan rentang parameter astrometri dengan cara menganalisis distribusi ratarata jarak ke k-tetangga terdekat (dNN) dari data gugus yang diunduh dengan search radius kecil. Selanjutnya, GMM dengan dua komponen diaplikasikan pada distribusi satu dimensi dari jarak Mahalanobis. Proses ini dilakukan pada data yang diunduh dengan search radius yang lebih besar dan dengan menggunakan rentang parameter hasil dari tahap sebelumnya untuk mengidentifikasi keanggotaan gugus secara probabilistik. Objek yang dikaji terdiri atas delapan gugus terbuka: NGC 2360, Alessi 1, NGC 2099, dan NGC 752 sebagai gugus kontrol, serta OCSN 13, OCSN 22, OCSN 37, dan OCSN 56 sebagai gugus baru yang tergolong poorly studied. Estimasi parameter fisis gugus meliputi usia, metalisitas, modulus jarak, nilai ekstingsi, rasio total to selective extinction, dan binary fraction yang diperoleh dengan menggunakan perangkat lunak ASteCA dan model isokron PARSEC. Radius fisik gugus juga ditentukan dari diameter sudut dan jarak yang diperoleh. Hasil menunjukkan metode kNN–GMM efektif dalam memisahkan bintang anggota gugus dari bintang latar dan memberikan hasil konsisten dengan literatur. Selain itu, GMM dengan tiga komponen diterapkan pada distribusi paralaks untuk mengatasi keterbatasan kNN pada gugus OCSN yang menghasilkan sembilan kandidat gugus baru, termasuk tiga kandidat kuat—dua di antaranya bersesuaian dengan OCSN 57 dan OCSN 61. Metode ini potensial untuk diterapkan lebih luas dalam pencarian gugus baru pada data Gaia mendatang.
REKONSTRUKSI CITRA PADA VERY LONG BASELINE INTERFEROMETRY MENGGUNAKAN COMPRESSIVE SENSING
Very long baseline interferometry (VLBI) adalah sistem pencitraan interferometric yang dapat menghasilkan citra objek astronomi yang diamati. Pada praktiknya, jumlah teleskop, panjang diameter, dan redaman atmosfer membatasi hasil pengukuran. Akibatnya, hasil pengukuran menjadi tidak lengkap dan tercampur dengan noise. Untuk mendapatkan citra yang lebih baik kualitasnya, kita dapat menerapkan metode rekonstruksi yang mengandalkan sparsity dinamakan sebagai metode polarized SARA (Sparsity Averaging Reweighted Analysis), yang digabungkan dengan penambahan parameter ???? untuk menyesuaikan nilai ????. Dengan penambahan parameter ???? ini, baik pengujian pada data VLBI simulasi maupun data VLBI asli, metode polarized SARA dapat diperbaiki dalam hal mencapai iterasi yang lebih cepat. Dalam percobaan dengan dua data simulasi, metode ini dapat memperoleh SNR yang serupa dengan polarized SARA dengan iterasi lebih cepat dengan rata-rata selisih 30.191 iterasi. Kemudian, dalam percobaan dengan sembilan data VLBI asli, metode ini dapat menghasilkan citra yang serupa dengan polarized SARA dengan iterasi lebih cepat dengan rata-rata selisih 596 iterasi.
KEANGGOTAAN GUGUS TERBUKA GANDA DENGAN METODE PEMBELAJARAN MESIN DBSCAN
Sistem gugus ganda merujuk pada sistem gugus bintang yang terdiri atas dua gugus bintang berdekatan yang berinteraksi dan terikat satu sama lain secara gravitasi. Dimana, setiap pasangan gugus ganda mempunyai karakteristiknya masing-masing dari pembentukan dan evolusi pasangan gugus. Pemahaman yang diperoleh dari penelitian gugus ganda relevan berhubung diperolehnya informasi penting mengenai mekanisme pembentukan dan evolusi gugus bintang. Tugas Akhir ini berupaya untuk melakukan penentuan keanggotaan gugus dalam pasangan gugus terbuka ganda melalui metode clustering pembelajaran mesin Density-Based Spatial Clustering of Applications with Noise (DBSCAN). DBSCAN termasuk pembelajaran model pembelajaran mesin unsupervised (model atau algoritma diberikan data tanpa label atau anotasi) dengan basis densitas yang mampu menemukan pola atau kelompok dalam sebuah data. Gaia Data Release 3 merupakan dataset yang digunakan dalam Tugas Akhir ini, dengan parameter magnitudo gugus yang kurang dari 18 magnitudo. Objek yang menjadi fokus dalam Tugas Akhir adalah tiga pasang gugus ganda yang ditinjau dari katalog Angelo dkk., 2021 dan katalog Subramaniam dkk., 1995 dengan perbedaan pada interaksi antar gugusnya, King 16-Berkeley 4, NGC 5617-Trumpler 22. Hasil keanggotaan yang diperoleh dari metode ini dibandingkan dengan hasil keanggotaan katalog Dias dkk., 2021 dan katalog Cantat-Gaudin & Anders, 2020.
PENENTUAN USIA BINTANG DERET UTAMA DAN RAKSASA MERAH MENGGUNAKAN METODE MACHINE LEARNING
Penentuan parameter fisis bintang menjadi salah satu tugas utama seorang astronom karena dapat memberikan informasi penting mengenai karakteristik bintang. Pada penelitian ini, penulis melakukan prediksi salah satu parameter fisis bintang, yaitu usia bintang deret utama dan raksasa merah menggunakan beberapa metode machine learning sehingga penelitian ini bertujuan untuk melihat metode machine learning terbaik dalam penentuan usia bintang dengan sangat baik. Pada penelitian ini, penulis menggunakan data Gaia DR3 yang berisi 626 ribu bintang yang nantinya akan diolah lebih lanjut sehingga ukuran set data tersebut berkurang. Data dilatih menggunakan variabel-variabel bebas yang dipilih berdasarkan landasan teori dan statistik. Metode machine learning yang digunakan pada penelitian ini adalah k-nearest neighbor, XGBoost, LightGBM, CatBoost, dan artificial neural network. Untuk melihat kinerja metode-metode machine learning, penulis menggunakan metrik evaluasi, seperti root mean squared error (RMSE), mean absolute error (MAE), dan koefiesen determinasi (R2 Score). Penelitian ini menunjukkan hasil bahwa usia bintang raksasa merah dapat diprediksi dengan lebih baik daripada bintang deret utama karena nilai metrik evaluasi untuk bintang raksasa merah yang lebih baik daripada nilai metrik evaluasi untuk bintang deret utama. Variabel-variabel bebas yang paling sensitif terhadap usia bintang deret utama adalah massa ????, radius ????, temperatur efektif ???? , dan logaritma dari gravitasi permukaan . Variabel-variabel bebas yang ???????????? log(????) paling sensitif terhadap usia bintang raksasa merah adalah massa ???? dan logaritma dari gravitasi permukaan log(????). Untuk prediksi usia bintang deret utama, ANN dengan 4 layer merupakan metode terbaik karena memiliki nilai RMSE, MAE, dan R2 Score: 0,49240, 0,17275, dan 0,98483. Untuk prediksi usia bintang raksasa merah, LightGBM merupakan metode terbaik karena memiliki nilai RMSE, MAE, dan R2 Score: 0,35086, 0,14666, dan 0,99275.