UNIMEDUNIMED

JURNAL IKATAN ALUMNI FISIKAJURNAL IKATAN ALUMNI FISIKA

Penelitian ini menggunakan 58.423 data dari the All-Sky Automated Survey for Supernovae (ASAS-SN) untuk melakukan klasifikasi bintang RR Lyrae, Cepheid, dan Mira menggunakan pendekatan machine learning. Terdapat sembilan kolom yang dijadikan atribut dalam pembuatan model machine learning, yaitu: raj2000, dej2000, l, b, mean_vmag, amplitude, period, lksl_statistic, dan parallax dengan kolom variable_type digunakan sebagai target label. Dengan memanfaatkan training dataset (data latih) dan testing dataset (data uji), algoritma Naïve Bayes yang digunakan pada penelitian ini menghasilkan akurasi sebesar 98.6%. Sedangkan berdasarkan hasil evaluasi menggunakan confusion matrix, diperoleh presisi dari bintang RR Lyrae, Cepheid, dan Mira masing-masing sebesar 99%, 87%, dan 99%. Recall dari ketiga objek masing-masing adalah 99%, 88%, dan 99%, sedangkan nilai f1-score masing-masing sebesar 98%, 90%, dan 100%. Kesimpulan dari penelitian ini adalah algoritma Naïve Bayes dapat digunakan dalam klasifikasi objek astronomi dengan tingkat akurasi yang baik.

Algoritma Naïve Bayes dapat digunakan dalam memprediksi jenis objek astronomi.Metode ini adalah pengklasifikasi probabilistik berdasarkan teorema Bayes.Diasumsikan bahwa kehadiran suatu atribut tidak tergantung pada kehadiran atribut lain yang diberikan suatu kelas.Berdasarkan hasil evaluasi menggunakan confusion matrix, presisi dari bintang RR Lyrae, Cepheid dan Mira masing-masing sebesar 99%, 87% dan 99%.Recall dari ketiga objek masing-masing adalah 98%, 90% dan 100% sedangkan nilai f1-score masing-masing sebesar 99%, 88% dan 99%.

Penelitian lanjutan dapat mengembangkan metode klasifikasi bintang variabel dengan membandingkan algoritma Naïve Bayes dengan teknik machine learning lain seperti Random Forest atau Support Vector Machine untuk meningkatkan akurasi dan generalisasi model. Selain itu, peneliti dapat memperluas aplikasi metode ini untuk mengklasifikasikan jenis bintang variabel yang belum diteliti sebelumnya, seperti bintang variabel dengan periode lebih pendek atau karakteristik cahaya yang lebih kompleks. Terakhir, penggunaan dataset yang lebih besar dan beragam dari sumber observasi astronomi lain dapat meningkatkan validitas hasil klasifikasi dan membantu mengidentifikasi pola yang lebih akurat dalam data astronomi.

Read online
File size688.72 KB
Pages7
DMCAReport

Related /

ads-block-test