Perpustakaan Digital ITB

Pengamatan astronomi dari permukaan Bumi menghadapi tantangan signifikan akibat turbulensi atmosfer yang memengaruhi kualitas citra, atau yang dikenal sebagai seeing. Untuk mengatasi kendala ini, penelitian ini bertujuan mengembangkan model pembelajaran mesin berbasis data atmosfer dari ERA5 guna memperkirakan nilai seeing secara efisien. Pendekatan ini dirancang agar tidak memerlukan infrastruktur khusus, sehingga dapat diterapkan di berbagai lokasi di seluruh dunia. Data yang digunakan mencakup rentang tahun 2014- 2024 dengan menggunakan data seeing aktual dan data primer dan sekunder atmosfer dari Reanalisis ERA5. Data seeing dari Observatorium Mauna Kea digunakan sebagai label untuk melatih model menggunakan algoritma Random Forest. Evaluasi model dilakukan menggunakan K-Fold Cross Validation dengan metrik MAE dan R2 untuk menilai performa prediksi. Hasil analisis menunjukkan bahwa algoritma Random Forest dengan konfigurasi lapisan ketinggian atmosfer antara 1000 hingga 150 hPa, yang menggunakan kombinasi data parameter atmosfer primer dan sekunder berupa kelembapan, serta pengaturan parameter Random Forest dengan n estimators = 300 dan max features = 1.0, menghasilkan prediksi terbaik dengan koefisien determinasi (R2 ) sebesar 0,803 dan nilai Mean Absolute Error (MAE) sebesar 0,102. Performa optimal ini dicapai setelah dilakukan eliminasi data di luar rentang waktu pengamatan antara pukul 20.00 hingga 04.00 HST, serta penyaringan data yang memiliki nilai Relative Humidity (RH) negatif maupun yang melebihi batas 85%. Temuan ini mengindikasikan bahwa model tersebut mampu mengenali pola turbulensi atmosfer secara efektif di kawasan Observatorium Mauna Kea. Selain itu, proses seleksi data yang ketat terbukti penting untuk meningkatkan akurasi model, mengingat data dengan RH di luar rentang fisik dapat mengganggu hasil prediksi. Dengan demikian, pendekatan ini menunjukkan potensi dalam memanfaatkan data reanalisis atmosfer untuk estimasi kondisi seeing yang akurat di lokasi observasi tinggi.