Perpustakaan Digital ITB

Perkembangan yang cukup cepat dalam hal ukuran data dan kompleksitas data astronomi menghasilkan banyak kesempatan sekaligus menimbulkan tantangantantangan baru untuk mengeksplorasi pengetahuan baru dari hasil pengamatan. Meski demikian, dimensionalitas tinggi dari data astronomi, spektrum misalnya, menjadi salah satu alasan sulitnya mendapatkan informasi secara maksimal. Penggunaan reduksi dimensi sebagai salah satu teknik dalam machine learning merupakan salah satu cara untuk mendapatkan informasi penting dari data berdimensi tinggi. Penelitian ini bertujuan untuk mempelajari dan mengaplikasikan dua algoritma dalam reduksi dimensi, yaitu Principal Component Analysis dan Autoencoder, untuk mencoba mendapatkan informasi kecepatan radial dan temperatur efektif dari survei spektroskopi Gaia-ESO Survey Public Data Release 4. Selain itu, diteliti pula perbandingan efektivitas dari kedua algoritma tersebut. Algoritma diterapkan pada data spektrum hasil standardisasi yang tidak melewati proses koreksi kecepatan radial, menghasilkan tur pada hasil akhir yang berkaitan dengan proses standardisasi. Regresi kemudian dilakukan terhadap beberapa pasang komponen hasil reduksi yang dirasa dapat digunakan sebagai estimator parameter sis menggunakan algoritma regresi Random Forest. Penerapan kedua algoritma tersebut menunjukkan bahwa keduanya dapat digunakan untuk mereduksi dan merekonstruksi kembali data yang digunakan dengan galat terbaik sebesar 0.0396. Didapatkan akurasi di atas 77% dan 93% masing-masing untuk regresi kecepatan radial dan temperatur efektif bintang menggunakan hasil reduksi dimensi.