Perpustakaan Digital ITB

Pencarian sistem lensa gravitasi baru masih merupakan sebuah permasalahan besar yang dihadapi dalam bidang astronomi. Selain dapat digunakan untuk pembuktian teori relativitas umum, fenomena pelensaan gravitasi juga dapat digunakan untuk mengamati objek dengan jarak sangat jauh yang biasanya tidak dapat diamati dari Bumi. Pendekatan yang sampai saat ini biasa digunakan untuk pencarian lensa gravitasi baru adalah deep learning supervised. Namun, terdapat kekurangan dari pendekatan tersebut, yakni kinerja yang kurang baik untuk data yang belum pernah dilihat sebelumnya, sehingga digunakan pendekatan semi-supervised berupa Noisy Student Training (NST) yang bersifat iteratif dan ekspansif untuk mencoba memecahkan permasalahan tersebut. Pendekatan tersebut memiliki beberapa kelebihan seperti telah terbuktikan meningkatkan kinerja model state-of-the-art untuk permasalahan pengklasifikasian ImageNet dan juga memerlukan data berlabel dalam jumlah yang sedikit. Pada tugas akhir, telah berhasil dikembangkan implementasi NST dan model pencarian sistem lensa gravitasi baru yang dihasilkan oleh proses NST. Model terbaik dari seluruh iterasi NST memiliki kinerja yang lebih baik dibandingkan dengan model teacher pada iterasi awal dan memperlihatkan kapabilitas untuk mencari sistem lensa gravitasi baru. Evaluasi yang dilakukan terhadap model-model hasil setiap iterasi NST berdasarkan metrik dari model untuk mengklasifikasikan sistem lensa gravitasi baru seperti accuracy, precision, recall, dan f1-score. Namun, berdasarkan hasil evaluasi dan pelaksanaan tugas akhir, peningkatan kinerja model dapat dianggap kurang efektif dan kurang efisien dari idealnya. Hanya satu model yang memperlihatkan peningkatan kemampuan dalam mengklasifikasikan sistem lensa baru dari seluruh eksperimen yang dilakukan. Selain itu, dapat diamati fluktuasi dari kinerja yang dihasilkan model dan proses pelatihan pada setiap iterasi NST yang tidak konsisten menghasilkan model yang lebih baik dibandingkan dengan model awal untuk dataset yang digunakan. Hal tersebut dapat disebabkan karena sifat stokastik yang dimiliki pendekatan NST.