digilib@itb.ac.id +62 812 2508 8800

ABSTRAK Sylvie Lee
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

Dalam beberapa tahun terakhir, minat dalam pemrosesan data Matahari meningkat pesat. Pemrosesan data ini bertujuan untuk memantau dan memahami aktivitas Matahari, termasuk solar flare. Pemantauan dan pemahaman terjadinya solar flare penting untuk dilakukan karena peristiwa ini menentukan cuaca antariksa yang berdampak pada infrastruktur dan teknologi yang digunakan dalam komunikasi, navigasi satelit, dan misi Antariksa. Pemantauan solar flare secara manual oleh manusia tidak dapat sepenuhnya diandalkan. Hal ini dikarenakan deteksi dan identifikasi oleh manusia sangat tergantung pada kemampuan pengamat dan memakan waktu yang lama. Maka dari itu, pengembangan deteksi solar flare secara otomatis tanpa intervensi manusia menjadi tantangan dalam hal ini. Fokus dari deteksi solar flare secara otomatis terletak pada pengembangan klasifikasi berbasis fitur yang efisien. Berbagai teknik deteksi solar flare otomatis yang telah dikembangkan dan diterapkan sebagian besar menggunakan pendekatan deep learning. Pada penelitian tugas akhir ini, penulis menggunakan teknik pemrosesan gambar untuk membuat proses analisis lebih efisien dengan menerapkan pendekatan Convolutional Neural Network (CNN) langsung pada piksel-piksel mentah. Data input yang digunakan dalam sistem ini adalah data harian aktivitas solar flare dari Space Weather Live dan data citra mentah dari Solar Dynamics Observatory (SDO; Pesnell dkk., 2012). Terdapat dua algoritma yang penulis terapkan dalam penelitian tugas akhir ini: 1) Sistem pertama dirancang untuk mengenali solar flare melalui analisis data daerah aktif yang diekstrak dari citra magnetogram disk penuh (HMI). 2) Sistem kedua dirancang untuk mengenali solar flare melalui analisis data intensitas ultraviolet yang diekstrak dari citra gambar intensitas ultraviolet disk penuh (AIA). Dari penelitian ini, penulis menemukan bahwa model CNN dengan arsitektur ResNet-50 menggunakan data AIA tahun 2020-2023 memberikan performa prediksi terbaik di antara model-model arsitektur lainnya. Selain itu, penulis juga menemukan bahwa pemilihan antara penggunaan data HMI atau AIA serta variasi augmentasi tidak menunjukkan korelasi dengan performa model, namun hal ini tergantung pada arsitektur yang mempengaruhi performa model. Selain itu, penulis juga menemukan bahwa semakin banyak jumlah data meningkatkan kemampuan generalisasi model.