![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
Abstrak - Argya Rangga Wicaksono
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Penggunaan neural networks sebagai metode alternatif pembelajaran mesin
dalam pengukuran parameter spektroskopik seperti dispersi kecepatan telah
memajukan keilmuan astronomi ekstragalaksi secara signifikan. Dispersi kecepatan
merupakan proksi penting dalam melakukan analisis tahapan evolusi
pada galaksi menggunakan fungsi dispersi kecepatan (VDF). Tugas akhir
ini bertujuan untuk memprediksi dispersi kecepatan menggunakan neural networks
serta meninjau keterkaitannya dengan tahapan evolusi galaksi. Kalkulasi
dispersi kecepatan dilakukan melalui pemodelan multivariabel menggunakan
data magnitudo fotometri DESI Legacy Imaging Survey DR10 dan data
dispersi kecepatan spektroskopi SDSS DR17. Nilai dispersi kecepatan fotometri
yang diperoleh kemudian diolah menjadi VDF, diklasifikasi berdasarkan
katalog morfologi Galaxy Zoo DESI, dan dianalisis evolusinya terhadap redshift.
Prediksi dispersi kecepatan menggunakan neural networks akurat pada
rentang 150 km/s < ? < 400 km/s. VDF fotometri yang diperoleh ekuivalen
dengan VDF spektroskopi. Galaksi elips (quiescent) mengalami evolusi signifikan
pada ujung dispersi rendah yang disebabkan oleh peristiwa quenching
akibat hilangnya gas panas yang digunakan oleh galaksi star-forming untuk
membentuk bintang. Berdasarkan hasil yang diperoleh, disimpulkan bahwa
data fotometri dapat dijadikan basis penentuan variabel spektroskopi. Diperlukan
data latih lebih banyak dan model yang lebih tahan terhadap overfit
sehingga diperoleh prediksi yang lebih akurat.