Perpustakaan Digital ITB

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.