Perpustakaan Digital ITB

Penentuan parameter fisis bintang menjadi salah satu tugas utama seorang astronom karena dapat memberikan informasi penting mengenai karakteristik bintang. Pada penelitian ini, penulis melakukan prediksi salah satu parameter fisis bintang, yaitu usia bintang deret utama dan raksasa merah menggunakan beberapa metode machine learning sehingga penelitian ini bertujuan untuk melihat metode machine learning terbaik dalam penentuan usia bintang dengan sangat baik. Pada penelitian ini, penulis menggunakan data Gaia DR3 yang berisi 626 ribu bintang yang nantinya akan diolah lebih lanjut sehingga ukuran set data tersebut berkurang. Data dilatih menggunakan variabel-variabel bebas yang dipilih berdasarkan landasan teori dan statistik. Metode machine learning yang digunakan pada penelitian ini adalah k-nearest neighbor, XGBoost, LightGBM, CatBoost, dan artificial neural network. Untuk melihat kinerja metode-metode machine learning, penulis menggunakan metrik evaluasi, seperti root mean squared error (RMSE), mean absolute error (MAE), dan koefiesen determinasi (R2 Score). Penelitian ini menunjukkan hasil bahwa usia bintang raksasa merah dapat diprediksi dengan lebih baik daripada bintang deret utama karena nilai metrik evaluasi untuk bintang raksasa merah yang lebih baik daripada nilai metrik evaluasi untuk bintang deret utama. Variabel-variabel bebas yang paling sensitif terhadap usia bintang deret utama adalah massa ????, radius ????, temperatur efektif ???? , dan logaritma dari gravitasi permukaan . Variabel-variabel bebas yang ???????????? log(????) paling sensitif terhadap usia bintang raksasa merah adalah massa ???? dan logaritma dari gravitasi permukaan log(????). Untuk prediksi usia bintang deret utama, ANN dengan 4 layer merupakan metode terbaik karena memiliki nilai RMSE, MAE, dan R2 Score: 0,49240, 0,17275, dan 0,98483. Untuk prediksi usia bintang raksasa merah, LightGBM merupakan metode terbaik karena memiliki nilai RMSE, MAE, dan R2 Score: 0,35086, 0,14666, dan 0,99275.