Perpustakaan Digital ITB

Pertumbuhan eksponensial data astronomi mendorong kebutuhan metode efisien untuk memprediksi properti galaksi seperti laju pembentukan bintang (SFR) dan massa bintang (SM), karena pendekatan tradisional seperti spectral energy distribution (SED) fitting membutuhkan daya komputasi yang lebih besar untuk set data masif. Penelitian ini bertujuan mengevaluasi dan membandingkan empat arsitektur machine learning, di antaranya Artificial Neural Network (ANN), Wide and Deep Neural Network (WDNN), XGBoost, dan CatBoost, dalam memprediksi properti tersebut hanya dari data fotometri. Model dilatih menggunakan dua set data: data optik-inframerah dari SDSS dan AllWISE dengan target dari katalog MPA-JHU DR8, serta data pankromatik 21-pita dari Galaxy And Mass Assembly (GAMA) dengan target dari katalog MAGPHYS. Hasil penelitian, dengan mengakui adanya perbedaan kompleksitas hyperparameter tuning untuk tiap model, menunjukkan bahwa gradient boosting (CatBoost dan XGBoost) menawarkan keseimbangan terbaik antara akurasi dan efisiensi. Model-model ini mencapai presisi tinggi, terutama pada data GAMA (standar deviasi error, ?SM ? 0.07 dex dan ?SFR ?0.16 dex), dengan waktu pelatihan yang jauh lebih singkat dibandingkan ANN dan WDNN. Secara konsisten, massa bintang terbukti lebih mudah diprediksi daripada SFR, dan penggunaan data pankromatik 21-pita GAMA secara signifikan meningkatkan akurasi prediksi untuk semua model. Studi ini menegaskan bahwa metode ML, khususnya gradient boosting, merupakan alat yang sangat akurat, efisien, dan krusial untuk analisis properti galaksi dalam survei astronomi skala besar di masa depan.