Perpustakaan Digital ITB

Jumlah kandidat sistem lensa gravitasi kuat skala galaksi diprediksi akan semakin meningkat hingga orde O ? 105 di era survei-survei besar galaksi yang sedang berlangsung maupun yang akan datang. Sistem lensa ini kemudian dikonfirmasi melalui pengamatan spektroskopi dan dianalisis menggunakan model lensa gravitasi. Saat ini, sebagian besar upaya pemodelan lensa untuk mengestimasi parameter fisis sistem lensa gravitasi masih mengandalkan metode fitting konvensional, seperti least square atau maximum likelihood menggunakan Monte Carlo Markov Chain (MCMC).Meskipun metode tersebut dinilai efektif, pendekatan ini tidak efisien karena untuk memodelkan satu sistem lensa diperlukan waktu komputasi yang relatif lama serta pemeriksaan manual (blind check) oleh seorang ahli lensa gravitasi. Tantangan ini mendorong pengembangan metode estimasi parameter model lensa yang tidak hanya cepat tetapi juga akurat, terutama mengingat kompleksitas data resolusi tinggi dari konfigurasi sistem lensa yang semakin beragam. Pada penelitian Tugas Akhir ini, kami berfokus pada pembangunan data latih yang representatif, pembangunan Convolutional Neural Network (CNN) dengan kinerja efisien, dan melakukan estimasi parameter model massa lensa gravitasi pada parameter fisis seperti jari-jari Einstein, rasio sumbu, dan sudut posisi sumbu utama distribusi massa. Data yang digunakan dalam penelitian ini berasal dari data publik rilis 3 Hyper Suprime Cam-Subaru Strategic Program (HSCSSP) menggunakan lenstronomy. Galaksi-galaksi yang dipilih sebagai galaksi pelensa dipilih pada rentang redshift menengah (0.3 < z < 0.9) mengikuti probabilitas redshift lensa kuat ditemukan. Serangkaian pengujian dilakukan untuk memperoleh kinerja optimal dari pembelajaran mesin, dan pada tahap akhir penelitian, hasil estimasi akan dibandingkan dengan sistem lensa yang telah dianalisis menggunakan metode konvensional.