Perpustakaan Digital ITB

Pengamatan JWST membuka ruang baru dalam pengamatan galaksi redshift tinggi. Tinjauan terhadap aspek morfologi dan ukuran galaksi pada rentang redshift yang lebar dapat memberi pemahaman terkait proses evolusi galaksi. Di sisi lain, pembelajaran mesin dalam beberapa dekade terakhir terbukti lebih efisien dalam memproses data dengan jumlah yang sangat besar. Pada penelitian ini, akan dilakukan pengelompokan galaksi redshift tinggi dan dilakukan validasi berdasarkan informasi morfologi galaksi redshift dekat. Pada penelitian ini digunakan metode Variational Autoencoder (VAE) untuk mengekstrak fitur-fitur utama dari data galaksi, dan pengelompokan dilakukan menggunakan metode Hierarchical dan K-Means clustering. Hasil pengelompokan akan dibandingkan dengan beberapa parameter galaksi di dalam katalog EAZY dan dari hasil fitting parametrik galaksi dengan multi S´ersic. Dengan menggunakan metode tersebut, kami dapat membuat rekonstruksi data galaksi yang lebih halus. Kami menemukan bahwa faktor noise pada citra galaksi sangat memengaruhi proses pengelompokan galaksi berdasarkan morfologinya. Tetapi secara umum, arsitektur VAE yang dibangun pada penelitian ini dapat mengekstrak data galaksi hanya dalam 10 parameter laten, dan di dalamnya tersimpan informasi struktur fisis galaksi. Di sisi lain, hasil fitting parametrik galaksi memberikan informasi radius efektif galaksi, dan kami menemukan bahwa tren radius efektif terhadap massa memiliki slope yang lebih rendah untuk galaksi star-forming dibandingkan untuk galaksi quiescent. Radius efektif galaksi star-forming tampak semakin kecil pada redshift yang semakin tinggi. Hubungan radius efektif galaksi terhadap panjang gelombang menunjukkan penurunan seiring dengan panjang gelombang yang semakin panjang.