Perpustakaan Digital ITB

Penelitian eksoplanet melalui metode Transit Timing Variation (TTV) dapat mendeteksi planet yang tidak mengalami transit sekaligus estimasi parameter fisik dan orbital sistem keplanetan. Namun, proses inversi TTV secara konvensional memerlukan simulasi dinamika N-benda dan optimasi parameter pada ruang parameter yang luas sehingga bersifat komputasional intensif. Pada penelitian ini dikembangkan model pembelajaran mesin berbasis Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM) untuk mempelajari hubungan antara sinyal TTV dan parameter planet pengganggu menggunakan dataset sintesis yang dibangkitkan dengan TTVFast. Selain mengevaluasi akurasi, penelitian ini juga mengkaji pengaruh noise, missing value, serta ketidakpastian prediksi menggunakan pendekatan Monte Carlo Dropout. Validasi pada dataset independen menunjukkan bahwa kedua model mampu merekonstruksi parameter eksoplanet dengan akurasi yang tinggi, terutama untuk periode orbit, dengan model LSTM memberikan performa yang sedikit lebih baik dibandingkan CNN. Validasi menggunakan sistem eksoplanet dari misi Kepler menunjukkan bahwa kedua model mampu mereproduksi karakteristik sinyal TTV yang diamati, meskipun adanya degenerasi parameter dan kompleksitas dinamika sistem nyata menyebabkan parameter yang diperoleh tidak selalu identik dengan nilai yang dilaporkan pada penelitian sebelumnya. Hasil penelitian ini menunjukkan bahwa metode pembelajaran mesin berpotensi digunakan sebagai surrogate model untuk mempercepat pencarian solusi pada ruang parameter berdimensi tinggi sehingga dapat meningkatkan efisiensi karakterisasi sistem eksoplanet berbasis analisis TTV.