Perpustakaan Digital ITB

Survei astronomi domain waktu masa depan seperti Legacy Survey of Space and Time (LSST) oleh Observatorium Vera C. Rubin akan menghasilkan jutaan peringatan transien setiap malam, sehingga sistem klasifikasi otomatis yang cepat dan akurat sangat dibutuhkan. Metode konvensional berbasis kurva cahaya memerlukan prapemrosesan tambahan yang memakan waktu, sangat sensitif terhadap kualitas data awal, serta mengabaikan informasi spasial penting seperti morfologi sumber dan lingkungan sekitar objek. Mengatasi keterbatasan tersebut, pendekatan pembelajaran mendalam berbasis spasiotemporal dikembangkan untuk mengklasifikasikan objek transien astronomi secara langsung dari deret waktu citra. Arsitektur yang dirancang mengombinasikan 3-Dimensi Convolutional Neural Network (3D CNN) dan Transformer dengan mekanisme Multi-Head Convolutional Self-Attention, Time-Aware Positional Encoding (TAPE) berdasarkan Modified Julian Date (MJD), serta fusi 17 fitur statistik bantu. Menggunakan data survei Supernova SDSS-II pada kelas Supernova Tipe Ia (SNIa), Active Galactic Nuclei (AGN), dan Objek Variabel (Variable), evaluasi pada data uji independen menghasilkan akurasi keseluruhan sebesar 77,6% dengan F1-score rata-rata 78,7 %. Klasifikasi ’SNIa’ mencapai nilai recall 91,57% dan F1-score 88,0 %, menunjukkan peningkatan sekitar 4% dari studi rujukan berkat kemampuan TAPE dalam menangani interval waktu yang tidak seragam. Meskipun demikian, tantangan pemisahan masih ditemui antara kelas ’AGN’ dan ’Variable’ dengan tingkat misklasifikasi sekitar 20% akibat kemiripan profil variabilitas temporal dan kemungkinan kontaminasi dari sumber data. Secara keseluruhan, pemrosesan berbasis deret waktu citra ini terbukti efisien dan potensial dalam mendukung analisis data transien astronomi skala besar di masa depan.