digilib@itb.ac.id +62 812 2508 8800

OTOMATISASI ANALISIS MORFOLOGI DAN KLASIFIKASI KELOMPOK BINTIK MATAHARI MELALUI METODE SEGMENTASI DAN FITUR GRADIEN BERBASIS DEEP LEARNING PADA CITRA RESOLUSI TINGGI SATELIT SDO TAHUN 2012–2026

64 views
Save At List
Penulis : Luthfi Naufal [20924002]
Kontributor / Dosen Pembimbing :
  • Prof. Dr. Dhani Herdiwijaya, M.Sc.
  • Dr. Eng. Dwi Irwanto, S.Si., M.Si., M.Eng.
Jenis Koleksi : Tesis
Tahun Terbit : 2026
Penerbit : Sains Komputasi
Fakultas : Fakultas Matematika dan Ilmu Pengetahuan Alam
Subjek :
Kata Kunci : Segmentasi, klasifikasi, otomatisasi, citra bintik matahari, deep learning, U-Net, gradien, klasifikasi McIntosh, Solar Dynamics Observatory
Sumber :
Staf Input/Edit : Yati Rochayati  
File : 1 file
Tanggal Input : 08 Jul 2026

ABSTRAK Luthfi Naufal
PUBLIC Open In Flipbook Yati Rochayati

Pengembangan metode otomasi untuk mendeteksi dan mengklasifikasikan sunspot group pada citra Matahari menjadi fokus utama dalam penelitian ini, dengan pendekatan deep learning sebagai fondasi utama. Proses segmentasi dilakukan menggunakan arsitektur U-Net yang telah dimodifikasi dengan penambahan fitur peta gradien dari intensitas piksel. Penambahan peta gradien mempertajam batas antarstruktur, terutama batas penumbra–fotosfer yang landai, sehingga mask segmentasi yang dihasilkan lebih akurat. Ketajaman batas ini berdampak lanjut pada tahap klasifikasi, karena mask hasil segmentasi menjadi basis pembentukan fitur morfologi pada model klasifikasi, dengan kontribusi terbesar pada jalur klasifikasi berbasis fitur XGBoost yang seluruh fiturnya diekstrak langsung dari mask. Pendekatan ini menggantikan metode ambang batas (thresholding) konvensional yang terbatas dalam mengenali struktur morfologi kompleks pada citra Matahari. Dataset yang digunakan berupa 5.202 citra Solar Dynamics Observatory (SDO) HMI berukuran 4096 × 4096 piksel dalam format FITS dengan ukuran sekitar 65 MB per citra, pada rentang tahun 2012 sampai 30 April 2026, yang telah melalui koreksi point spread function (PSF), koreksi limb darkening, proses pemotongan (cropping), dan pelabelan berdasarkan tiga kelas utama yaitu umbra, penumbra, dan background (fotosfer). Selanjutnya, pengelompokan otomatis kelompok bintik matahari berdasarkan klasifikasi McIntosh (Zpc) diterapkan pada hasil segmentasi melalui pendekatan deep learning dan ekstraksi fitur menggunakan XGBoost. Sebelum proses klasifikasi dilakukan, label McIntosh yang diperoleh dari katalog NOAA/SRS ditinjau ulang melalui tahapan audit otomatis berbasis AI agent dengan penggunaan API serta audit manual untuk mengurangi kesalahan label dan sampel false positive. Proses ini menghasilkan ground truth yang lebih konsisten dan sesuai karakteristik fisik sunspot group. Evaluasi performa dilakukan menggunakan metrik akurasi piksel, Intersection over Union (IoU), serta skor klasifikasi McIntosh berupa average precision (AP), average recall (AR), dan average F1-score (AF). Seluruh proses komputasi dijalankan menggunakan GPU dan HPC untuk meningkatkan kecepatan, efisiensi, dan skalabilitas pemrosesan. Hasil pengujian menunjukkan bahwa model klasifikasi utama berbasis CNN ResNet18 mencapai AP sebesar 0,671, AR sebesar 0,667, AF sebesar 0,666, dan akurasi sebesar 0,667 pada data uji. Evaluasi terpisah pada komponen McIntosh menghasilkan akurasi sebesar 0,893 dan F1 makro sebesar 0,887 untuk komponen Zurich (Z), akurasi sebesar 0,788 dan F1 makro sebesar 0,812 untuk komponen penumbra (p), serta akurasi sebesar 0,907 dan F1 makro sebesar 0,897 untuk komponen distribusi umbra (c). Pencapaian ini lebih tinggi dibandingkan beberapa penelitian sebelumnya yang melaporkan nilai AF terbaik sebesar 0,608 serta nilai F1 rata-rata sekitar 0,68 untuk komponen Z, p, dan c, yang setara dengan peningkatan relatif sekitar 27% terhadap metode terkini. Hasil ini menunjukkan bahwa pendekatan yang diusulkan berpotensi meningkatkan efektivitas pemantauan aktivitas Matahari dan mendukung penelitian lanjutan dalam fisika Matahari serta cuaca antariksa.

Artikel Terkait