Perpustakaan Digital ITB

Tugas Akhir ini bertujuan untuk menentukan keanggotaan dan parameter fisis gugus bintang baru yang diidentifikasi oleh Songmei Qin menggunakan data Gaia DR3. Metode yang digunakan mencakup kombinasi dua pendekatan pembelajaran mesin, yaitu k-nearest neighbors (kNN) dan Gaussian Mixture Model (GMM). Pada tahap awal, algoritma kNN digunakan untuk menentukan rentang parameter astrometri dengan cara menganalisis distribusi ratarata jarak ke k-tetangga terdekat (dNN) dari data gugus yang diunduh dengan search radius kecil. Selanjutnya, GMM dengan dua komponen diaplikasikan pada distribusi satu dimensi dari jarak Mahalanobis. Proses ini dilakukan pada data yang diunduh dengan search radius yang lebih besar dan dengan menggunakan rentang parameter hasil dari tahap sebelumnya untuk mengidentifikasi keanggotaan gugus secara probabilistik. Objek yang dikaji terdiri atas delapan gugus terbuka: NGC 2360, Alessi 1, NGC 2099, dan NGC 752 sebagai gugus kontrol, serta OCSN 13, OCSN 22, OCSN 37, dan OCSN 56 sebagai gugus baru yang tergolong poorly studied. Estimasi parameter fisis gugus meliputi usia, metalisitas, modulus jarak, nilai ekstingsi, rasio total to selective extinction, dan binary fraction yang diperoleh dengan menggunakan perangkat lunak ASteCA dan model isokron PARSEC. Radius fisik gugus juga ditentukan dari diameter sudut dan jarak yang diperoleh. Hasil menunjukkan metode kNN–GMM efektif dalam memisahkan bintang anggota gugus dari bintang latar dan memberikan hasil konsisten dengan literatur. Selain itu, GMM dengan tiga komponen diterapkan pada distribusi paralaks untuk mengatasi keterbatasan kNN pada gugus OCSN yang menghasilkan sembilan kandidat gugus baru, termasuk tiga kandidat kuat—dua di antaranya bersesuaian dengan OCSN 57 dan OCSN 61. Metode ini potensial untuk diterapkan lebih luas dalam pencarian gugus baru pada data Gaia mendatang.