Perpustakaan Digital ITB

Perkembangan teknologi observatorium menghasilkan volume data astronomi yang masif, sehingga pendeteksian objek bergerak seperti asteroid secara manual menjadi tidak efisien. Algoritma otomatis konvensional sering kali terkendala oleh tingginya tingkat deteksi palsu (false positive) akibat derau astrometri. Penelitian ini mengusulkan sistem pipeline otomatis yang mengintegrasikan pengolahan citra diferensial, machine learning, dan astrodinamika untuk mendeteksi asteroid serta menentukan parameter orbitnya. Data observasi yang digunakan adalah citra FITS objek (29981) 1999 TD10 dari observatorium KPNO. Tahapan ekstraksi dimulai dengan plate solving, reduksi latar belakang menggunakan algoritma Difference Image Analysis (DIA) ZOGY, dan penautan spasial dengan K-d Tree untuk membentuk kandidat lintasan (tracklet). Model Convolutional Neural Network (CNN) kemudian dilatih untuk membedakan pergerakan objek sejati dari derau. Identitas tracklet yang lolos divalidasi menggunakan kueri Skybot berbasis probabilitas Gaussian dan interpolasi JPL Horizons. Terakhir, komputasi orbit dieksekusi menggunakan metode hibrida Gauss-Herget (Least Squares). Hasil pengujian menunjukkan model CNN mencapai akurasi validasi 96% dan berhasil memangkas drastis deteksi palsu. Sistem juga terbukti mampu merekonstruksi secara presisi enam parameter orbit target utama. Namun, penelitian ini mengungkap bahwa sistem masih rentan terhadap masalah observasi busur pendek (short-arc) pada objek minor sekunder yang membutuhkan pengamatan lanjutan.