Perpustakaan Digital ITB

Stellar mass, yaitu massa total dari populasi bintang pada sebuah galaksi, merupakan parameter penting untuk menelusuri pertumbuhan dan evolusi galaksi. Survei Euclid akan menghasilkan citra dalam jumlah sangat besar, sehingga analisis rinci berbasis spectral energy distribution untuk setiap objek tidak selalu efisien sebagai tahap awal. Penelitian ini menguji Vision Transformer (ViT) sebagai penaksir awal stellar mass dari citra Euclid dan menilai manfaat prapelatihan self-supervised dibandingkan pelatihan fully supervised dari inisialisasi acak. Model diuji pada sampel galaksi Euclid dengan stellar mass acuan dari katalog DESI. Model dengan prapelatihan self-supervised mencapai MAE 0,283 dex, RMSE 0,440 dex, dan R2 = 0, 739. Model pembanding yang dilatih secara fully supervised memperoleh MAE 0,384 dex, RMSE 0,580 dex, dan R2 = 0, 546. Dengan demikian, prapelatihan pada citra Euclid menurunkan MAE sebesar 26,3% dan RMSE sebesar 24,1%. Keunggulan tersebut muncul pada seluruh rentang redshift yang diuji, dengan hasil terbaik pada 0,20 < z < 0,75 dan penurunan performa yang jelas pada z > 1. Uji tambahan terhadap kestabilan prediksi pada tingkat populasi menghasilkan cakupan empiris 68,5% untuk interval prediksi nominal 68%. Namun, cakupan tersebut menurun pada redshift tinggi sehingga tidak ditafsirkan sebagai galat individual setiap galaksi. Hasil penelitian menunjukkan bahwa representasi self-supervised dapat digunakan sebagai first-pass stellar mass estimator untuk membantu penyaringan sampel galaksi Euclid, penentuan prioritas analisis, dan penyediaan estimasi stellar mass awal sebelum pemodelan SED yang lebih lengkap. Penggunaan untuk kajian populasi, seperti stellar mass function, tetap memerlukan kalibrasi model dan koreksi kelengkapan data galaksi