Perpustakaan Digital ITB

Pencarian untuk menemukan jawaban atas pertanyaan terdalam yang kita miliki tentang alam semesta dan pengembangan teknologi instrumentasi pengamatan telah memicu pengumpulan data dalam volume yang semakin besar, termasuk miliaran objek astronomi dan menggunakan hingga petabyte ukuran data memori. Sehingga dibutuhkan algoritma pendeteksian dan klasifikasi secara automatis dan efisien untuk dapat mengolah dan mengekstrak data yang dapat dianalsis lebih lanjut. Pada thesis ini kita mengembangkan program pendeteksian dan klasifikasi objek menggunakan image processing dan machine learning yang digunakan pada citra astronomi. Program pendeteksian menggunakan citra dari database Sloan Digital Sky Survey Data Release Ten (SDSS-DR10) mengunakan metode Contrast Limited Adaptive Histogram Equalization (CLAHE), Otsu method, watershed dan image moment. Program tersebut berhasil mendeteksi objek-objek (seperti bintang dan galaksi) pada citra SDSS dan dapat mengukur beberapa parameter dasar dari setiap objek. Program klasifikasi bertujuan untuk mengklasifikasi objek bintang dengan objek non-bintang menggunakan 14 algoritma machine learning yang berbeda dan diterapkan kepada 28.369 objek yang berasal dari data hasil pendeteksian pada program sebelumnya. Setiap algoritma diterapkan dengan beberapa parameter yang bervariasi sehingga akan ditentukan parameter terbaik yang akan digunakan saat membandingkan 14 algoritma tersebut. Efisiensi pemisahan bintang dengan non-bintang menggunakan fungsi presisi. Program tersebut menghasilkan 5 model terbaik dengan nilai precision sekitar 98% yaitu: random forest, adaboost, gradient boosting, neural network dan support vector machines (SVM) dengan kernel linier.