Perpustakaan Digital ITB

Dari pengamatan supernova tipe Ia pada akhir tahun 1990an, ditemukan bahwa pengembangan alam semesta yang dipercepat. Salah satu penjelasan untuk pengembangan dipercepat tersebut adalah dark energy. Konstanta kosmologi () merupakan model dark energy yang paling sederhana dan didukung oleh banyak hasil pengamatan saat ini. Namun terdapat beberapa masalah yang melekat pada konstanta kosmologi, yaitu masalah ne-tunning dan coin- cidence. Untuk mengatasi masalah tersebut, salah satu solusi yang diusulkan adalah dynamical dark energy (DDE), yaitu dark energy yang densitas energinya berubah sebagai fungsi waktu. Untuk mempelajari evolusi DDE, kita membutuhkan data pengamatan yang menjangkau redshift (z) yang besar. Set data SN Ia Pantheon yang merupakan set data supernova tipe Ia terbesar saat ini baru menjangkau z = 2:3. Dalam Tugas Akhir ini, set data Pantheon akan diregresi hingga z = 4 dengan menggunakan metode deep learning untuk memprediksi data hingga ke daerah redshift yang masih belum bisa kita amati. Tiga jenis jaringan recurrent neural network (RNN), yaitu LSTM, GRU dan RNN sederhana dipakai untuk meregresi set data SN Ia Pantheon. Jaringan RNN yang dapat meregresi data Pantheon dengan performa paling baik adalah sel LSTM. Data hasil regresi deep learning ini kemudian digunakan dalam tting parameter model CDM dan tiga model DDE (CPL, JBP, dan BA) untuk mempelajari karakteristik DDE dan perbandingannya dengan model CDM. Dengan menggunakan data riil Pantheon, diperoleh w0 dan wa yang konsisten dengan model CDM (w0 ????1 dan wa 0). Untuk gabungan data riil Pantheon + DL LSTM diperoleh best-t untuk wa yang berbeda dari model CDM, yang menghasilkan evolusi yang berbeda pada redshift tinggi. Namun ketidakpastian yang tinggi pada nilai wa masih mengijinkan data untuk konsisten dengan model CDM. Hasil tting juga memungkinkan parameter persamaan keadaan DDE berada pada wilayah model dark energy quintessence dan phantom eld. Apabila model parameterisasi DDE dibandingkan dengan model CDM dengan menghitung nilai BIC, model dark energy CDM merupakan model yang paling cocok, baik dengan data riil Pantheon maupun data riil Pantheon + DL LSTM.