Informasi Lainnya
Abstraksi
Volume dan variasi data astronomi, khususnya data spektral, yang terus meningkat<br />
membuat analisis spektrum untuk menghitung parameter stellar bintang tunggal<br />
menjadi kurang efisien. Untuk membantu menyelesaikan permasalahan tersebut,<br />
dikembangkan arsitektur Convolutional Neural Network (CNN) bernama StarNet.<br />
Penelitian ini berfokus pada optimasi kombinasi hyperparameter StarNet<br />
menggunakan Komodo Mlipir Algorithm (KMA) untuk meningkatkan performa model.<br />
Optimasi hyperparameter dilakukan dengan menggunakan tiga konfigurasi populasi<br />
KMA yang berbeda (n=5, n=10, dan n=15) dalam 10 iterasi. Data spektral dari APOGEE<br />
DR17 dibagi menjadi data latih dan uji. KMA diterapkan untuk mencari kombinasi<br />
hyperparameter optimal yang direpresentasikan sebagai vektor bilangan real dalam<br />
rentang 0-1. Kombinasi hyperparameter terbaik dievaluasi menggunakan metrik<br />
Mean Square Error (MSE), Root Mean Square Error (RMSE), dan plot residu.<br />
Hasil penelitian menunjukkan bahwa KMA dengan n=15 menghasilkan performa<br />
terbaik untuk prediksi gravitasi permukaan (log g) dan metalisitas ([M/H]) dengan<br />
akurasi masing-masing ±8.4% dan ±4.48%. Untuk kecepatan rotasi ekuatorial (v sin<br />
i), KMA n=10 mencapai akurasi terbaik sebesar ±3.74%. Meskipun untuk temperatur<br />
efektif (Teff) model standar masih unggul, KMA n=15 menunjukkan peningkatan<br />
signifikan dengan akurasi ±6.01% dibandingkan konfigurasi KMA lainnya. Namun,<br />
bias sistematis pada rentang ekstrim masih menjadi tantangan untuk semua varian<br />
KMA.<br />
Kata Kunci: hyperparameter, CNN, starnet, KMA, optimasi, parameter stellar
- CSH4R3 - CONVOLUTIONAL NEURAL NETWORK
- CPI3L3 - PEMBELAJARAN MESIN LANJUT
Koleksi & Sirkulasi
Tersedia 1 dari total 1 Koleksi
