Electronic Theses and Dissertation

Analisis risiko asteroid merupakan fokus krusial dalam astronomi untuk memitigasi potensi tabrakan yang membahayakan bumi. penelitian ini bertujuan melakukan studi komparatif antara metode optimisasi grid search dan algoritma genetik guna meminimalkan false negative rate (fnr) pada algoritma light gradient boosting machine (lightgbm). data penelitian bersumber dari nasa jpl small body database yang melalui tahapan pre-processing serta penanganan ketidakseimbangan kelas menggunakan teknik undersampling dengan rasio 1:100. evaluasi kinerja dilakukan dengan membandingkan model dasar, model dengan optimisasi grid search, dan model dengan optimisasi algoritma genetik. hasil penelitian menunjukkan bahwa kedua teknik optimisasi mampu menurunkan nilai fnr dibandingkan model dasar yang memiliki fnr sebesar 5.42%. optimisasi menggunakan grid search menghasilkan fnr terendah sebesar 4.02% dengan waktu komputasi 371.62 detik. sementara itu, algoritma genetik menghasilkan fnr sebesar 4.22% dengan waktu komputasi 277.89 detik. analisis feature importance mengidentifikasi argumen perihelium (

Asteroid risk analysis is a crucial focus in astronomy to mitigate potential collisions that could endanger Earth. This study aims to conduct a comparative analysis between Grid Search optimization and the Genetic Algorithm to minimize the False Negative Rate (FNR) in the Light Gradient Boosting Machine (LightGBM) algorithm. The dataset used in this study is obtained from the NASA JPL Small Body Database and undergoes a series of pre-processing steps, including class imbalance handling using an undersampling technique with a 1:100 ratio. Model performance is evaluated by comparing a baseline model, a model optimized using Grid Search, and a model optimized using the Genetic Algorithm. The results indicate that both optimization techniques are able to reduce the FNR compared to the baseline model, which yields an FNR of 5.42%. Optimization using Grid Search achieves the lowest FNR of 4.02% with a computational time of 371.62 seconds. Meanwhile, the Genetic Algorithm produces an FNR of 4.22% with a computational time of 277.89 seconds. Feature importance analysis identifies the argument of perihelion (