T.M. Chalid Al Kausar Primary Author mixed material bibliography Banda Aceh Fakultas MIPA Matematika 2025

Skripsi

Analisis risiko asteroid telah menjadi perhatian utama dalam bidang astronomi, seiring meningkatnya jumlah data yang dihasilkan oleh teleskop dan satelit. Dalam penelitian ini, telah diimplementasikan algoritma Light Gradient Boosting Machine (LightGBM) untuk mengklasifikasikan asteroid berdasarkan risiko potensial terhadap Bumi dengan menggunakan fitur-fitur multidimensi. Data yang digunakan bersumber dari NASA JPL Small Body Database Query. Penelitian ini bertujuan untuk: (1) menganalisis kinerja LightGBM dalam mengidentifikasi dan memprediksi asteroid berbahaya, (2) memperoleh konfigurasi hyperparameter yang optimal guna meningkatkan akurasi prediksi, dan (3) mengidentifikasi fitur yang memiliki pengaruh signifikan dalam prediksi risiko asteroid. Algoritma Light Gradient Boosting Machine (LightGBM) menghasilkan kinerja model yang sangat baik dengan akurasi sebesar 99,97%, recall 93,37%, precision 92,08%, F1-score 92,72%, specificity 99,99%, false positive rate (FPR) 0,0139%, dan false negative rate (FNR) sebesar 6,63%. Kinerja optimal diperoleh melalui konfigurasi hyperparameter terbaik, yaitu num leaves = 10, learning rate = 0,1, dan n estimators = 15, yang merupakan kombinasi terbaik dari berbagai konfigurasi yang telah diuji. Selain itu, evaluasi kontribusi fitur menggunakan metode feature importance berbasis gain menunjukkan bahwa fitur argumen perihelion, magnitudo absolut, sumbu semi-mayor, dan bujur simpul naik merupakan fitur-fitur yang paling berpengaruh dalam pembentukan model, sementara fitur class asteroid tidak memberikan kontribusi karena tidak digunakan dalam proses pelatihan model. 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 165125 2025-07-22 16:44:57 2025-07-23 09:10:35 machine generated