Fatimah, Wilma Nur (2025) Implementasi model machine learning supervised learning berbasis klasifikasi untuk prediksi hazardous near-earth objects (NEO) berdasarkan karakteristik fisik dan orbit / Wilma Nur Fatimah</p>. Diploma thesis, Universitas Negeri Malang.
Full text not available from this repository.Abstract
Near-Earth Objects (NEO) adalah objek luar angkasa yang memiliki orbit di sekitar Bumi dan berpotensi membahayakan planet ini. Penelitian ini menggunakan pendekatan Machine Learning dengan metode Supervised Learning untuk memprediksi NEO berbahaya berdasarkan karakteristik fisik dan orbitnya. Data penelitian diperoleh dari Kaggle dan Small-Body Database Query NASA mencakup fitur seperti absolute magnitude diameter minimum dan maksimum kecepatan relatif miss distance serta moid. Proses penelitian mencakup beberapa tahapan utama yaitu pengumpulan data pembersihan data rekayasa fitur serta pembangunan model Machine Learning. Model yang digunakan meliputi Logistic Regression Random Forest XGBoost Support Vector Classifier (SVC) K-Nearest Neighbors (KNN) dan Neural Network. Dataset dibagi menjadi data latih dan data uji menggunakan teknik stratifikasi agar distribusi kelas tetap seimbang. Evaluasi kinerja model dilakukan dengan metrik Precision Recall F1-Score dan ROC AUC untuk menentukan model dengan performa terbaik. Hasil penelitian menunjukkan bahwa model Random Forest memiliki akurasi tertinggi sebesar 99 96% diikuti oleh XGBoost (99 92%) Neural Network (99 57%) Support Vector Classifier (97 41%) Logistic Regression (97 33%) dan K-Nearest Neighbors (96 44%). Hasil ini membuktikan bahwa model Machine Learning dapat mengidentifikasi NEO berbahaya dengan tingkat akurasi yang sangat tinggi. Penelitian ini diharapkan dapat menjadi dasar bagi pengembangan sistem deteksi otomatis NEO yang lebih efisien dan akurat dalam mendukung mitigasi potensi ancaman dari objek luar angkasa.
| Item Type: | Thesis (Diploma) |
|---|---|
| Divisions: | Fakultas Matematika dan IPA (FMIPA) > Departemen Fisika (FIS) > S1 Fisika |
| Depositing User: | library UM |
| Date Deposited: | 22 May 2025 04:29 |
| Last Modified: | 09 Sep 2025 03:00 |
| URI: | http://repository.um.ac.id/id/eprint/395062 |
Actions (login required)
 |
View Item |