Analisis Faktor Dominan dalam Klasifikasi Objek Astronomi Berbasis Random Forest
Keywords:
Data Mining, Random Forest, Klasifikasi Objek Astronomi, Feature Importance, Mutual InformationAbstract
Perkembangan survei astronomi modern menghasilkan data observasi dalam jumlah sangat besar sehingga diperlukan teknik data mining yang mampu mengolah dan mengekstraksi informasi penting secara efektif. Salah satu permasalahan yang dihadapi adalah identifikasi faktor-faktor yang paling berpengaruh dalam proses klasifikasi objek astronomi yang terdiri atas Galaxy, QSO, dan Star. Penelitian ini bertujuan untuk menganalisis faktor dominan dalam klasifikasi objek astronomi menggunakan algoritma Random Forest melalui pendekatan Feature Importance dan Permutation Importance. Dataset yang digunakan merupakan Star Classification Dataset yang terdiri atas 100.000 data observasi dengan 18 atribut, kemudian melalui tahapan preprocessing, seleksi fitur menggunakan Mutual Information, pembangunan model Random Forest, evaluasi menggunakan accuracy, precision, recall, F1-score, confusion matrix, serta pengujian robustness model. Hasil penelitian menunjukkan bahwa model Random Forest mampu menghasilkan accuracy sebesar 97,995%, precision sebesar 97,985%, dan recall sebesar 97,995%, yang menunjukkan kemampuan klasifikasi yang sangat baik terhadap objek Galaxy, QSO, dan Star. Analisis Feature Importance dan Permutation Importance secara konsisten mengidentifikasi atribut redshift sebagai faktor yang paling dominan, diikuti oleh atribut z, g, i, dan u, sehingga menunjukkan bahwa karakteristik spektral memiliki kontribusi terbesar dalam proses klasifikasi. Selain memiliki performa yang tinggi, model juga menunjukkan kestabilan pada berbagai ukuran data latih melalui analisis robustness. Temuan penelitian ini memberikan informasi yang lebih interpretatif mengenai faktor-faktor yang memengaruhi klasifikasi objek astronomi dan dapat menjadi dasar pengembangan sistem analisis data astronomi berbasis data mining yang lebih efektif dan akurat.
Downloads
References
A. Estiak, “Classification of Galaxies, Stars, and Quasars from Sloan Digital Sky Survey Data Release 17 Using Different Machine Learning Techniques,” Department of Physics, Shahjalal University of Science and Technology, 2026.
Y. W. Wu, “Machine Learning Classification of Stars, Galaxies, and Quasars,” MATTER: Int. J. Sci. Technol., vol. 6, no. 3, pp. 102–122, 2021, doi: 10.20319/mijst.2021.63.102122.
S. Ethiraj and B. K. Bolla, “Classification of Quasars, Galaxies, and Stars Using Multi-Modal Deep Learning,” arXiv preprint, 2022, [Online]. Available: https://arxiv.org/abs/2205.10745v1.
T. Zhou, “Comparison of machine learning algorithms and feature importance analysis for star classification,” in Proc. Int. Conf. Mach. Learn. Autom., 2023, doi: 10.54254/2755-2721/30/20230111.
B. Arroquia-Cuadros, N. Sánchez, V. Gómez, P. Blay, V. Martínez-Badenes, and L. Nieves-Seoane, “Photometric classification of QSOs from ALHAMBRA survey using random forest,” Astron. Astrophys., 2023, [Online]. Available: https://arxiv.org/abs/2303.14567v1.
J.-L. Solorio-Lmírez, R. Jiménez-Cruz, Y. Villuendas-Rey, and C. Yáñez-Márquez, “Random forest Algorithm for the Classification of Spectral Data of Astronomical Objects,” Algorithms, vol. 16, no. 6, p. 293, 2023, doi: 10.3390/a16060293.
D. Chatterjee and P. Ghosh, “Redshift-Agnostic Machine Learning Classification: Unveiling Peak Performance in Galaxy, Star, and Quasar Classification (Using SDSS DR17),” Astron. Nachr., vol. 346, no. 2, 2025, doi: 10.1002/asna.20240034.
F. Z. Zeraatgari, F. Hafezianzadeh, Y. Zhang, L. Mei, A. Ayubinia, A. Mosallanezhad, and J. Zhang, “Machine learning-based photometric classification of galaxies, quasars, emission-line galaxies, and stars,” Mon. Not. R. Astron. Soc., vol. 527, no. 3, pp. 4677–4689, 2024, doi: 10.1093/mnras/stad3436.
