Pendekatan Neural Network Untuk Evolusi Bintang: Klasifikasi Fase Evolusi Serta Prediksi Usia Dan Massa Bintang

Abstract

Survei astronomi berskala besar seperti Gaia Data Release 3 (DR3) menuntut metode komputasi efisien untuk mengatasi keterbatasan pendekatan konvensional yang rentan terhadap degenerasi parameter fisis bintang. Penelitian ini bertujuan mengembangkan model neural network (NN) untuk mengklasifikasikan fase evolusi serta memprediksi massa dan usia bintang secara simultan. Model dievaluasi menggunakan parameter astrometri, fotometri, dan astrofisika Gaia DR3, meliputi magnitudo absolut, indeks warna, Renormalised Unit Weight Error (RUWE), suhu efektif, gravitasi permukaan, dan metalisitas. Hasil evaluasi menunjukkan arsitektur Pre-Norm FT-Transformer memberikan klasifikasi fase terbaik dengan akurasi 95,00%, serta identifikasi sempurna pada populasi white dwarf. Untuk regresi, Pre-Norm ResNet Multilayer Perceptron (MLP) mengestimasi massa secara akurat (??2 = 0,938; MAE = 0,074 ???). Namun, estimasi usia pada bintang tua memiliki ketidakpastian lebih tinggi (??2 = 0,888; MAE = 0,827 Gyr) akibat heteroskedastisitas dan degenerasi lintasan evolusi. Hasil ini membuktikan ketangguhan model NN dalam memetakan data observasi astrofisika berskala besar.