Rekomendasi Misi Satelit LAPAN-IPB Berbasis Prediksi Tegangan Menggunakan Hybrid Deep Learning dan Klasifikasi Random Forest

Abstract

Data telemetri satelit berisi informasi kondisi muatan dan seluruh subsistem yang terdapat pada satelit. Salah satu faktor penentu misi operasi satelit adalah ketersediaan energi pada baterai, komponen utama penyedia energi saat panel surya tidak menerima sinar matahari. Jika catu energi berhenti dan tidak dapat dipulihkan dalam waktu singkat, kegagalan misi dapat terjadi. Saat ini kelayakan misi satelit LAPAN-IPB dinilai secara manual oleh operator stasiun bumi berdasarkan pengalaman yang terakumulasi. Pendekatan tersebut tidak reprodusibel dan tidak terdokumentasi, sehingga operator yang berbeda dapat menghasilkan keputusan yang berbeda untuk kondisi baterai yang sama. Penjadwalan misi juga belum mempertimbangkan ketersediaan energi baterai yang dihitung menggunakan model tertentu, sehingga kemungkinan kegagalan misi akibat kekurangan energi masih terbuka. Penelitian ini membangun kerangka kerja rekomendasi misi berbasis data yang terdiri atas tiga komponen. Komponen pertama adalah prediksi tegangan baterai menggunakan kombinasi Seasonal AutoRegressive Integrated Moving Average with eXogenous variables (SARIMAX) dengan algoritma deep learning, yaitu Long Short-Term Memory (LSTM), Bidirectional LSTM (BiLSTM), dan Gated Recurrent Unit (GRU); tegangan diprediksi oleh SARIMAX, residualnya dimodelkan oleh algoritma deep learning, dan kedua hasil dijumlahkan menjadi prediksi final. Komponen kedua adalah karakterisasi profil energi setiap konfigurasi misi menggunakan label misi terkoreksi fisis dan klasifikasi Random Forest, yang menjadi dasar penurunan ambang batas energi setiap kelas misi melalui pagar atas Tukey. Komponen ketiga adalah mesin rekomendasi yang membandingkan prediksi tegangan terhadap ambang batas tersebut, lalu mengurutkan misi yang layak berdasarkan margin energi. Hasil pengujian menunjukkan model hybrid SARIMAX-LSTM memberikan kinerja prediksi terbaik dengan R² sebesar 0,8544, MAE sebesar 0,1042 V, dan MAPE sebesar 0,7604%. Model klasifikasi Random Forest pada 20 kelas misi mencapai akurasi 0,8178 dan F1-weighted 0,8163 berdasarkan validasi silang StratifiedKFold lima lipatan. Ambang batas energi yang diturunkan dari struktur pohon Random Forest konsisten dengan ambang batas statistik pada seluruh 20 kelas misi (selisih maksimum 0,0843 V, di bawah toleransi 0,10 V yang setara dengan MAE prediksi), sehingga mesin rekomendasi dapat memberikan keputusan kelayakan misi yang reprodusibel dan terdokumentasi.