| dc.description.abstract | Data telemetri merupakan data feedback dari satelit yang dikirim secara kontinu atau berdasarkan permintaan (telecommand) dari stasiun bumi. Data ini berisi deret waktu hasil pengukuran sensor pada subsistem payload dan bus satelit, mencakup parameter waktu, tegangan, temperatur, arus, dan sikap satelit terhadap Bumi. Sehingga, data telemetri menjadi kunci pemantauan, pengendalian, dan analisis kondisi kesehatan satelit selama di orbit maupun setelah misi.
Melalui data telemetri, operator dapat mengidentifikasi kondisi abnormal seperti kegagalan daya, sikap satelit yang menyimpang, atau suhu subsistem yang tidak normal. Kondisi abnormal tersebut dapat disebabkan oleh radiasi, perubahan suhu, penuaan elektronik, korsleting, maupun pengaruh lingkungan antariksa. Deteksi anomali yang tepat waktu berperan penting dalam memastikan operasi satelit yang aman dan mendukung keberhasilan misi. Diagnosis yang akurat juga membantu memperpanjang umur satelit.
Penelitian ini memiliki tiga tujuan. Pertama, membuat model ansambel statistika berbasis voting untuk menduga suatu nilai atribut sebagai outlier atau bukan. Kedua, membuat model rule mining (Apriori-Close) yang mampu menjelaskan atribut penyebab anomali sekaligus mendeskripsikan jenis anomali yang muncul. Ketiga, membuat model deep learning (MOBO-LSTM) untuk memprediksi nilai rata-rata suatu atribut telemetri pada satu jendela waktu. Penelitian menggunakan data telemetri satelit LAPAN-A2 periode 1 Januari 2016 hingga 31 Desember 2024. Deteksi anomali dilakukan dengan mempertimbangkan hubungan antar parameter (multivariat) saat anomali terjadi.
Kebaruan penelitian ini bertumpu pada dua pilar. Pilar pertama adalah pemanfaatan dataset telemetri LAPAN-A2, satu-satunya satelit mikro aktif berorbit LEO ekuatorial. Dataset ini dianalisis melalui skenario akumulatif bertahap. Proses ini dimulai dari dataset tahun pertama (DS1). Selanjutnya, DS1 secara bertahap ditambahkan dengan dataset pada tahun-tahun berikutnya. Penambahan data dilakukan secara berurutan hingga mencapai dataset kesembilan (DS9). DS9 merupakan akumulasi lengkap dari data periode 2016 hingga 2024. Analisis akumulatif ini bertujuan untuk memantau stabilitas sistem dalam jangka panjang. Selain itu, analisis ini juga bertujuan untuk mengamati pola outlier secara kumulatif seiring bertambahnya waktu. Skenario ini sekaligus menangani tantangan data multi-batch berupa ketidakseimbangan antar atribut, batch kosong, dan distribusi tidak normal. Pilar kedua adalah pengusulan pipeline hierarkis yang mengintegrasikan ansambel statistika, rule mining, dan MOBO-LSTM dengan deteksi outlier sebagai fondasi. Hanya true positive outlier yang lolos validasi label pakar yang diteruskan antar-tahap, sehingga aturan diagnostik dan prediksi yang dihasilkan lebih andal. Keterpaduan ini ditopang oleh tiga komponen: rule mining interpretatif yang mengungkap atribut penyebab dan jenis anomali, optimasi tiga objektif MOBO–NSGA-II yang menghasilkan Pareto front, serta validasi ganda yang meningkatkan kepercayaan deteksi.
Deteksi anomali menggunakan adaptive weighted statistical ensembles yang mengintegrasikan lima base detector, yaitu Filter Hampel, IQR, Modified Z-score, Z-score, dan ABSD. Kelima detektor digabungkan melalui strategi pembobotan adaptif menggunakan Dynamic Weighted Majority (DWM). Evaluasi dilakukan pada sembilan dataset akumulatif (DS1–DS9) dengan total 1,28 juta observasi. Hasilnya, DWM mencapai kinerja tertinggi (F1 0,890; PR-AUC 0,934; FPR 0,0018) dan mengungguli hard voting dengan reduksi FPR hampir 12 kali lipat. Unggul dari entropy-based weighting (F1 0,833) yang menawarkan stabilitas antar-dataset tanpa parameter manual. Sebaliknya, Isolation Forest dan Random Forest tertinggal substansial akibat imbalance ekstrem (1,5%). Secara operasional, DWM mengoptimalkan cakupan deteksi, sedangkan entropi mengoptimalkan keandalan keputusan.
Identifikasi pola dan jenis anomali menggunakan rule mining berbasis closed frequent itemsets (Apriori-Close). Kombinasi metrik yang digunakan meliputi minSupp 0,1%, minConf 0,9, lift, leverage, dan conviction. Pendekatan ini mereduksi redundansi aturan dan mengungkap pola tersembunyi antar subsistem daya. Analisis juga mengidentifikasi korelasi kuat antar baterai (VBatt1–VBatt3) serta ketergantungan terarah antara U_UMPB dan VBatt. Skenario akumulatif turut mengungkap Temporal Drift berupa pergeseran antecedent dominan dari I_Solar (DS1) ke jalur fuse (DS2–DS6) hingga main power bus U_UMPB (DS7–DS9). Kedua pendekatan secara independen menunjuk VBatt dan U_UMPB sebagai indikator kunci anomali. Konvergensi ini berfungsi sebagai validasi silang metodologis.
Prediksi telemetri menggunakan LSTM yang dioptimasi melalui Multi-Objective Bayesian Optimization (MOBO) berbasis NSGA-II. Optimasi dilakukan secara simultan terhadap akurasi (MAE, R²) dan efisiensi waktu pelatihan. MOBO-LSTM mencapai kinerja terbaik dengan MAE terbaik 2,821 dan R² mencapai 0,941. Seluruh baseline (GRU, TCN, XGBoost, Transformer) hanya mencapai MAE 7,674–9,895 dan R² maksimum 0,673. Bahkan solusi Pareto LSTM dengan akurasi terendah masih mengungguli performa terbaik seluruh baseline. Temuan ini menegaskan bahwa kesesuaian mekanisme gating LSTM dengan karakteristik temporal data lebih menentukan daripada kompleksitas arsitektur. Kerangka kerja MOBO-LSTM lebih efisien karena 51 trial menghasilkan 8 solusi Pareto, jauh lebih hemat dibandingkan baseline yang memerlukan 100–150 trial. Analisis Pareto front mengungkap pedoman praktis berupa dominasi optimizer Adam, fungsi aktivasi non-saturating smooth (ELU, SELU, tanh) pada 88% solusi, dan arsitektur single-layer [128 unit] sebagai keseimbangan akurasi-efisiensi terbaik. Korelasi Spearman memvalidasi desain multi-objective. MAE dan R² berkorelasi negatif kuat (? = -0,969), sedangkan waktu pelatihan independen terhadap keduanya. Korelasi Spearman membuktikan bahwa efisiensi komputasi dan akurasi merupakan dua dimensi terpisah. | |
