Penerapan CRISP-DM untuk Deteksi Eksoplanet menggunakan Algoritma Regresi Logistik dan K-Nearest Neighbors

Abstract

Studi ini bertujuan untuk mengeksplorasi penggunaan model machine learning dalam klasifikasi eksoplanet dengan memprediksi apakah objek luar angkasa adalah eksoplanet berdasarkan intensitas cahayanya. Penemuan eksoplanet merupakan salah satu perkembangan paling menarik dalam astrofisika modern, hingga kini ribuan eksoplanet telah dikonfirmasi dan akan terus bertambah. Secara khusus, studi ini mengikuti metodologi CRISP-DM, yang mencakup pemahaman bisnis, pemahaman data, persiapan data, pemodelan, dan evaluasi serta menggunakan model Regresi Logistik dan K-Nearest Neighbors untuk menganalisis data dari Teleskop Luar Angkasa Kepler NASA. Tujuan utamanya adalah meningkatkan akurasi klasifikasi eksoplanet dan membantu dalam mengidentifikasi planet yang memiliki potensi untuk mendukung kehidupan. Model Regresi Logistik menunjukkan akurasi sebesar 0.53, precision sebesar 0.98, recall sebesar 0.53, dan F1 Score sebesar 0.68, menunjukkan kinerja sedang dengan fokus pada presisi. Sebaliknya, model K-Nearest Neighbors mencapai akurasi sebesar 0.99, precision sebesar 0.98, recall sebesar 0.99, dan F1 Score sebesar 0.99, menunjukkan kinerja superior di semua metrik. Studi ini menyimpulkan bahwa model K-Nearest Neighbors jauh lebih efektif untuk deteksi eksoplanet dibandingkan dengan Regresi Logistik. Studi selanjutnya disarankan untuk mempertimbangkan penambahan variabel tambahan dan memperluas ukuran sampel untuk meningkatkan validitas hasil serta mengeksplorasi penggunaan algoritma machine learning lainnya untuk meningkatkan akurasi prediksi.