ESTIMASI PARAMETER FISIS SISTEM LUBANG HITAM GANDA BERDASARKAN DATA GELOMBANG GRAVITASI DENGAN CONVOLUTIONAL NEURAL NETWORK

Sadam Habnawi, - and Judhistira Aria Utama, - and Anton Timur Jaelani, - (2025) ESTIMASI PARAMETER FISIS SISTEM LUBANG HITAM GANDA BERDASARKAN DATA GELOMBANG GRAVITASI DENGAN CONVOLUTIONAL NEURAL NETWORK. S1 thesis, Universitas Pendidikan Indonesia.

Abstract

Selama 10 tahun terakhir dunia astronomi mengalami revolusi setelah ditemukannya gelombang gravitasi oleh dua detektor LIGO yang bersumber dari tumbukan spiral komponen-komponen sebuah sistem lubang hitam ganda. Salah satu tantangan yang dihadapi dalam studi berkaitan dengan estimasi parameter fisis yang dapat memakan waktu berjam-jam bahkan berhari hari menggunakan inferensi Bayesian sebagai metode standarnya. Penelitian ini bertujuan untuk melakukan estimasi tiga parameter fisis utama di antaranya ialah massa primer dan sekunder, serta jarak sistem lubang hitam ganda dengan memanfaatkan model Convolutional neural network (CNN). Untuk melatih model ini, data simulasi dibangkitkan dengan pendekatan numerik SEOBNRv4_opt dan gangguan transient dalam bentuk deret waktu (time series) yang dikonversi menjadi spektogram. Uji statistik-t Welch dilakukan terhadap distribusi PSD (power spectral density) untuk memastikan data simulasi ini sesuai dengan data yang didapatkan oleh LIGO sehingga dapat merepresentasikan sinyal gelombang gravitasi nyata. Hasil implementasi model CNN terhadap data nyata untuk estimasi massa primer memberikan nilai MAE sebesar 0,036, RMSE sebesar 0,067, dan R2-score sebesar 0,942. Sedangkan, untuk estimasi massa sekunder diperoleh MAE sebesar 0,031, RMSE sebesar 0,056, dan R2-score sebesar 0,926. Sementara itu, dalam estimasi jarak diperoleh MAE sebesar 0,053, RMSE sebesar 0,099, dan R2-score sebesar 0,752. Dalam melakukan komparasi distribusi hasil estimasi dengan data nyata dilakukan uji statistik Cramér-von Mises yang memberikan nilai statistik sebagai indikator kemiripan. Nilai statistik yang diperoleh untuk massa primer sebesar 0,042 dengan signifikansi (p-value) 0,939 yang jauh lebih besar dari taraf nyata 0,05. Sedangkan, untuk massa sekunder diperoleh nilai statistik sebesar 0,136 dengan signifikansi 0,444. Sementara itu, untuk jarak diperoleh nilai statistik sebesar 0,032 dengan signifikansi 0,979. Model ini dapat mengestimasi tiga parameter fisis utama secara akurat dan efisien dengan waktu komputasi hanya beberapa detik sehingga dapat menjadi metode alternatif yang cepat tanpa sumber daya komputasi yang tinggi. Over the past 10 years, the world of astronomy has been revolutionized after the discovery of gravitational waves by two LIGO detectors originating compact binary coalescences such as binary black hole system. One of the challenges faced in this study is the physical parameter estimation which can take hours or even days using Bayesian inference as the standard method. This study aims to estimate three main physical parameters, including the primary and secondary masses, and the distance of the double black hole system using the Convolutional neural network (CNN) model. Simulation data using the SEOBNRv4_opt approach with additional noise in the form of time series converted into spectrograms are generated as training data. A Welch’s t-statistic test was performed on the PSD (power spectral density) distribution to ensure that the simulation data matches the data obtained by LIGO so that it can represent real gravitational wave signals. The implementation of the model resulted an MAE of 0.036, RMSE of 0.067, and R2-score of 0.942 for the primary mass. On the other hand, it yielded an MAE of 0.031, RMSE of 0.056, and R2-score of 0.926 for the secondary mass. Meanwhile, for distance estimation, we obtained an MAE of 0.053, RMSE of 0.099, and R2-score of 0.752. In comparing the distribution of the estimated results with real data, the Cramér-von Mises statistical test was carried out which provided a statistic value as an indicator of similarity. For the primary mass the statistical value of 0.042 obtained with a significance (p-value) of 0.939 which is much greater than the lower limit of 0.05. Meanwhile, for the secondary mass, a statistic value of 0.136 was obtained with a significance of 0.444. On the other hand, for the distance, a statistic value of 0.032 was obtained with a significance of 0.979. This model can estimate three main physical parameters accurately and efficiently with a computing time of only a few seconds, making it a fast alternative method without high computing resources.

	Text S_FIS_2107969_Title.pdf Download (3MB)
	Text S_FIS_2107969_Chapter1.pdf Download (317kB)
	Text S_FIS_2107969_Chapter2.pdf Restricted to Staf Perpustakaan Download (570kB)
	Text S_FIS_2107969_Chapter3.pdf Download (477kB)
	Text S_FIS_2107969_Chapter4.pdf Restricted to Staf Perpustakaan Download (1MB)
	Text S_FIS_2107969_Chapter5.pdf Download (230kB)
	Text S_FIS_2107969_Appendix.pdf Restricted to Staf Perpustakaan Download (5MB)

Item Type:	Thesis (S1)
Additional Information:	ID SINTA Dosen Pembimbing : Judhistira Aria Utama : 6125861 Anton Timur Jaelani : 6719695
Uncontrolled Keywords:	Convolutional Neural Network, Gelombang Gravitasi, Sistem Lubang Hitam Ganda Binary Black Hole Systems, Convolutional Neural Network, Gravitational Waves
Subjects:	Q Science > QA Mathematics Q Science > QB Astronomy Q Science > QC Physics
Divisions:	Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam > Program Studi Fisika - S1 > Program Studi Fisika (non kependidikan)
Depositing User:	Sadam Habnawi
Date Deposited:	09 Sep 2025 08:19
Last Modified:	09 Sep 2025 08:19
URI:	http://repository.upi.edu/id/eprint/138334

Actions (login required)

View Item