Volume dan variasi data astronomi, khususnya data spektral, yang terus meningkat
membuat analisis spektrum untuk menghitung parameter stellar bintang tunggal
menjadi kurang efisien. Untuk membantu menyelesaikan permasalahan tersebut,
dikembangkan arsitektur Convolutional Neural Network (CNN) bernama StarNet.
Penelitian ini berfokus pada optimasi kombinasi hyperparameter StarNet
menggunakan Komodo Mlipir Algorithm (KMA) untuk meningkatkan performa model.
Optimasi hyperparameter dilakukan dengan menggunakan tiga konfigurasi populasi
KMA yang berbeda (n=5, n=10, dan n=15) dalam 10 iterasi. Data spektral dari APOGEE
DR17 dibagi menjadi data latih dan uji. KMA diterapkan untuk mencari kombinasi
hyperparameter optimal yang direpresentasikan sebagai vektor bilangan real dalam
rentang 0-1. Kombinasi hyperparameter terbaik dievaluasi menggunakan metrik
Mean Square Error (MSE), Root Mean Square Error (RMSE), dan plot residu.
Hasil penelitian menunjukkan bahwa KMA dengan n=15 menghasilkan performa
terbaik untuk prediksi gravitasi permukaan (log g) dan metalisitas ([M/H]) dengan
akurasi masing-masing ±8.4% dan ±4.48%. Untuk kecepatan rotasi ekuatorial (v sin
i), KMA n=10 mencapai akurasi terbaik sebesar ±3.74%. Meskipun untuk temperatur
efektif (Teff) model standar masih unggul, KMA n=15 menunjukkan peningkatan
signifikan dengan akurasi ±6.01% dibandingkan konfigurasi KMA lainnya. Namun,
bias sistematis pada rentang ekstrim masih menjadi tantangan untuk semua varian
KMA.
Kata Kunci: hyperparameter, CNN, starnet, KMA, optimasi, parameter stellar