Glosarium
Daftar istilah teknis dan metodologi ilmiah yang diimplementasikan dalam SINEO, mencakup domain Astronomi, Kecerdasan Buatan, dan Arsitektur Sistem.
Astronomi & Astrodinamika
Near-Earth Objects (NEO)
Objek langit (asteroid/komet) dengan orbit yang mendekati Bumi pada jarak kurang dari 1.3 unit astronomi (AU).
Orbital Elements
Parameter fisik penentu bentuk orbit asteroid: Eccentricity ($e$), Inclination ($i$), dan Perihelion ($q$).
Lunar Distance (LD)
Unit standar jarak astronomi (±384.400 km). Digunakan sebagai skala analogi jarak Bumi-Bulan agar lebih intuitif.
Relative Velocity
Kecepatan objek saat bergerak relatif terhadap Bumi pada titik pendekatan terdekatnya.
Miss Distance
Jarak terdekat yang dicapai oleh objek terhadap pusat Bumi saat melakukan fenomena close approach.
Astronomical Unit (AU)
Satuan jarak rata-rata Bumi ke Matahari (±150 juta km). Digunakan untuk mendefinisikan batas zona NEO.
Kecerdasan Buatan (Deep Learning)
SimpleRNN
ArchitectureJenis jaringan saraf dengan "ingatan" melalui hidden state. Efektif menangkap Temporal Dependencies pada lintasan asteroid.
Recursive Inference
MethodologyProses di mana output prediksi AI digunakan kembali sebagai input untuk prediksi langkah berikutnya secara beruntun (Auto-regressive).
Adam Optimizer
Algoritma optimasi adaptif (Adaptive Moment Estimation) yang mengatur learning rate secara dinamis selama proses pelatihan.
Confidence Decay
Fenomena di mana tingkat kepercayaan model menurun seiring bertambahnya rentang waktu prediksi akibat akumulasi ketidakpastian.
Time-Series Forecasting
Teknik prediksi nilai masa depan berdasarkan urutan data historis yang memiliki ketergantungan waktu (temporal).
Mean Squared Error (MSE)
Fungsi kerugian (Loss Function) yang menghitung rata-rata kuadrat selisih antara nilai prediksi AI dan nilai aktual NASA.
Hyperparameter Tuning
Proses pengaturan variabel eksternal model (seperti jumlah epoch dan neuron) untuk mencapai performa akurasi paling optimal.
Convergence
Titik di mana model telah belajar secara maksimal dan nilai error (loss) tidak lagi menurun secara signifikan pada grafik pelatihan.
Sistem & Arsitektur Data
Data Normalization
Penskalaan fitur (MinMaxScaler) ke rentang 0-1 agar model AI memproses data dengan bobot yang adil.
Caching Strategy
Penyimpanan hasil komputasi berat ke memori sementara (Cache) untuk mempercepat respon aplikasi.
Cross-Platform Exec
Integrasi Laravel (PHP) dalam mengeksekusi skrip Python via shell secara aman.
Async API Integration
Proses penarikan data dari server NASA secara mandiri tanpa menghambat alur kerja utama aplikasi.
Intisari Metodologi (Untuk Presentasi)
"Sistem ini menggabungkan data Near-Earth Objects riil dari NASA dengan arsitektur Recurrent Neural Network. Melalui proses Normalization dan optimasi Adam, model dilatih selama 100 Epoch untuk mengenali Temporal Dependencies dalam pergerakan asteroid, sehingga mampu melakukan Recursive Inference untuk memprediksi lintasan objek 30 hari ke depan dengan mempertimbangkan Confidence Decay."