Abstract:
Perkembangan pemantauan Near-Earth Objects (NEO) saat ini dihadapkan pada
kesenjangan antara ketersediaan data mentah astronomi NASA yang kompleks
dengan kemudahan akses informasi bagi masyarakat luas. Kompleksitas elemen
orbital tersebut menyulitkan pemahaman publik mengenai potensi bahaya lintasan
asteroid. Didorong oleh ketertarikan dan passion pribadi penulis terhadap bidang
astronomi, penelitian ini bertujuan untuk menjembatani sains astronomi murni
dengan Rekayasa Sistem Informasi melalui perancangan dan pembangunan
platform monitoring terintegrasi bernama SINEO (Sistem Informasi Near-Earth
Objects) menggunakan framework Laravel 12. Platform terhubung otomatis
dengan API NASA CNEOS guna menyederhanakan data astronomi menjadi
informasi yang komunikatif, presisi, dan dapat diakses secara real-time.
Pengembangan sistem ini menerapkan metodologi Scrum yang dieksekusi secara
iteratif melalui siklus sprint. Platform dibangun menggunakan arsitektur hibrida
(hybrid environment) yang menggabungkan PHP (Laravel 12) sebagai pengelola
antarmuka dan basis data relasional MySQL, dengan skrip Python
(TensorFlow/Keras) sebagai mesin kecerdasan buatan di latar belakang server.
Modul kecerdasan buatan dikembangkan menggunakan model sekuensial Dual
Stacked Recurrent Neural Network (RNN) dengan teknik Recursive Multi-step
Forecasting. Validasi fungsionalitas sistem diuji secara ketat menggunakan metode
Black Box Testing dan dilanjutkan dengan pengujian usabilitas menggunakan
System Usability Scale (SUS).
Hasil penelitian menunjukkan bahwa integrasi API resmi NASA CNEOS sukses
mengotomatisasi sinkronisasi data elemen orbital tanpa kendala limitasi kueri (rate
limiting). Eksperimen pelatihan model RNN sepanjang 100 epoch berhasil
mencapai titik konvergensi optimal dengan nilai Mean Squared Error (MSE) murni
sebesar 0.000537. Melalui pendekatan evaluasi Root Mean Squared Error (RMSE)
yang dikalibrasi menggunakan faktor skala varians data sebesar 3.5, model
menghasilkan tingkat akurasi konvergensi bobot yang objektif pada normalized
space sebesar 91.9%. Nilai tersebut teruji valid untuk memproyeksikan fluktuasi
jarak meleset (miss_distance_km) asteroid selama sepekan (7 hari) ke depan secara
presisi dan terbebas dari overfitting bias. Visualisasi dashboard SINEO juga
berhasil menyajikan penilaian risiko otomatis berbasis Traffic Light System (TLS)
yang mengintegrasikan status Potentially Hazardous Asteroid (PHA) NASA, jarak
lintasan, serta diameter fisis objek. Evaluasi usabilitas bersama 30 responden riil
(25 Visitor dan 5 Administrator) menghasilkan skor rata-rata SUS sebesar 79,50
dengan kualifikasi Acceptable (Grade B), yang membuktikan bahwa platform
SINEO sangat efektif, efisien, dan memuaskan bagi pengguna
