Sistem Informasi Monitoring Prediksi Near-Earth Objects Berbasis Recurrent Neural Network Menggunakan Metode Scrum dan Laravel 12

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