PRAKIRAAN FLARE SINAR-X MATAHARI BERDASARKAN EVOLUSI DAERAH AKTIF

Santi Sulistiani, Tiar Dani

Abstract

Flare Matahari diketahui berasal dari daerah aktif dan dapat melontarkan energi hingga 1023 erg. Radiasi flare Matahari dapat mengionisasi atmosfer-atas Bumi sehingga mengakibatkan terganggunya komunikasi radio. Oleh karena itu, prakiraan flare Matahari sangat penting untuk peringatan dini cuaca antariksa. Makalah ini bertujuan untuk mengembangkan sistem prakiraan flare sinar-X yang dihasilkan suatu daerah aktif untuk 24 jam ke depan berdasarkan masukan perubahan parameter dari daerah aktif selama tiga hari sebelum terjadinya flare, meliputi posisi lintang dan bujur heliografis, luas, jumlah bintik, dan kelas McIntosh dan Hale. Model prakiraan flare dikembangkan menggunakan algoritma random forest. Konfigurasi paling optimal yang digunakan dalam algoritma ini menghasilkan model prakiraan dengan akurasi sekitar 75% untuk
prakiraan kondisi tanpa-flare, sekitar 40-45% untuk prakiraan flare kelas C dan M, dan sekitar 80% untuk prakiraan flare kelas X. Konfigurasi 50 pohon dan 90 daun menghasilkan prakiraan flare sinar-X kelas ≥ C dengan akurasi data latih sebesar 71,9% dan F-score data uji sebesar 70,0%. Sementara itu, konfigurasi 500 pohon dan 150 daun menghasilkan prakiraan dengan akurasi data latih sebesar 71,0% dan F-score data uji sebesar 70,4%. Parameter fisis daerah aktif yang paling berkontribusi terhadap prakiraan flare adalah luas, kelas Hale, kelas McIntosh, jumlah bintik, dan posisi bujur dalam 24 dan 48 jam menjelang flare. Model prakiraan flare ini dapat digunakan untuk mendukung kegiatan SWIFtS yang telah beroperasi di LAPAN sejak tahun 2015.

Keywords

flare Matahari; prakiraan; daerah aktif; klasifikasi McIntosh; klasifikasi Hale; random forest

Full Text:

PDF

References

Allegrino, A., A. S. Bachmeier, A. Bailey, E. Brunning, H. Bysal, J. Cantril, L. Carey, J. M. Daniels, P. Dash, M. Grotenhuis, M. M. Gunshor, J. Hanna, A. Harris, M. P. Hiatt, J. A. Knaff, J. Li, D. T. Lindsey, E. M. Maturi, K. Micke, J. Mittaz, D. Molenar, J. P. Nelson III, W. Petersen, R. Potash, E. Prins, G. Rancic, D. G. Reinke, C. C. Schmidt, A. J. Schreiner, C. Schultz, D. Sheffler, D. Stettner, W. Straka III, C. Velden, G. S. Wade, S. Wanzong, D. Watson, X. (F.) Wu, dan F. Yu, 2011. The GOES-15 Science Test: Imager and Sounder Radiance and Product Validations, dalam NOAA Technical Report NESDIS 141, Washington, D.C. November 2011.

Bornmann, P. L. dan D. Shaw, 1994. Flare Rates and the McIntosh Active-Region Classifications, Solar Physics, 150, 127-146.

Breiman L., 2010. Random Forests, dalam R. E. Schapire (editor), Machine Learning, Kluwer Academic Publishers, 45(1), 5-32.

Cutler, A., 2014. Random Forests, dalam N. Balakrishnan, T. Colton, B. Everitt et al. (editor), Wiley StatsRef: Statistics Reference Online, American Cancer Society.

Cutler, A., Cutler, D. R. Cutler, dan J. R. Stevens, 2012. Random Forests, dalam C. Zhang dan Y. Ma (editor), Ensemble Machine Learning: Methods and Applications, Springer US, Boston, MA, 157-175.

Dani, T., 2016. SWIFtS, dalam R. Priyatikanto (editor), SWIFtS Space Weather Information and Forecast Services, Pusat Sains Antariksa, Bandung, 15-23.

Dani, T., J. T. Nugroho, E. S. Mumpuni, dan N. Suryana, 2010. Design of X-ray Solar Flare Prediction Based on Sunspot Physical Parameters Using Neural Network, Proceeding of Earth and Space Sciences Conference. July 2010.

Dani, T., S. Jasman, dan A. G. Admiranto, 2007. Analisis Empirik Kejadian Flare Terkait dengan Perubahan Fisik Sunspot, Majalah Sains dan Teknologi Dirgantara, 2(3), 122-131.

Emslie, A. G., B. R. Dennis, A. Y. Shih, P. C. Chamberlin, R. A. Mewaldt, C. S. Moore, G. H. Share, A. Vourlidas, dan B. T. Welsch, 2012. Global Energetics of Thirty-Eight Large Solar Eruptive Events, The Astrophysical Journal, 759(1), 71.

Florios, K., I. Kontogiannis, S. -h. Park, J. A. Guerra, F. Benvenuto, D. S. Bloomfield, dan M. K. Georgoulis, 2018. Forecasting Solar Flares Using Magnetogram-based Predictors and Machine Learning, Solar Physics, 293(2), 28.

Gold, T. dan F. Hoyle, 1960. On the Origin of Solar Flares, Monthly Notices of the Royal Astronomical Society, 120(2), 89-105.

Hale, G. E., F. Ellerman, S. B. Nicholson, dan A. H. Joy, 1919. The Magnetic Polarity of Sun-Spots, The Astrophysical Journal, 49(26), 153.

Hudson, H. S., 2011. Global Properties of Solar Flares. Space Science Reviews, 158(1), 5-41.

Koehrsen, W., 2017. Random Forest Simple Explanation, https://medium.com/@williamkoehrsen/random-forest-simple-explanation-377895a60d2d, diakses 4 Juni 2018.

Künzel, H., 1960. Die Flare-Häufigkeit in Fleckengruppen Unterschiedlicher Klasse und Magnetischer Struktur, Astronomische Nachrichten, 285(5), 271.

Li, R. dan J. Zhu, 2013. Solar Flare Forecasting Based on Sequential Sunspot Data, Research in Astronomy and Astrophysics, 13(9), 1118-1126.

Liu, C., N. Deng, J. T. L. Wang, dan H. Wang, 2017. Predicting Solar Flares Using SDO/HMI Vector Magnetic Data Products and the Random Forest Algorithm, The Astrophysical Journal, 856(1), 7.

McIntosh, P. S., 1990. The Classification of Sunspot Groups, Solar Physics, 125(2), 251-267.

Norquist, D. C., 2011. An Analysis of the Sunspot Groups and Flares of Solar Cycle 23, Solar Physics, 269(1), 111-127.

Parker, E. N., 1963. The Solar-Flare Phenomenon and the Theory of Reconnection and Annihilation of Magnetic Fields, Astrophysical Journal Supplement, 8, 177.

Sammis, I., F. Tang, dan H. Zirin, 2000. The Dependence of Large Flare Occurrence on the Magnetic Structure of Sunspots, The Astrophysical Journal, 540(1), 583-587.

Sulistiani, S., T. Dani, F. Mumtahana, A. G. Admiranto, 2018. Laporan Evaluasi Penelitian Prakiraan Flare Berdasarkan Klasifikasi McIntosh dan Hale Daerah Aktif, Pusat Sains Antariksa, Juli 2018.

Uddin, W., M. C. Pande, dan V. K. Verma, 1991. The distribution of Sunspots Over the Sun, Astrophysical and Space Science, 181(1), 111, 115.

Yu, D., X. Huang, H. Wang, dan Y. Cui, 2009. Short-Term Solar Flare Prediction Using Sequential Supervised Learning Method, Solar Physics, 255(1), 91-105.

Refbacks

  • There are currently no refbacks.