Memprediksi visibilitas bulan sabit baru dengan menerapkan algoritma pembelajaran mesin

Islam dianggap sebagai agama kedua di dunia. Hijriah adalah kalender Islam, yang juga dikenal sebagai kalender lunar Hijriah. Hal ini karena setiap bulan dimulai dalam kalender Hijriah ketika Bulan sabit baru pertama kali terlihat setelah lahirnya Bulan baru. Meskipun hampir semua negara di dunia menggunakan kalender Gregorian untuk memudahkan komunikasi, Kalender Hijriah digunakan oleh negara-negara Muslim dan Muslim, secara umum, di seluruh dunia dalam hal acara keagamaan. Ramadan merupakan salah satu bulan suci bagi umat Islam. Menentukan awal Ramadan selalu menjadi misi yang menantang, dan sebagai hasilnya, tidak semua Muslim memulai Ramadan secara serempak. Alasan utamanya adalah karena ketergantungan pada pengamatan individu terhadap Bulan sabit baru yang bergantung pada beberapa faktor yang memengaruhi hasil akhir, seperti alat yang digunakan untuk pengamatan Bulan, status langit apakah cerah atau berawan, lokasi tempat pengamatan dilakukan, kecakapan pengamat, dll.

Lebih jauh lagi, dengan kemajuan teknologi, ada pendapat kontroversial tentang apakah akan menggunakan penglihatan mata bulan sabit baru atau metode perhitungan astronomi. Masalah ini menjadi lebih serius mengingat jumlah umat Islam di seluruh dunia yang, setiap kali Ramadan mendekat, menunggu pengumuman hari pertama Ramadan. Yang terakhir adalah bulan kesembilan dalam kalender Hijriah, dan selama bulan ini, umat Islam berpuasa dari sebelum Matahari Terbit hingga Matahari Terbenam. Selain itu, ada kebutuhan untuk konsensus pada hari itu di antara semua umat Islam di dunia. Menurut ¹ dan ² , dan seperti yang ditunjukkan pada Gambar  1 ³ , ada sekitar 50 negara di dunia di mana mayoritas penduduknya beragama Islam. Ada sekitar 30 negara berpenduduk Muslim di seluruh dunia, dengan lebih dari 90% penduduknya beragama Islam. Di 20 negara lain, 50% hingga 80% populasi Muslim tinggal di negara tersebut. Di 26 negara, Islam adalah agama nasional di bawah konstitusi negara ⁴ .

Populasi Muslim dunia berdasarkan persentase ³ .

Gambar ukuran penuh

Bahasa Indonesia: Setiap tahun dan pada akhir bulan kedelapan (Sya’ban), umat Islam di seluruh dunia mengerahkan banyak upaya dan memanfaatkan berbagai instrumen seperti teleskop dan teropong, astronomi, atau mata telanjang, untuk mengamati visibilitas Bulan sabit baru untuk memastikan dimulainya bulan suci Ramadan. Sebagian besar waktu, sulit untuk memprediksi awal bulan sebelumnya, sehingga mengakibatkan pembagian antara umat Islam yang berpuasa pada tanggal yang berbeda. Bulan sabit baru selalu menjadi masalah perhatian sejak dekade awal para astronom Islam. Memprediksi visibilitas kelahiran Bulan baru dari lokasi tertentu di bumi masih menjadi masalah yang menantang bagi banyak astronom dan matematikawan ⁵ . Pada paruh kedua abad pertama ^2 , 6 , Pendeta dan astronom Babilonia mengembangkan algoritma numerik yang canggih untuk memprediksi gerakan Bulan, seperti waktu fase sinodis dan visibilitas pertama Bulan sabit baru di atas cakrawala barat tepat setelah Matahari Terbenam ⁵ . Kemudian, banyak ulama mengembangkan metode yang lebih tepat yang sekarang disempurnakan ⁵ .

Semua ini masih belum cukup, dan tantangan terus ada dalam menentukan awal bulan Ramadan di kalangan umat Islam. Kecerdasan Buatan dan pembelajaran mesin, khususnya, telah menunjukkan keberhasilannya di beberapa bidang. Algoritma Pembelajaran Mesin telah banyak digunakan untuk klasifikasi dan prediksi dalam masalah rumit seperti astronomi, sektor kesehatan, geologi, arkeologi, dll. Data mengenai visibilitas bulan sabit baru bersifat kompleks dan non-linier, sehingga sulit dianalisis dengan metode tradisional. Namun, algoritma pembelajaran mesin adalah pilihan yang tepat di bidang ini. Algoritma ini mampu menangani data tersebut dan lebih efisien serta akurat. Dengan memanfaatkan data historis dan mempertimbangkan faktor-faktor seperti waktu dan lokasi pengamatan serta kondisi cuaca, algoritma pembelajaran mesin dapat secara akurat memprediksi visibilitas bulan di masa mendatang. Hal ini sangat penting mengingat bahwa pengamatan dan data baru terus dikumpulkan di berbagai wilayah di seluruh dunia, dan efisiensi algoritma pembelajaran mesin memungkinkan prediksi yang tepat waktu dan akurat, terutama untuk bulan-bulan suci seperti Ramadan, Haji, dan Idul Fitri. Untuk mengisi kesenjangan ini dan memanfaatkan sepenuhnya algoritma pembelajaran mesin, makalah ini menerapkan algoritma klasifikasi pembelajaran mesin yang umum digunakan untuk memprediksi visibilitas Bulan sabit baru.

Sisa makalah ini disusun sebagai berikut. Bagian “ Latar Belakang ” membahas latar belakang dan memperkenalkan istilah-istilah penting yang digunakan dalam penelitian ini. Bagian “ Tinjauan Pustaka ” mengulas studi penelitian sebelumnya. Bagian “ Metodologi Eksperimen ” mengilustrasikan metodologi eksperimen. Bagian “ Eksperimen ” menyajikan eksperimen dengan kumpulan data yang dibangun dan perangkat lunak yang digunakan dalam eksperimen. Bagian “ Hasil dan Pembahasan ” membahas hasil yang diperoleh. Terakhir, bagian “ Kesimpulan dan Pekerjaan Masa Depan ” menyimpulkan makalah ini.

Kalender Gregorian, yang merupakan kalender yang paling banyak digunakan di seluruh dunia, diperkenalkan pada tahun 1582 oleh Paus Gregorius XIII ^. Meskipun negara-negara Islam dan umat Muslim di seluruh dunia menggunakan kalender Gregorian untuk memudahkan komunikasi dan koordinasi, mereka menggunakan kalender Hijriah untuk menandai tanggal-tanggal penting dan acara-acara keagamaan.

Kalender Hijriah adalah kalender lunar dan terdiri dari dua belas bulan tetapi, secara total sekitar sebelas hari lebih pendek dari kalender Gregorian. Ramadan adalah bulan kesembilan dalam kalender Hijriah dan dianggap sebagai salah satu bulan suci bagi umat Islam. Awal setiap bulan dalam kalender Hijriah ditandai dengan penampakan Bulan sabit baru. Bulan terus bergerak dalam kaitannya dengan bumi dan Matahari. Dengan melakukan hal itu dan tergantung pada posisinya relatif terhadap Matahari, sebagian darinya diterangi (yaitu, sebagian dari Bulan yang diterangi, yang dikenal sebagai iluminasi Bulan), yang mengakibatkan perubahan penampilannya, yang juga dikenal sebagai fase. Oleh karena itu, Bulan mengalami delapan fase yang berbeda ⁸ , dimulai dari Bulan baru, yang tidak terlihat, kemudian bulan sabit yang sangat tipis yang diterangi oleh Cahaya Matahari dan disebut Bulan sabit baru, seperti yang ditunjukkan pada gambar pertama Gambar  2 , diikuti oleh bulan sabit yang membesar, dan bergerak ke fase berikutnya hingga mencapai fase terakhir kemudian kembali memulai siklus baru, seperti yang digambarkan pada Gambar  2 , diambil dari situs web NASA ⁸ .

Fase bulan.

Gambar ukuran penuh

Visibilitas Bulan sabit baru selalu menjadi perdebatan sejak zaman Babilonia. Para ilmuwan dan astronom (Muslim dan non-Muslim), dan cendekiawan telah berkontribusi pada hal ini dengan menyarankan parameter dan kriteria untuk menentukan visibilitas Bulan sabit baru. Untuk menyebutkan beberapa adalah Ibn Tariq, Al-Khawarizmi, Al-Tabari, Al-Biruni, Ibn Sina, Futhringham ⁹ , Maunder ⁹ , dan Bruin ^{10 , 11 , 12} . Seperti yang disebutkan sebelumnya, visibilitas Bulan sabit baru sangat penting karena menandai awal bulan dan membantu dalam menetapkan kalender Hijriah dan menentukan acara keagamaan. Sebelum meninjau parameter dan kriteria yang dipertimbangkan oleh para peneliti, pertama-tama mari kita perkenalkan beberapa terminologi yang akan digunakan nanti di bagian berikutnya. Kami merujuk ke Gambar  3 dan 4 ¹³ , yang menunjukkan Bulan dan Matahari Terbenam. Di antara parameter penting yang dipertimbangkan dalam penelitian ini adalah:

• Ketinggian Bulan adalah ketinggian Bulan di atas cakrawala.
• ARCV adalah lengkung penglihatan pada waktu Matahari Terbenam.
• ARCL, ARC Cahaya, juga dikenal sebagai elongasi, didefinisikan sebagai jarak sudut antara Bulan dan Matahari ¹³ . ARCL juga digunakan untuk menghitung lebar Bulan sabit, W.
• ‘Azimuth’ suatu objek menentukan posisinya pada bola langit dalam sistem koordinat horizontal, diukur dalam derajat mulai dari 0 utara dan berputar searah jarum jam ¹⁴ , seperti yang ditunjukkan pada Gambar  4 .
• DAZ, Difference in Azimuth, adalah parameter lain yang memberikan informasi tentang posisi Bulan/Matahari. DAZ didefinisikan sebagai perbedaan sudut azimuth antara Matahari dan Bulan, seperti yang ditunjukkan pada Gambar  3 .
• Konjungsi Bulan adalah lahirnya Bulan baru, yang terjadi saat Bulan melintas di antara Bumi dan Matahari. Saat itu, bagian yang disinari Matahari menghadap Matahari, sehingga Bulan tidak terlihat oleh kita.
• Waktu jeda Bulan adalah perbedaan waktu antara Matahari Terbenam dan Bulan Terbenam.
• Usia Bulan didefinisikan sebagai waktu yang berlalu sejak lahirnya Bulan baru hingga Matahari Terbenam pada hari pengamatan.

Posisi relatif Bulan dan Matahari dan parameter yang digunakan dalam prediksi visibilitas Bulan sabit.

Gambar ukuran penuh

Ketinggian dan Azimuth ¹³ .

Gambar ukuran penuh

Sebagaimana dibahas, parameter dan kriteria yang menetapkan nilai ambang batas untuk parameter ini guna memvalidasi visibilitas bulan sabit baru diusulkan oleh para ilmuwan, astronom, dan cendekiawan. Pada Bagian ” Tinjauan pustaka” , kami akan membahas kriteria ini secara lebih rinci.

Pada bagian ini, kami memaparkan metodologi yang kami gunakan dalam melakukan tinjauan pustaka sistematis, kemudian kami akan membahas hasil yang ditemukan dalam karya terkait.

Metodologi pencarian tinjauan pustaka

Judul Moon phase reflection using machine learning tidak sering muncul. Jadi, kami telah melakukan pencarian untuk semua jenis paper dan untuk semua tahun tanpa kecuali. Kami telah mencari beberapa sumber digital dan database, seperti IEEE Xplore, Science Direct, Scopus, Springer Link, dan Google Scholar, untuk artikel terkait. Beberapa kata kunci digunakan untuk proses pencarian seperti (‘the’ dan ‘month’ dan ‘of’ dan ‘Ramadan’), (‘Hijriah’ dan ‘calendar’), (‘Moon’ dan ‘phases’), (‘machine’ dan ‘learning’), (‘Moon’ atau ‘observation’), (‘lunar’ atau ‘crescent’), (‘lunar’ atau ‘visibility’), (‘crescent’ atau ‘visibility’), dan (‘machine’ dan ‘learning’ dan ‘for’ dan ‘Moon birth’ atau ‘visibility’).

Gambar  5 menunjukkan proses yang diikuti dalam memilih artikel terkait yang ditemukan dalam pencarian kami. Sebanyak 133.509 artikel diidentifikasi. Kemudian, proses penyaringan dilakukan untuk mengecualikan artikel yang tidak terlalu relevan dengan studi kami, dan kami hanya memilih artikel yang terkait dengan ilmu komputer, astronomi, pembelajaran mesin, kecerdasan buatan, dan analisis data. Kami memperoleh 14.898 artikel, yang telah lolos pada proses penyaringan kedua setelah menyaring topik dan subjek. Setelah membaca artikel-artikel ini dengan saksama, dan oleh karena itu, hanya 46 makalah yang telah diidentifikasi dan diringkas dalam sub-bagian karya terkait.

Proses pencarian tinjauan pustaka.

Gambar ukuran penuh

Pekerjaan terkait

Seperti yang dinyatakan sebelumnya, banyak masyarakat bergantung pada siklus fase lunar untuk kalender mereka. Penetapan kalender lunar didasarkan pada pengamatan penampakan pertama bulan sabit baru. Sebagian besar negara Islam dan Muslim di seluruh dunia bergantung pada konverter kalender Islam, yang didasarkan pada kalender aritmatika (atau tabular) untuk memprediksi perkiraan awal bulan baru. Kalender aritmatika ini diperkenalkan sebelumnya oleh para astronom Muslim selama abad kesembilan. Namun, kalender predikat ini memiliki kesalahan 4 × 10 ^–4  hari per 30 tahun, yang terakumulasi menjadi satu hari penuh dalam 2492 tahun ¹⁵ .

Jelaslah bahwa agar bulan sabit baru dapat terlihat, diperlukan kontras kecerahan minimum antara Bulan dan langit. Dimulai dengan kriteria yang ditetapkan oleh orang Babilonia, yang menyatakan bahwa visibilitas bulan sabit baru dengan mata telanjang saat Matahari Terbenam lokal tunduk pada dua kondisi: usia Bulan harus lebih dari 24 jam dan waktu jeda Bulan harus lebih besar dari 24 menit ¹¹ . Kriteria Al-Khawarizmi agar bulan sabit baru dapat terlihat adalah busur pemisah Matahari dan Bulan di sepanjang ekuator langit harus lebih besar dari 12°. Di sisi lain, kriteria Danjon ¹⁶ untuk visibilitas bulan sabit baru dengan mata telanjang adalah bahwa ARCL harus setidaknya 7°. Al-Battani ¹⁷ menyarankan penggunaan parameter DAZ, ketinggian Bulan, dan lebar Bulan, W, untuk visibilitas bulan sabit baru. Ilyas ¹⁸ menetapkan syarat agar bulan sabit baru dapat terlihat yaitu ARCL minimal harus berada pada kisaran 9° sampai 10°. McNally ¹⁹ membantah hasil penelitian Danjon yang menyatakan bahwa pemendekan bulan sabit baru terutama disebabkan oleh kondisi atmosfer. Dalam penelitian lain ²⁰ , Ilyas memperbarui syarat visibilitas bulan sabit baru untuk ARCV menjadi 10,5°. Menurut penulis dalam ²¹ , visibilitas bulan sabit baru tidak dapat diprediksi hanya dengan menggunakan salah satu parameter yang disebutkan di atas. Misalnya, hanya dengan Moon Age atau Lag, tidak ada nilai prediktif. Untuk menghitung penampakan Bulan dengan tepat, beberapa kondisi astronomi digabungkan untuk menghitung penampakan Bulan, seperti ketinggian minimum bulan sabit baru di atas horizon, ARCL minimum, dan usia minimum Bulan sejak terjadinya konjungsi.

Doggett et al. ²² melaporkan hasil pengamatan bulan sabit baru dari lima monofase di seluruh Amerika Utara. Mereka menemukan bahwa aturan pengamatan kuno dan abad pertengahan sangat tidak dapat diandalkan. Mereka juga mengklaim bahwa kriteria empiris baru-baru ini seperti ketinggian relatif dan azimuth Bulan pada waktu Matahari Terbenam akan mencerminkan akurasi pengamatan yang sangat baik. Mereka mengklaim bahwa informasi tentang faktor atmosfer, optik, dan manusia akan berdampak pada pengamatan. Yallop ²³ meneliti metode Maunder ⁹ , Indian Astronomical Ephemeris dan Bruin ¹⁰ . Dua metode pertama mempertimbangkan parameter DAZ dan ARCV, sedangkan metode terakhir mempertimbangkan ARCV sebagai fungsi Yallop menemukan rumus waktu visibilitas terbaik bulan sabit baru. Selain itu, Schaefer ²⁴ dan berdasarkan lebih dari 200 pengamatan, menyarankan bahwa kondisi atmosfer harus dipertimbangkan dalam proses visibilitas bulan sabit baru. Ia berpendapat bahwa penggunaan metode empiris tidak dapat diterapkan dalam semua situasi, dan ini karena tergantung pada lokasi pengamat dan faktor-faktor lainnya. Untuk itu, Schaefer mengembangkan algoritma untuk memprediksi visibilitas bulan sabit baru. Program tersebut mengambil input berupa serangkaian kondisi pengamatan seperti tanggal bulan baru, lokasi pengamat dalam hal lintang dan bujur, usia pengamat, kondisi atmosfer, dan program tersebut menghasilkan usia bulan pada saat visibilitas pertama untuk kondisi yang diberikan. Fatoohi et al. ²⁵ , di sisi lain, membahas semua karya yang disarankan oleh Danjon, Illyas, McNally, dan Schaefer dan menyimpulkan bahwa nilai minimum ARCL, yaitu 7,5°, adalah nilai yang wajar agar bulan sabit baru dapat terlihat.

Pada tahun 1998, Islamic Crescent Observation Project (ICOP), sebuah inisiatif dari persatuan astronom dan ilmu antariksa Arab dan masyarakat astronomi Yordania ¹¹ , didirikan untuk menjadi titik pusat pengumpulan informasi tentang pengamatan bulan sabit baru di awal setiap bulan dari berbagai negara di seluruh dunia dan membuat basis data pusat untuk itu. Odeh ¹¹ mengklaim bahwa prediksi akurat tentang visibilitas bulan sabit tidak dapat dicapai dengan satu parameter saja. Lebih jauh, ia menambahkan bahwa usia bulan bukanlah indikator yang baik untuk kecerahannya. Odeh mengusulkan kriteria baru untuk prediksi visibilitas Bulan sabit, yaitu W (dalam menit busur), dan yang harus digunakan bersama dengan ARCV, menghasilkan persamaan prediksi visibilitas Bulan sabit baru, Odeh menyarankan empat skenario yang mungkin berdasarkan nilai V untuk memutuskan apakah Bulan sabit baru terlihat dengan mata telanjang, dengan bantuan optik dan dapat dilihat dengan mata telanjang, hanya terlihat dengan bantuan optik, tidak terlihat sama sekali. Kontribusi penting Odeh lainnya adalah pembuatan basis data pengamatan bulan sabit dari berbagai sumber sebagai bagian dari proyek ICOP untuk menghasilkan total 737 pengamatan. Caldwell ²⁶ mempelajari efek waktu jeda Bulan dan ARCL pada visibilitas Bulan sabit baru dengan mata telanjang atau teropong. Dia melakukan simulasi dan menurunkan persamaan yang menetapkan batas-batas di mana garis kriteria visibilitas disarankan. Ia menjabarkan nilai-nilai waktu jeda Bulan sebagai fungsi ARCL untuk menemukan tiga garis guna mengonfirmasi visibilitas Bulan sabit baru, baik dengan mata telanjang maupun teropong, atau visibilitas Bulan sabit baru tidak mungkin dilakukan. Karya Özlem ²⁷ bertujuan untuk mengusulkan kriteria visibilitas, yang juga dapat digunakan untuk sabit yang lebih tebal, termasuk visibilitas siang hari, saat Bulan terlihat bersama Matahari.

Alrefay et al. ²⁸ mengklaim bahwa memprediksi visibilitas Bulan sabit baru adalah proses yang menantang dan sulit karena beberapa alasan teknis. Kalender lunar tidak dapat dihitung berdasarkan pengamatan karena awal bulan berikutnya membutuhkan sekitar 29 hari menunggu. Kalender pengamatan tersebut sangat dipengaruhi oleh kondisi atmosfer dan biasanya melibatkan kesalahan yang disebabkan oleh faktor manusia seperti ilusi. Penulis dalam penelitian ini menerapkan beberapa kriteria dari 545 pengamatan selama 27 tahun (1988–2015) dari berbagai lokasi di Arab Saudi. Mereka mengembangkan kriteria baru berdasarkan lunar W dan ARCV. Menurut Konferensi Internasional Turki 1978, mayoritas negara Muslim sepakat bahwa bulan Islam dimulai ketika ARCL lebih besar dari 8° dan tinggi Bulan baru dari cakrawala saat Matahari Terbenam harus lebih besar dari 5° ^29 , 30 .

Beberapa peneliti menyarankan sistem atau aplikasi untuk membantu mendeteksi bulan sabit pertama atau penghitungan kalender Hijriah. Misalnya, Alhammadi et al. ³¹ mengusulkan sistem elektronik yang menggunakan masukan dari basis data; masukan tersebut menyarankan lokasi yang seharusnya menjadi orientasi kamera sistem. Lokasi ini didasarkan pada DAZ dan lintang Bulan. Kemudian, gambar yang diambil oleh kamera diproses untuk mengonfirmasi apakah gambar ini sesuai dengan bulan sabit baru atau tidak. Aplikasi desktop diusulkan pada ³² untuk menghitung tanggal kalender Hijriah dan menampilkan semua peristiwa Islam pada tahun tersebut.

Baru-baru ini, munculnya metode komputasi dan ketersediaan data besar yang dihasilkan dari satelit di ruang orbit telah mengubah cara menganalisis dan memproses data. Misalnya, Program Luar Angkasa NASA memberi kita data besar tentang objek kosmik untuk membantu kita menjelajahi luar angkasa. Pakar astronomi telah memeriksa gambar yang dihasilkan dan dikumpulkan oleh teleskop seperti Hubble. Kemudian, dengan diperkenalkannya teknologi teleskop canggih dan satelit seperti Kepler, ini telah membuka cakrawala baru untuk melakukan autorotasi proses analisis observasi dan kebutuhan untuk mempelajari mesin komputer untuk melakukan tugas-tugas tersebut. Satelit dan teleskop ini memproses data menggunakan berbagai fitur dan teknik pencitraan, tidak hanya untuk menangkap gambar tetapi juga untuk mengidentifikasi exoplanet ini ^33 , 34 . Dalam makalah mereka, Moshayedi et al. ³⁵ telah menyajikan sistem prototipe yang menggunakan model pembelajaran mesin untuk mendeteksi berbagai fase bulan. Fokus utama penelitian mereka berpusat pada analisis kumpulan gambar bulan untuk menentukan fase bulan yang sesuai dengan setiap gambar. Perlu dicatat bahwa pendekatan mereka berbeda dari pekerjaan kami sendiri, karena penyelidikan kami didasarkan pada kumpulan data yang terdiri dari data numerik yang berkaitan dengan fase-fase bulan yang berbeda, bukan analisis gambar. Tujuan khusus kami adalah untuk mengidentifikasi kemunculan bulan sabit baru, yang berfungsi sebagai penanda dimulainya bulan Hijriah. Para penulis dalam ³⁶ mengusulkan metode berbasis pemrosesan gambar untuk mendeteksi Bulan sabit dari gambar yang diamati. Pemrosesan tersebut melalui beberapa fase seperti filter penghalusan Gaussian untuk menghilangkan noise, diikuti oleh peningkatan kualitas gambar yang berfokus pada bagian yang berisi Bulan sabit. Para penulis menggunakan transformasi Hough melingkar untuk mengekstrak Bulan sabit dari latar belakang gambar dan mendeteksi pusat Bulan dan bentuk bulan sabit. Dalam konteks yang sama, Sejzei dan Jamzad ³⁷ mengembangkan kotak peralatan di Matlab yang meningkatkan citra Bulan sabit dan membantu pengamat untuk melihat/mendeteksi Bulan sabit.

Teknik dan algoritma kecerdasan buatan seperti algoritma Machine (ML) dan Deep Learning (DL) merupakan alat yang ampuh dalam memproses data yang sangat besar dari planet ekstrasurya. Baru-baru ini, para peneliti telah menyarankan penggunaan algoritma ML untuk klasifikasi objek astronomi ^{38 , 39 , 40 , 41 , 42 , 43} . Beberapa algoritma umum yang diterapkan untuk mengklasifikasikan objek yang ditemukan di Kepler Cumulative Object of Interest adalah Random Forest (RF), Support Vector Machines (SVM), AdaBoost, dan Deep Neural Networks (DNN) ^33 , 41 . Beniwal dkk. ⁴⁰ menerapkan algoritma ML klasik untuk klasifikasi pulsar.

Tafseer ⁴⁴ menganggap masalah visibilitas bulan sabit untuk setiap bulan sebagai masalah klasifikasi dan menyarankan penggunaan algoritma ML alih-alih metode matematika atau astronomi. Penelitiannya didasarkan pada kumpulan data yang ditemukan di situs web yang dikelola oleh ICOP. Proses awal kumpulan data dilakukan di mana 1070 sampel dengan kondisi langit berawan atau sebagian berawan dihilangkan. Penulis menambahkan beberapa fitur astronomi seperti usia Bulan, waktu jeda Bulan, perbedaan ketinggian, DAZ, fase Bulan, dan atmosfer. Empat algoritma dipertimbangkan dalam penelitian ini, yaitu regresi logistik, Jaringan Syaraf Tiruan, SVM, dan RF, diterapkan pada 1522 sampel, di antaranya 80% digunakan untuk fase pelatihan dan 20% digunakan untuk fase pengujian. Hasil yang diperoleh dalam penelitian ini menunjukkan bahwa RF mencapai presisi yang lebih baik dalam memprediksi visibilitas bulan sabit dengan 88%. Dalam penelitian lain ⁴⁵ , penulis menggunakan model Jaringan Syaraf Tiruan (JST) untuk meramalkan visibilitas bulan sabit baru. Namun, penelitian tersebut terbatas pada penggunaan satu algoritma pembelajaran mesin (ANN) dan dibatasi pada satu lokasi geografis, khususnya Irak.

Penyatuan kalender Hijriah Islam, dan keakuratan awal setiap bulan Hijriah, selalu menjadi perhatian bagi komunitas Muslim di seluruh dunia. Para penulis dalam ^12 , 46 mengangkat perbedaan dengan awal bulan-bulan suci di berbagai belahan dunia. Khan ⁴⁶ mengklaim bahwa satu-satunya solusi yang bisa diterapkan adalah menggunakan kalkulasi astronomi untuk mengurangi kesalahan. Zainon et al. dalam ¹² , di sisi lain, membahas kriteria dan faktor yang perlu dipertimbangkan dalam penentuan awal setiap bulan Hijriah Islam, seperti konjungsi, dan visibilitas Bulan sabit baru. Mereka juga menyarankan beberapa parameter yang diperlukan agar Bulan dapat dilihat dengan mata telanjang atau menggunakan alat canggih seperti teleskop, yaitu usia Bulan, waktu jeda Bulan, ketinggian Bulan, ARCL, ARCV, DAZ, dan W. Parameter-parameter ini ^12 , 28 disajikan dalam Gambar  3 .

Dalam upaya membantu dalam hal ini, studi terkini ini menyarankan penerapan algoritma ML dalam prediksi visibilitas Bulan sabit baru. Sejauh pengetahuan kami, dalam konteks penelitian ini, hanya ⁴⁴ dan ⁴⁵ yang menangani prediksi visibilitas Bulan sabit dengan menerapkan beberapa algoritma ML. Namun demikian, Allawi ⁴⁵ dibatasi pada satu algoritma ML, dan itu hanya dibatasi pada satu negara, Irak. Mengacu pada kumpulan data yang digunakan dalam ⁴⁴ , beberapa keterbatasan diidentifikasi seperti fitur DAZ yang seharusnya berupa angka positif, nilai beberapa fitur seperti ARCL (elongasi) tidak akurat, nama beberapa fitur negara dan kota tidak konsisten; negara dan kota yang sama dalam bahasa yang berbeda atau disingkat, yang dapat memengaruhi hasil analisis. Untuk mengatasi semua kekurangan ini, kami membangun kumpulan data kami sendiri dan menyertakan semua tahun hingga tahun berjalan 2022, seperti yang dijelaskan dalam bagian ” Model yang diusulkan “.

Kontribusi utama penelitian ini adalah untuk mencari tahu pengklasifikasi pembelajaran mesin terbaik yang dapat membantu dalam memprediksi pengamatan visibilitas mata terhadap kelahiran bulan sabit baru dan khususnya awal bulan suci Ramadan.

Model yang diusulkan

Dalam makalah ini, kami mengumpulkan data, menyaring dan memproses data terlebih dahulu, serta menerapkan ML untuk proses memprediksi kelahiran bulan sabit baru. Gambar  6 mengilustrasikan langkah-langkah bagaimana eksperimen dalam makalah ini dilakukan dalam hal pengumpulan data dan penerapan algoritma pembelajaran mesin. Proses ini melibatkan langkah-langkah berikut.

Langkah-langkah yang diikuti dalam analisis kami.

Gambar ukuran penuh

Langkah 1—Pengumpulan data Untuk memulai studi, kami mulai dengan mengumpulkan data untuk menyusun kumpulan data kami. Kami memastikan bahwa kumpulan data kami menyeluruh dan mematuhi standar yang diperlukan dengan mengambil data dari International Crescent Observation Project (ICOP). Pengumpulan data kami melibatkan pencatatan pengamatan dan semua fitur terkait dari beberapa negara bagian dan kota di setiap negara yang terdaftar oleh ICOP. Data tersebut dikumpulkan selama periode 11 tahun dari 2009 (1431 Hijriah) hingga 2020 (1441 Hijriah). Dalam memilih fitur yang akan disertakan dalam kumpulan data kami, kami memanfaatkan fitur umum yang digunakan dalam jenis studi ini sekaligus menambahkan fitur kami sendiri, seperti ARCL dan iluminasi (yang disebutkan sebelumnya, membantu dalam menghitung W). Fitur lain yang tercakup dalam kumpulan data kami adalah tanggal, negara, kota, negara bagian, atmosfer, lintang, bujur, Matahari Terbenam, Bulan Terbenam, Sun_Moon_Lag, Age_of_Moon, MoonAltitude, SunAltitude, altitude_Difference, MoonAzimuth, SunAzimuth, azimuth_Difference (DAZ), dan V_eye. Tabel 1 menguraikan rumus penting untuk kalkulasi fitur. Untuk fokus hanya pada data yang relevan dengan bulan Ramadan, kami menghapus semua bulan Hijriah kecuali Ramadan. Selain itu, kami menambahkan data yang berkaitan dengan dua tahun Hijriah terakhir (1442 dan 1443), termasuk tahun berjalan 2022, dengan memanfaatkan perangkat lunak Accurate Times 5.6 ⁴⁷ . Kumpulan data akhir kami terdiri dari total 358 observasi dari 43 negara, seperti yang digambarkan dalam Gambar  7 .

Lokasi pengamatan selama 13 tahun. Python 3.6.9, URL Kolaborasi: https://colab.research.google.com/ .

Gambar ukuran penuh

Langkah 2—Pra-pemrosesan data Data yang dikumpulkan menjalani pra-pemrosesan untuk memastikan kesesuaiannya untuk analisis. Ini melibatkan proses pembersihan untuk membuang data yang tidak ada atau hilang, yang berpotensi memengaruhi keakuratan hasil. Selanjutnya, data distandarisasi menggunakan normalisasi min_max, yang menskalakan data ke nilai antara 0 dan 1, diterapkan pada beberapa fitur seperti atmosfer, bujur, dan Sun_Moon_Lag. Teknik normalisasi ini umumnya digunakan untuk memastikan bahwa data berada pada skala yang sama dan memfasilitasi perbandingan berbagai variabel selama proses analisis. Sebelum melakukan eksperimen, kami telah melakukan pra-pemrosesan data kami sebagai berikut:

• Semua pengamatan dengan nilai fitur yang hilang dihilangkan.
• Kami menghapus semua baris (observasi) di mana Sun_Moon_Lag ditemukan negatif.
• Beberapa negara dalam kumpulan data tersebut berbahasa Arab. Jadi, semuanya telah diterjemahkan ke dalam bahasa Inggris. Selain itu, negara dan kota yang ejaannya berbeda di situs web ICOP telah ditulis ulang agar sesuai dengan ejaan yang digunakan oleh perangkat lunak Accurate Times 5.6 (seperti Mekkah ke Makkah). Singkatan juga telah diberi nama lengkap.
• Fitur atmosfer diubah menjadi nilai numerik, seperti yang ditunjukkan pada Tabel 1 .
• Fitur observasi, V_eye, telah diubah dari kategorikal menjadi numerik sehingga model pembelajaran mesin dapat memahami, menyesuaikan, mengevaluasi, dan mengekstrak informasi yang berharga. Fitur ini digunakan sebagai label untuk model tersebut.

Hasilnya, contoh fitur observasi kumpulan data kami ditunjukkan pada Gambar  8 .

Contoh fitur observasi yang disertakan dalam kumpulan data kami.

Gambar ukuran penuh

Perlu disebutkan bahwa dataset yang kami buat tidak seimbang, Gambar  9. Dari 358 pengamatan, 248 adalah pengamatan Palsu, yang berarti bahwa Bulan sabit baru tidak dapat diamati dengan mata telanjang, sedangkan 110 adalah pengamatan Benar. Untuk menangani data yang tidak seimbang, ada beberapa teknik. Salah satunya adalah dengan mempertimbangkan Area di bawah Kurva saat mengevaluasi akurasi klasifikasi. Kita akan melihat ini secara lebih rinci di bagian “ Hasil dan pembahasan ”.

Persentase sampel dua kelas dalam kumpulan data (Benar = 1) dan (Salah = 0).

Gambar ukuran penuh

Langkah 3—Prediksi data menggunakan ML Berbagai algoritme ML umum dilatih dan diuji untuk memprediksi visibilitas mata terhadap kelahiran Bulan sabit baru pada bulan suci Ramadan. Algoritme ML yang digunakan dalam analisis ini dijelaskan secara singkat di sini:

Algoritme K-nearest neighbor Classifier adalah teknik klasifikasi yang digunakan dalam pembelajaran mesin terbimbing. Teknik ini diimplementasikan dalam pustaka sklearn.neighbors.KNeighborsClassifier dalam bahasa Python. Algoritme ini bekerja dengan menghitung jarak antara titik data uji dan semua titik data pelatihan, menggunakan metrik jarak tertentu seperti jarak Euclidean. Algoritme ini kemudian memilih k-nearest neighbor (yaitu, k titik data pelatihan dengan jarak terpendek) dan menetapkan label kelas yang paling umum di antara tetangga-tetangga ini ke titik data uji.

Algoritma Klasifikasi Vektor Dukungan adalah algoritma pembelajaran mesin terbimbing populer yang digunakan untuk tugas klasifikasi. Algoritma ini diimplementasikan dalam pustaka sklearn.svm.SVC dalam bahasa Python. SVC bekerja dengan menemukan bidang hiper dalam ruang berdimensi tinggi yang memisahkan secara maksimal kelas titik data yang berbeda. Bidang hiper ini didefinisikan oleh subset titik data pelatihan, yang dikenal sebagai vektor pendukung. Jarak antara bidang hiper dan vektor pendukung dimaksimalkan, sehingga menghasilkan batas klasifikasi yang kuat.

Algoritma Pohon Keputusan adalah algoritma pembelajaran terbimbing yang digunakan untuk masalah klasifikasi dan regresi. Algoritma ini didasarkan pada gagasan untuk membagi ruang fitur secara rekursif ke dalam wilayah yang lebih kecil, sehingga data di setiap wilayah termasuk dalam kelas yang sama atau memiliki nilai yang sama untuk variabel target. Implementasi Pengklasifikasi Pohon Keputusan dalam scikit-learn adalah algoritma klasifikasi biner yang membangun pohon keputusan biner dari data pelatihan. Setiap simpul di pohon tersebut mewakili keputusan biner berdasarkan fitur dan nilai ambang batas. Tujuan dari algoritma ini adalah untuk membagi ruang fitur secara rekursif ke dalam wilayah yang sehomogen mungkin sehubungan dengan variabel target.

Random Forest Classifier adalah algoritma pembelajaran ensemble yang digunakan untuk masalah klasifikasi. Algoritma ini menggabungkan beberapa pohon keputusan menjadi satu model untuk meningkatkan akurasi dan mengurangi overfitting. Dalam scikit-learn, implementasi Random Forest Classifier membangun hutan pohon keputusan dari data pelatihan. Setiap pohon dibangun menggunakan subset acak dari fitur dan subset acak dari data pelatihan. Output dari algoritma ini adalah prediksi rata-rata dari semua pohon di hutan.

MLPClassifier adalah algoritma pembelajaran terbimbing yang digunakan untuk masalah klasifikasi. Algoritma ini didasarkan pada jaringan saraf tiruan yang terinspirasi oleh struktur dan fungsi otak manusia. MLP adalah singkatan dari Multi-Layer Perceptron, yang merupakan jenis jaringan saraf yang memiliki satu atau beberapa lapisan tersembunyi di antara lapisan masukan dan keluaran. Dalam scikit-learn, implementasi MLPClassifier menggunakan backpropagation untuk melatih jaringan saraf. Backpropagation adalah algoritma yang menyesuaikan bobot koneksi antara neuron dalam jaringan untuk meminimalkan kesalahan antara keluaran yang diprediksi dan keluaran aktual. Parameter alpha mengontrol kekuatan regularisasi untuk mencegah overfitting, dan parameter max_iter mengontrol jumlah iterasi maksimum bagi penyelesai untuk konvergen. Jaringan saraf terdiri dari lapisan masukan, satu atau beberapa lapisan tersembunyi, dan lapisan keluaran. Setiap lapisan berisi sekumpulan neuron yang terhubung ke neuron di lapisan yang berdekatan. Lapisan masukan menerima fitur masukan, sedangkan lapisan keluaran menghasilkan label kelas yang diprediksi. Selama pelatihan, jaringan saraf belajar memetakan fitur masukan ke label kelas yang sesuai dengan menyesuaikan bobot koneksi antara neuron. Fungsi aktivasi digunakan untuk memperkenalkan non-linearitas dalam jaringan dan membantunya mempelajari pola kompleks dalam data.

AdaBoost Classifier adalah algoritma pembelajaran ensemble yang digunakan untuk masalah klasifikasi. Algoritma ini didasarkan pada ide menggabungkan beberapa pengklasifikasi lemah menjadi pengklasifikasi kuat. Dalam scikit-learn, implementasi AdaBoostClassifier menggabungkan pohon keputusan sebagai pengklasifikasi lemah untuk membentuk ensemble. Algoritma ini bekerja dengan melatih pengklasifikasi lemah secara berulang pada data dan menyesuaikan bobotnya untuk memberi lebih banyak penekanan pada titik data yang salah diklasifikasikan. Parameter n_estimators mengontrol jumlah maksimum pengklasifikasi lemah yang akan digunakan dalam ensemble. Selama pelatihan, algoritma menetapkan bobot awal untuk setiap titik data dalam set pelatihan. Pengklasifikasi lemah pertama dilatih pada data menggunakan bobot ini. Algoritma kemudian meningkatkan bobot titik data yang salah diklasifikasikan dan menurunkan bobot titik data yang diklasifikasikan dengan benar. Proses ini diulang untuk pengklasifikasi lemah berikutnya. Pengklasifikasi kuat terakhir diperoleh dengan menggabungkan pengklasifikasi lemah menurut kinerja dan bobot masing-masing. Output dari algoritma adalah label kelas yang diprediksi oleh pengklasifikasi kuat.

Algoritma Naïve Bayes adalah algoritma pembelajaran mesin probabilistik yang digunakan untuk masalah klasifikasi. Algoritma ini didasarkan pada teori probabilitas teorema Bayes. Dalam scikit-learn, implementasi GaussianNB mengasumsikan bahwa data input mengikuti distribusi Gaussian atau normal. Algoritma ini bekerja dengan memperkirakan fungsi kepadatan probabilitas kondisional kelas (PDF) dari fitur input untuk setiap kelas menggunakan data pelatihan. PDF adalah fungsi yang menggambarkan kemungkinan mengamati nilai tertentu dari fitur input yang diberikan label kelas. Selama pelatihan, algoritma menghitung probabilitas sebelumnya dari setiap kelas, yang merupakan proporsi titik data pelatihan yang termasuk dalam setiap kelas. Kemudian, algoritma memperkirakan PDF kondisional kelas dari fitur input untuk setiap kelas menggunakan data pelatihan. Selama prediksi, algoritma menghitung probabilitas posterior setiap kelas yang diberikan fitur input menggunakan teorema Bayes. Probabilitas posterior adalah probabilitas fitur input yang termasuk dalam kelas tertentu yang diberikan probabilitas sebelumnya dan PDF kondisional kelas. Kelas dengan probabilitas posterior tertinggi kemudian diprediksi sebagai output.

Algoritma Regresi Logistik adalah algoritma pembelajaran mesin statistik yang digunakan untuk masalah klasifikasi biner. Algoritma ini didasarkan pada fungsi logistik atau fungsi sigmoid yang memetakan setiap angka bernilai riil ke nilai antara 0 dan 1. Dalam scikit-learn, implementasi Regresi Logistik menggunakan istilah regularisasi untuk menghindari overfitting. Selama pelatihan, algoritma memperkirakan koefisien atau bobot fitur input yang memaksimalkan kemungkinan mengamati data pelatihan yang diberikan koefisien. Koefisien mewakili kekuatan dan arah hubungan antara setiap fitur input dan label output. Istilah regularisasi mengontrol kompleksitas model dengan menambahkan istilah penalti ke fungsi kerugian yang mengukur deviasi koefisien yang diestimasikan dari koefisien aktual. Parameter solver menentukan algoritma yang digunakan untuk memecahkan masalah optimasi, dan parameter random_state memastikan reproduktifitas hasil. Selama prediksi, algoritma menghitung probabilitas label output menjadi 1 yang diberikan fitur input menggunakan fungsi logistik dan koefisien yang diestimasikan. Jika probabilitasnya lebih besar atau sama dengan ambang batas, biasanya 0,5, label keluaran diprediksi sebagai 1, jika tidak, diprediksi sebagai 0.

Parameter terkait dari algoritma ML yang disebutkan di atas dirangkum dalam Tabel 2. Dalam penelitian kami, kami menggunakan algoritma ML default yang tersedia di pustaka scikit-learn, yang merupakan perangkat sumber terbuka yang banyak digunakan untuk ML di Python. Model prediktif kami dikembangkan menggunakan algoritma ini, dan hasil yang diperoleh dari eksperimen kami menunjukkan keefektifannya. Rincian implementasi dapat ditemukan di bagian ” Rincian implementasi “.

Langkah 4 Terakhir, semua hasil keluaran dievaluasi menggunakan beberapa metrik kinerja seperti akurasi, presisi, penarikan kembali, skor F1, dan area di bawah kurva untuk mengukur kinerja algoritma pembelajaran mesin.

Detail implementasi

Untuk mengimplementasikan model kami dan melatih dan menguji data kami, kami telah menggunakan Collaboratory notebook (Colab) ⁴⁸ , sebuah produk penelitian Google, yang merupakan alat gratis dan ringan karena berjalan di cloud. Kode telah ditulis dalam Python, dan beberapa pustaka python telah digunakan, seperti Panadas, Numpy, Scikit-learn, Matplotlib, Seaborn, dan lainnya. Pandas telah digunakan untuk manipulasi dan analisis data. Numpy telah digunakan untuk komputasi, sementara Matplotlib dan Seaborn telah digunakan untuk visualisasi data. Pustaka scikit-learn, di sisi lain, telah digunakan untuk implementasi algoritme pembelajaran mesin. Algoritme yang dipertimbangkan dalam analisis ini adalah algoritme yang disediakan oleh pustaka Scikit-learn dengan parameter default-nya.

Pengaturan percobaan

Untuk melakukan percobaan, kami menggunakan algoritma pembelajaran mesin yang umum digunakan dalam literatur untuk tujuan klasifikasi, yaitu: Support Vector Machine (SVM), Decision Tree, AdaBoost, Random Forest, Logistic regression, Naïve Bayes, K-Nearest Neighbor, dan Neural Networks. Dataset dibagi menjadi 70% untuk pelatihan model dan 30% untuk pengujian dan validasi; pembagian ini umumnya diterapkan untuk memvalidasi data dan memastikan bahwa hasil klasifikasi tidak akan mengalami overfitting. Pemilihan observasi pelatihan dan pengujian dilakukan secara acak.

Pada langkah pertama percobaan, kami menghitung korelasi antara fitur dan memperoleh peta panas berikut, ditunjukkan pada Gambar  10 .

Peta panas yang menunjukkan korelasi antara fitur-fitur kumpulan data. Python 3.6.9, URL Kolaborasi: https://colab.research.google.com/ .

Gambar ukuran penuh

Dari peta panas, kita dapat melihat bahwa Sun_Moon_Lag memiliki korelasi tertinggi sebesar 75%, Moon_Altitude sebesar 70%, dan Altitude_Difference sebesar 69%, dan fitur lainnya atmosphere, Age_of_Moon, azimuth_Difference (DAZ), Elongatopn (ARCL), dan illumination juga memiliki korelasi yang relatif tinggi.

Seperti yang dinyatakan sebelumnya, kami telah mempertimbangkan delapan algoritma klasifikasi umum, dan hasil percobaan kami dirangkum dalam Tabel 3 dan juga ditampilkan dalam grafik, Gambar  11. Seperti yang terlihat dalam tabel, algoritma Decision Tree dan Random Forest memberikan akurasi tertinggi sebesar 93%, dibandingkan dengan yang lain, diikuti oleh SVM dan Neural Networks (dengan satu hidden layer) dengan akurasi 92%. Sebagai perbandingan, algoritma Logistic Regression menunjukkan akurasi terendah sebesar 87%.

Skor F1 disediakan oleh delapan algoritma yang dipertimbangkan dalam analisis.

Gambar ukuran penuh

Matriks konfusi adalah cara lain untuk mengevaluasi hasil kami, dan hasil matriks konfusi dari masing-masing dari delapan algoritma klasifikasi ditunjukkan pada Tabel 4. Mengenai presisi, Recall, dan Skor F1, Skor F1 dianggap sebagai metrik evaluasi yang sangat baik untuk mengamati keseimbangan antara presisi dan recall, terutama ketika ada distribusi kelas yang tidak seimbang dengan sejumlah besar pengamatan Palsu yang sebenarnya, seperti yang ditunjukkan pada Gambar  9. Dari hasil pada Tabel 3 , kita dapat melihat bahwa algoritma Random Forest memiliki Skor F1 tertinggi sebesar 0,88, diikuti oleh SVM dan Neural Network dengan skor F1 0,866.

Untuk perbandingan kinerja yang akurat dari delapan model pengklasifikasi yang dipertimbangkan dalam studi kami, dan mengingat dataset tidak seimbang yang digunakan di sini, kami juga telah menghitung Area Under the Curve (AUC) karena merupakan metrik dan indikator penting dari kinerja model. Untuk itu, AUC diturunkan untuk masing-masing dari delapan model pengklasifikasi, AUC untuk setiap model, dan semuanya dalam satu grafik untuk tujuan perbandingan pada Gambar  12. Dari hasil yang ditampilkan pada gambar tersebut, dapat dilihat bahwa SVM, Neural Network, dan Random Forest memberikan hasil prediksi terbaik.

AUC dari delapan model pengklasifikasi.

Gambar ukuran penuh

Perlu disebutkan bahwa kami juga telah menyelidiki kasus ketika hanya fitur dengan korelasi tertinggi (dengan 25% ke atas) yang dipertahankan dan semua fitur yang tersisa dihilangkan, sehingga menghasilkan fitur yang tersisa: Elongation, altitudeDifference, MoonAltitude, Sun_Moon_Lag, atmosphere. Telah diketahui tren yang serupa dengan hasil yang ditunjukkan sebelumnya, yaitu, SVM, Neural Network beserta K-Nearest Neighbor dan Naïve Bayes memberikan akurasi tertinggi (perhatikan bahwa dua model terakhir telah meningkatkan akurasinya ketika korelasi tinggi diperhitungkan).

Mengacu pada hasil yang diperoleh dalam ⁴⁴ dan ⁴⁵ , yang merupakan satu-satunya studi yang menggunakan beberapa algoritma pembelajaran mesin dalam prediksi bulan sabit baru, perbandingan hasilnya tidak rasional. Dataset dalam ⁴⁵ dibatasi hanya pada satu negara dan hanya menggunakan satu algoritma ML. Namun, studi dalam ⁴⁴ menggunakan dataset yang berbeda dari kami; dataset kami lebih akurat dan lengkap, seperti yang disebutkan sebelumnya. Kedua dataset tidak seimbang. Oleh karena itu, akurasi bukanlah satu-satunya metrik kinerja yang dipertimbangkan tetapi kami mengambil ukuran kinerja penting lainnya seperti Recall, Skor F1, AUC. Hasil kami menunjukkan bahwa Recall, misalnya, lebih tinggi daripada yang ditemukan di 44 . Selain ^itu , dalam studi kami, kami mempertimbangkan lebih banyak algoritma pembelajaran mesin untuk mencari model yang lebih baik.

Menentukan hari pertama bulan Ramadan selalu menjadi tantangan bagi umat Muslim di seluruh dunia, yang mengakibatkan pembagian umat Muslim yang berpuasa pada tanggal yang berbeda. Biasanya, awal Ramadan ditandai dengan penampakan Bulan sabit baru menggunakan berbagai teknologi dan metode. Makalah ini telah menyelidiki penggunaan algoritma klasifikasi pembelajaran mesin untuk memprediksi visibilitas Bulan sabit baru berdasarkan pengamatan kumpulan data kami yang dibangun dari pengamatan Islamic Crescents Observation Project dengan informasi dan pengamatan tambahan yang ditambahkan. Studi saat ini telah menunjukkan bahwa ketiga model, SVM, Neural Network, dan Random Forest memberikan hasil prediksi terbaik dengan akurasi tinggi melebihi 91%.

Sebagai pekerjaan di masa mendatang, kami berencana untuk memperkaya kumpulan data kami dengan catatan yang lebih seimbang untuk meningkatkan hasil prediksi. Selain itu, kami akan menyertakan algoritma klasifikasi lain untuk penyelidikan lebih lanjut.