Peningkatan jumlah data yang signifikan di era modern menghadirkan tantangan bagi
model matematika, yang menjadi semakin kompleks seiring bertambahnya data.
Penelitian ini mengajukan regresi proses Gaussian parametrik sebagai solusi, dengan
memanfaatkan titik induksi atau centroid dari klasterisasi k-means untuk mengurangi
kuantitas data tanpa mengurangi performa. Tujuan penelitian ini adalah mengeksplorasi
potensi penggunaan centroid sebagai representasi data observasi, memvalidasi model
melalui simulasi, dan mengimplementasikannya pada data bangkitan dan data asli, yaitu
rataan temperatur dari 12 stasiun cuaca di Pulau Jawa. Hasil penelitian menunjukkan
bahwa model yang diusulkan unggul secara signifikan dengan standarize mean squared
error (SMSE), mengungguli metode resampling biasa hingga 30% dalam hal kekonsistenan
dan akurasi model, serta mampu menangkap faktor eksternal melalui kombinasi
kernel. Kesimpulannya, penggunaan titik induksi dalam regresi proses Gaussian mengubah
model menjadi parametrik dengan efisiensi komputasi yang stabil, meskipun jumlah
data observasi meningkat, dan direkomendasikan untuk eksplorasi lebih lanjut pada
berbagai kernel dan data observasi lainnya.