Perpustakaan Digital ITB

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.