UI - Disertasi (Membership) :: Kembali

UI - Disertasi (Membership) :: Kembali

Metode Kriging dengan Aproksimasi Minimax, Least Square-Support Vector Machine, dan Gaussian Process Regression pada Data Elevasi = Kriging Method with Minimax Approximation, Least Square-Support Vector Machine, and Gaussian Process Regression on Elevation Data

Nomor Panggil D-Pdf
Pengarang
Pengarang lain/Kontributor
Subjek
Penerbitan [Place of publication not identified]: [Publisher not identified], 2020
Program Studi
 Abstrak
ABSTRAK
Penelitian ini bertujuan untuk menganalisis pendekatan aproksimasi minimax, LS-SVM,
dan GPR untuk proses pemodelan semivariogram pada metode kriging. Proses ini adalah
bagian tahap dalam operasi kriging yang biasanya dilakukan untuk proses interpolasi dan
fusi. Kriging sendiri telah banyak digunakan untuk memprediksi nilai spasial yang
terbukti lebih baik dalam memprediksi proses dibandingkan dengan metode
deterministik, di mana kriging dikategorikan sebagai pada metode interpolasi stokastik.
Pendekatan konvensional untuk proses pemodelan semivariogram menggunakan metode
weighted least square dengan menggunakan fungsi tertentu. Fungsi yang tersedia untuk
metode ini antar lain stable, exponential, spherical, dan lain-lain. Beberapa pembaharuan
untuk kasus pemodelan semivariogram saat ini telah dibuat dengan menggunakan teknik
regresi seperti LS-SVM. Selain itu sebagai bagian dari kebaruan, pendekatan aproksimasi
minimax, LS-SVM, dan GPR yang diusulkan untuk kasus ini dapat meningkatkan akurasi
pada hasil interpolasi, dalam hal ini diimplementasikan pada metode ordinary kriging.
Pendekatan baru, yang dapat disebut sebagai minimax kriging ini dapat mengurangi eror.
Minimax berkontribusi pada prediksi bobot nilai semivariogram lebih baik daripada
weighted least square dan proses komputasi yang lebih cepat daripada metode berbasis
SVM dan GPR.


ABSTRACT
This study aims to analyze the approach of Minimax, LS-SVM, and GPR approximation
for the semivariogram modeling process in the kriging method. This process is part of the
stage in kriging operations that are usually carried out for interpolation and fusion
processes. Kriging itself has been widely used to predict spatial values which are proven
to be better in predicting processes compared to deterministic methods, where kriging is
categorized as a stochastic interpolation method. The conventional approach to the
semivariogram modeling process uses the weighted least square method using certain
functions. Functions available for this method include stable, exponential, spherical, and
others. Several updates to the case of semivariogram modeling have now been made using
regression techniques such as LS-SVM. Apart from that as part of the novelty, the
proposed Minimax, LS-SVM, and GPR approximation approaches for this case can
improve the accuracy of the interpolation results, in this case implemented in the ordinary
kriging method. This new approach, which can be called minimax kriging, can reduce
errors. Minimax contributes to the predicted weighting of semivariogram values better
than weighted least square and faster computing processes than SVM and GPR-based
methods.
 File Digital: 1
Shelf
 D-Andie Setiyoko.pdf ::

Akses untuk anggota Perpustakaan Universitas Indonesia, silahkan

 Info Lainnya
Naskah Ringkas
Sumber Pengatalogan LibUI ind rda
Tipe Konten text
Tipe Media computer
Tipe Carrier online resource
Deskripsi Fisik xiv, 107 pages : illustration ; 28 cm + appendix
Catatan Bibliografi pages 97-107
Lembaga Pemilik Universitas Indonesia
Lokasi Perpustakaan UI, Lantai 3
  • Ketersediaan
  • Ulasan
  • Sampul
Nomor Panggil No. Barkod Ketersediaan
D-Pdf 07-20-833040202 TERSEDIA
Ulasan:
Tidak ada ulasan pada koleksi ini: 20507761
ABSTRAK
Penelitian ini bertujuan untuk menganalisis pendekatan aproksimasi minimax, LS-SVM,
dan GPR untuk proses pemodelan semivariogram pada metode kriging. Proses ini adalah
bagian tahap dalam operasi kriging yang biasanya dilakukan untuk proses interpolasi dan
fusi. Kriging sendiri telah banyak digunakan untuk memprediksi nilai spasial yang
terbukti lebih baik dalam memprediksi proses dibandingkan dengan metode
deterministik, di mana kriging dikategorikan sebagai pada metode interpolasi stokastik.
Pendekatan konvensional untuk proses pemodelan semivariogram menggunakan metode
weighted least square dengan menggunakan fungsi tertentu. Fungsi yang tersedia untuk
metode ini antar lain stable, exponential, spherical, dan lain-lain. Beberapa pembaharuan
untuk kasus pemodelan semivariogram saat ini telah dibuat dengan menggunakan teknik
regresi seperti LS-SVM. Selain itu sebagai bagian dari kebaruan, pendekatan aproksimasi
minimax, LS-SVM, dan GPR yang diusulkan untuk kasus ini dapat meningkatkan akurasi
pada hasil interpolasi, dalam hal ini diimplementasikan pada metode ordinary kriging.
Pendekatan baru, yang dapat disebut sebagai minimax kriging ini dapat mengurangi eror.
Minimax berkontribusi pada prediksi bobot nilai semivariogram lebih baik daripada
weighted least square dan proses komputasi yang lebih cepat daripada metode berbasis
SVM dan GPR.


ABSTRACT
This study aims to analyze the approach of Minimax, LS-SVM, and GPR approximation
for the semivariogram modeling process in the kriging method. This process is part of the
stage in kriging operations that are usually carried out for interpolation and fusion
processes. Kriging itself has been widely used to predict spatial values which are proven
to be better in predicting processes compared to deterministic methods, where kriging is
categorized as a stochastic interpolation method. The conventional approach to the
semivariogram modeling process uses the weighted least square method using certain
functions. Functions available for this method include stable, exponential, spherical, and
others. Several updates to the case of semivariogram modeling have now been made using
regression techniques such as LS-SVM. Apart from that as part of the novelty, the
proposed Minimax, LS-SVM, and GPR approximation approaches for this case can
improve the accuracy of the interpolation results, in this case implemented in the ordinary
kriging method. This new approach, which can be called minimax kriging, can reduce
errors. Minimax contributes to the predicted weighting of semivariogram values better
than weighted least square and faster computing processes than SVM and GPR-based
methods.