Estimasi kriging dengan metode bootstrap

INDONESIA:

Kriging adalah suatu teknik penghitungan untuk menghitung estimasi dari suatu variabel teregional yang menggunakan pendekatan bahwa data yang dianalisis dianggap sebagai suatu realisasi dari suatu variabel acak, dan keseluruhan variabel struktural variogram. Ordinary kriging merupakan kriging paling sederhana yang digunakan pada kasus data sampel kandungan yang tidak memiliki trend tertentu dengan rata-rata populasi tidak diketahui, yang digunakan pada penelitian kali ini. Tujuan penulisan skripsi ini menjelaskan tentang estimasi kriging dengan metode bootstrap, menerapkan bootstrap data spasial untuk mengukur keakuratan hasil estimasi kriging (estimasi data spasial). Kriging dapat diestimasi dengan metode bootstrap karena mempunyai suatu fungsi data spasial. Sehingga langkah-langkah estimasi bootstrap adalah menentukan model persamaan krigingnya, menenentukan parameter yang ada dalam kriging untuk diestimasi yakni λ dan ... dan selanjutnya mencari estimasi dari λ dan ... . Sehingga didapatkan ... dari sifat tak bias kriging adalah ... dari kriging adalah ... . Setelah menentukan λ dan ..., maka dapat diketahui bahwa ... merupakan estimasi dari ܼ... begitu juga ܼ... merupakan estimasi dari ܼ... .

ENGLISH:

Kriging is a calculation technique for calculating estimation of a variable teregional using the approach that the data being analyzed is considered as a realization of a random variable, and overall structural variables variogram. Ordinary Kriging is the most simple Kriging is used in case of sample data content that has no particular trend with the average population is unknown, which is used in the present study. The objective of this thesis describes the Kriging estimation with the Bootstrap method, applying Bootstrap spatial data to measure the accuracy of the estimation Kriging (spatial data estimation). Kriging can be estimated by the Bootstrap method because it has a function of spatial data. So that the Bootstrap estimation steps is to determine equality Krigingnya model, determine the parameters in Kriging to estimate the λ and ... and then seek estimates of λ and ... . So we get no bias ܼ... of the nature of Kriging is ... of Kriging is the ... . After determining λ and ... , it is known that an estimation of ܼ... as well as ܼ... an estimation of ... .