Keunggulan Model Kriging:
1. Memberikan representasi probabilistik dari variabilitas data spasial.
2. Model dapat dengan mudah diperbarui dengan data baru.
3. Ini adalah metode fleksibel yang dapat diterapkan dalam berbagai bentuk, seperti kriging biasa, universal, atau indikator.
4. Dapat digunakan untuk menginterpolasi atau mengekstrapolasi data, mengisi nilai yang hilang dalam kumpulan data.
5. Ini memperhitungkan autokorelasi spasial dan menyesuaikan prediksi berdasarkan jarak antar titik data.
Kekurangan Model Kriging:
1. Model membutuhkan data dalam jumlah besar untuk menghasilkan prediksi yang akurat.
2. Bergantung pada asumsi stasioneritas, yang mengasumsikan bahwa pola spasial dan statistik data tidak berubah dari waktu ke waktu.
3. Proses perhitungan bisa memakan waktu, terutama untuk kumpulan data yang besar.
4. Model mengasumsikan bahwa kovariogram spasial diketahui atau dapat diestimasi secara akurat.
5. Model Kriging mungkin tidak cocok untuk data non-stasioner, seperti data dengan tren atau varians yang berubah dari waktu ke waktu.
Tanggal penerbitan: