Relevance Vector Machine (RVM) pertama kali diperkenalkan oleh Michael E. Tipping pada tahun 2000. RVM merupakan metode machine learning yang diadaptasi dari Bayesian Framework atau Bayesian Classification. Selain itu, RVM memiliki kemiripan dengan Support Vector Machine (SVM) dalam hal model fungsi. Metode RVM banyak dikembangkan dan digunakan di Tiongkok dan India untuk peramalan data industri, seperti data prediksi kadar glukosa darah, karakteristik rekahan, elektroensefalograf (EEG) empat kelas, kanker payudara, dan potensi likuifaksi tanah.
Perbandingan metode dan kombinasi atau modifikasi algoritma RVM tentu dapat menjelaskan kinerja berbagai arsitektur agar dapat meningkatkan tingkat akurasi dengan lebih baik. Namun, sejauh ini belum ada penelitian yang berfokus pada tingkat perbedaan akurasi. Modifikasi algoritma juga akan berdampak pada jumlah iterasi dan lamanya data latih dan uji. Oleh karena itu, pada artikel ini dilakukan penelusuran artikel untuk membahas modifikasi hasil penelitian RVM dan tingkat akurasi guna memperjelas persentase akurasi kombinasi RVM dan metode lainnya.
Data dikumpulkan dari database pengindeks seperti Scopus, Sciencedirect, dan Google Scholar. Kriteria yang ditetapkan adalah (1) artikel yang diterbitkan tahun 2010-2021, (2) kata kunci pencarian “prediksi, peramalan, relevance vector machine, RVM”; (3) nilai koefisien korelasi, tingkat akurasi, dan jumlah data yang diprediksi. Selain itu, data dianalisis menggunakan perangkat lunak JASP berdasarkan nilai effect size (ES) dan summary effect (SE).
Hasil analisis data menunjukkan bahwa secara umum tingkat akurasi metode RVM dalam prediksi data time series mencapai 87% dengan nilai koefisien 0,892. Selain itu, jika algoritma dimodifikasi, maka tingkat akurasinya mencapai 93% dengan nilai koefisien 0,927 yang berarti sangat baik, sedangkan jika algoritma tidak dimodifikasi maka tingkat akurasinya mencapai 87% dengan nilai koefisien 0,774 yang berarti baik. Modifikasi algoritma dengan tingkat akurasi tertinggi yaitu Relevance Vector Machine and Logistic Regression (RVM-LR) mencapai 99,49%. Terakhir, penggunaan fungsi kernel yang tepat juga menentukan tingkat akurasi.
Penulis:Â Syaharuddin, Fatmawati, Herry Suprajitno.
