Metode Prediksi MALP, Ilmuwan Ciptakan Cara Baru Ramal Masa Depan Lebih Akurat

Para ilmuwan dari Lehigh University, yang dipimpin oleh ahli statistik Taeho Kim, telah menemukan sebuah cara baru yang bisa sangat meningkatkan kemampuan kita dalam membuat prediksi. Metode baru ini, yang mereka sebut Metode Prediksi MALP (Maximum Agreement Linear Predictor), bertujuan agar hasil ramalan lebih sesuai dengan kejadian sebenarnya. Ini bisa sangat bermanfaat di berbagai bidang, mulai dari kesehatan, biologi, hingga ilmu sosial.

Metode Prediksi MALP bekerja dengan memaksimalkan Concordance Correlation Coefficient (CCC). Ini adalah ukuran yang melihat seberapa baik titik-titik data (antara hasil prediksi dan data nyata) saling berdekatan dan sejajar pada garis 45 derajat di sebuah scatter plot. CCC mengukur baik presisi (seberapa rapat data berkumpul) maupun akurasi (seberapa dekat data ke garis referensi).

Baca juga: Project Suncatcher Google, Misi Ambisius Kirim AI ke Luar Angkasa

Taeho Kim, asisten profesor matematika, menjelaskan bahwa metode tradisional seperti least-squares lebih fokus pada mengurangi rata-rata kesalahan. “Kadang, kita tidak hanya ingin prediksi kita dekat dengan nilai sebenarnya, tapi kita ingin mereka memiliki kesesuaian tertinggi,” katanya.

Perbedaan ‘Kesesuaian’ dan ‘Korelasi’

Banyak orang mengira “kesesuaian” sama dengan “korelasi Pearson”. Padahal, ada bedanya. Korelasi Pearson memang berguna untuk melihat hubungan linier antar dua variabel, tapi tidak spesifik mengukur seberapa dekat data sejajar dengan garis 45 derajat. Misalnya, korelasi bisa tinggi meskipun garisnya miring 50 atau 75 derajat, bukan 45 derajat.

“Dalam kasus kami, kami secara spesifik tertarik pada keselarasan dengan garis 45 derajat,” jelas Kim. Untuk itu, mereka menggunakan ukuran berbeda: concordance correlation coefficient (CCC), yang diperkenalkan oleh Lin pada tahun 1989. “Apa yang kami kembangkan adalah prediktor yang dirancang untuk memaksimalkan korelasi kesesuaian antara nilai prediksi dan nilai aktual,” tambahnya.

Menguji Metode Prediksi MALP pada Data Nyata

Tim riset menguji Metode Prediksi MALP menggunakan simulasi komputer dan data nyata, termasuk hasil pindaian mata dan pengukuran lemak tubuh.

• Studi Pindaian Mata (Ophthalmology): Mereka menerapkan MALP pada data studi mata yang membandingkan dua alat optical coherence tomography (OCT): Stratus OCT yang lama dan Cirrus OCT yang baru. Karena banyak klinik beralih ke sistem Cirrus, dokter butuh cara andal untuk mengkonversi pengukuran demi konsistensi data. Hasilnya, MALP menghasilkan prediksi yang lebih cocok dengan pengukuran Stratus asli, sementara metode least-squares sedikit lebih baik dalam mengurangi rata-rata kesalahan. Ini menunjukkan ada perbedaan antara memaksimalkan kesesuaian dan meminimalkan kesalahan rata-rata.

Baca juga: Rekomendasi Hard Drive Eksternal Terbaik untuk Xbox Series X

• Data Lemak Tubuh: MALP juga diuji pada data lemak tubuh dari 252 orang dewasa, termasuk berat badan, ukuran perut, dan dimensi tubuh lainnya. Mengukur lemak tubuh secara langsung itu akurat tapi mahal. Oleh karena itu, para peneliti sering mengandalkan perkiraan dari pengukuran yang lebih mudah. Sama seperti studi mata, MALP memberikan prediksi yang lebih mirip dengan nilai aktual, sementara metode least-squares menghasilkan rata-rata kesalahan yang sedikit lebih kecil. Ini lagi-lagi menyoroti bahwa ada pilihan antara mencapai kesesuaian tinggi atau mengurangi kesalahan rata-rata.

Aplikasi Lebih Luas dan Langkah Selanjutnya

Kim dan timnya menemukan bahwa Metode Prediksi MALP sering kali memberikan prediksi yang lebih sesuai dengan data sebenarnya dibandingkan metode tradisional. Namun, pilihan antara MALP dan metode konvensional harus disesuaikan dengan tujuan dan konteks proyek masing-masing. Jika mengurangi kesalahan rata-rata adalah yang terpenting, metode klasik masih baik. Namun, jika kesesuaian adalah kuncinya, maka MALP adalah pilihan yang lebih baik.

Temuan ini memiliki potensi besar untuk meningkatkan alat prediksi di berbagai bidang, mulai dari kedokteran, kesehatan masyarakat, ekonomi, hingga rekayasa. Bagi ilmuwan data dan peneliti, MALP menawarkan alat baru yang menjanjikan, terutama ketika tujuan utamanya adalah mencapai kesesuaian penuh dengan kebenaran, bukan hanya sekadar mendekati.

“Kami perlu menyelidiki lebih lanjut,” kata Kim. “Saat ini, pengaturan kami berada dalam kelas prediktor linier. Himpunan ini cukup besar untuk digunakan secara praktis di berbagai bidang, tetapi secara matematis masih terbatas. Jadi, kami ingin memperluasnya ke kelas umum sehingga tujuan kami adalah menghilangkan bagian linier dan menjadi Maximum Agreement Predictor secara menyeluruh.”

Referensi: https://doi.org/10.48550/arXiv.2304.04221