Metode Prediksi Baru yang Bikin Ilmuwan Terkesan
Tim matematika internasional yang dipimpin oleh statistikawan Lehigh University, Taeho Kim, memperkenalkan metode prediksi baru bernama Maximum Agreement Linear Predictor atau MALP. Teknik ini dikembangkan untuk menghasilkan prediksi yang lebih mendekati data nyata dibanding pendekatan tradisional yang selama ini digunakan di berbagai bidang ilmu.
Berbeda dari metode least-squares yang populer, MALP fokus memaksimalkan keselarasan prediksi dengan hasil observasi. Cara ini dinilai lebih efektif terutama ketika peneliti memerlukan kecocokan yang sangat presisi antara prediksi dan nilai aktual.
Mengapa MALP Lebih Akurat dari Metode Lama?
MALP bekerja dengan mengoptimalkan Concordance Correlation Coefficient (CCC), metrik statistik yang mengukur seberapa kuat data prediksi mengikuti garis akurasi sempurna sebesar 45 derajat. CCC menggabungkan dua faktor penting:
- Presisi: seberapa rapat data berkumpul,
- Akurasi: seberapa dekat data berada dengan garis 45°.
Dengan fokus pada keselarasan total, MALP menawarkan pendekatan baru yang lebih sesuai untuk penelitian yang menuntut kecocokan tinggi antara prediksi dan hasil pengukuran sebenarnya.
Pengujian: Dari Scan Mata hingga Persentase Lemak Tubuh
MALP diuji menggunakan data simulasi dan data nyata di dua bidang berbeda:
1. Pemindaian Mata (OCT)
Para peneliti membandingkan perangkat OCT lama (Stratus OCT) dan perangkat baru (Cirrus OCT). MALP digunakan untuk memprediksi hasil Stratus berdasarkan data Cirrus.
Hasilnya:
- MALP lebih akurat dalam menyamakan nilai dengan hasil asli,
- Metode least squares sedikit unggul dalam mengurangi rata-rata kesalahan.
Ini menunjukkan adanya perbedaan tujuan antara keselarasan dan pengurangan error.
2. Pengukuran Lemak Tubuh
Data 252 orang dewasa dianalisis menggunakan berat badan, lingkar perut, hingga ukuran tubuh lain.
Hasilnya sama:
- MALP memberikan nilai prediksi yang lebih dekat dengan hasil sebenarnya.
- Least squares tetap lebih baik jika tujuan utamanya adalah mengurangi error.
Kapan MALP Lebih Cocok Digunakan?
Para peneliti menyimpulkan bahwa MALP bukan pengganti total metode lama, melainkan alat baru untuk kebutuhan yang berbeda.
Gunakan MALP jika:
- tujuan penelitian adalah prediksi yang benar-benar mendekati hasil nyata,
- akurasi keselarasan sangat penting,
- riset berada di bidang kesehatan, biologi, epidemiologi, teknik, ekonomi, atau ilmu sosial.
Taeho Kim menegaskan bahwa riset selanjutnya akan mengembangkan MALP agar tidak terbatas pada model linear, sehingga dapat berkembang menjadi Maximum Agreement Predictor untuk cakupan yang lebih luas.
