Tim internasional yang dipimpin oleh Taeho Kim dari Universitas Lehigh telah mengembangkan Maximum Agreement Linear Predictor (MALP), metode baru yang menyelaraskan prediksi secara dekat dengan nilai dunia nyata. Dengan memaksimalkan Koefisien Korelasi Kesesuaian, MALP mengungguli pendekatan tradisional dalam kesesuaian, terutama dalam aplikasi kesehatan dan biologi. Uji coba pada pemindaian mata dan data lemak tubuh menunjukkan keunggulannya dibandingkan metode kuadrat terkecil.
Matematikawan dari Universitas Lehigh dan kolaborator internasional telah memperkenalkan Maximum Agreement Linear Predictor (MALP), teknik yang dirancang untuk meningkatkan peramalan di bidang seperti penelitian kesehatan, biologi, dan ilmu sosial. Dipimpin oleh asisten profesor Taeho Kim, metode ini berfokus pada memaksimalkan Koefisien Korelasi Kesesuaian (CCC), yang mengukur seberapa dekat nilai prediksi dan observasi selaras di sepanjang garis 45 derajat pada plot scatter, menekankan presisi dan akurasi.
Metode tradisional, seperti pendekatan kuadrat terkecil, terutama bertujuan meminimalkan kesalahan rata-rata tetapi mungkin tidak memastikan penyelarasan kuat dengan nilai aktual. "Kadang-kadang, kita tidak hanya ingin prediksi kita dekat - kita ingin mereka memiliki kesesuaian tertinggi dengan nilai nyata," jelas Kim. Ia mencatat bahwa meskipun korelasi Pearson mendeteksi hubungan linier, ia tidak secara khusus menargetkan penyelarasan 45 derajat, tidak seperti CCC yang diperkenalkan oleh Lin pada 1989.
Untuk menguji MALP, para peneliti menggunakan data simulasi dan pengukuran dunia nyata. Dalam studi oftalmologi, mereka membandingkan prediksi untuk pembacaan Stratus OCT dari data Cirrus OCT, menggunakan gambar dari 26 mata kiri dan 30 mata kanan. MALP menghasilkan prediksi yang lebih cocok dengan nilai Stratus sejati, meskipun kuadrat terkecil sedikit lebih baik dalam mengurangi kesalahan rata-rata, mengilustrasikan trade-off.
Pola serupa muncul dengan data lemak tubuh dari 252 orang dewasa, menggabungkan pengukuran seperti berat badan dan ukuran perut untuk memperkirakan persentase lemak tubuh. MALP sekali lagi unggul dalam kesesuaian, sementara kuadrat terkecil meminimalkan kesalahan lebih efektif. Kim menekankan pemilihan alat berdasarkan prioritas: MALP untuk penyelarasan, metode tradisional untuk pengurangan kesalahan.
Pekerjaan ini, dirinci dalam preprint arXiv tanggal 5 September 2025 (DOI: 10.48550/arXiv.2304.04221), dapat meningkatkan prediksi di bidang kedokteran, kesehatan masyarakat, ekonomi, dan teknik. Ekstensi masa depan bertujuan untuk memperluas di luar prediktor linier ke Prediktor Kesesuaian Maksimum umum.