BAB III METODE PENELITIAN
3.3 Kerangka Penelitian
3.3.1 Penelitian dalam bidang Pengembangan Ilmu Pengetahuan
Basak et al., (2007) dalam tulisannya meninjau teori metode support vector regression (SVR), ide SVR didasarkan pada perhitungan fungsi regresi linier dalam fitur ruang dimensi tinggi dimana data input dipetakan melalui fungsi nonlinier. SVR telah diterapkan di berbagai bidang time series, keuangan, prediksi, pendekatan analisis rekayasa dan lain lain. Dalam tulisan ini, telah dilakukan tinjauan teori yang ada, metode, perkembangan terbaru dan lingkup SVR.
SVM mengimplementasi algoritma pembelajaran yang berguna untuk mengenali pola-pola halus dalam himpunan data yang kompleks. Algoritma ini melakukan klasifikasi diskriminatif, contoh untuk memprediksi klasifikasi data yang sebelumnya tidak terlihat.
Algoritma support vector adalah gambaran umum generalisasi nonlinear yang dikembangkan di Rusia pada tahun enam puluhan. (Vapnik and Chervonenkis, 1964)
Burges (1998) menerbitkan sebuah tutorial komprehensif pada pengklasifikasi support vector, baik digunakan dalam regresi time series dan aplikasi prediksi. Teori pembelajaran statistik telah memberikan kerangka yang sangat efektif untuk tugas-tugas klasifikasi dan regresi.
SVR adalah mengamati pelatihan dengan meminimalkan kesalahan dalam upaya mencapai kinerja yang umum. SVR adalah sebuah versi dari SVM untuk regresi yang telah diusulkan pada tahun 1997 oleh Vapnik (1997). SVR adalah teknik yang kuat untuk analisis prediksi data. Tujuan dari masalah regresi adalah untuk memperkirakan suatu fungsi. Solusi untuk masalah SVR adalah fungsi yang menerima sebuah titik data dan mengembalikan nilai terus menerus.
- Masalah penentuan usia perkembangan embrio dari pola segmentasi ekspresi gen pada Drosophila telah dibahas (Myasnikova et al., 2002). Dengan menerapkan SVR, telah dikembangkan metode cepat untuk pementasan otomatis embrio berdasarkan pola ekspresi gen nya. SVR adalah metode statistik untuk menciptakan jenis fungsi regresi dari satu set data pelatihan. Set data pelatihan terdiri dari embrio yang usia perkembangan yang tepat telah ditentukan dengan mengukur tingkat invaginasi membran. Pengujian kualitas regresi pada set pelatihan telah menunjukkan akurasi prediksi yang baik. Fungsi regresi yang optimal telah digunakan untuk prediksi ekspresi gen berdasarkan usia embrio di mana usia yang tepat belum diukur dengan morfologi membran.
Kegunaan SVR:
- SVR telah diterapkan untuk masalah geolocation dengan penambahan penyaringan untuk kelancaran lokasi perkiraan dalam skenario pelacakan mobile (Gezici et al., 2003). Posisi Handphone menggunakan penetapan tempat dengan teknik pesawat radio biasanya melibatkan waktu kedatangan, perbedaan waktu kedatangan, sudut kedatangan, pengukuran kekuatan sinyal atau beberapa kombinasi dari metode ini. Telah digambarkan dua langkah algoritma estimasi lokasi untuk memperkirakan lokasi dari pengguna ponsel.
Hasil Penelitian:
Algoritma SVR telah dimanfaatkan untuk melakukan kompresi gambar. Blok gambar telah diwakili oleh nilai-nilai pengali support vector Lagrange menggunakan fungsi linear, fungsi polinomial dan dasar fungsi radial Gaussian sebagai fungsi kernel.
Sebuah pendekatan penyaringan SVR telah diperkenalkan untuk mengurangi sinyal Positif Palsu dalam suatu sistem deteksi massa otomatis. Pendekatan yang diusulkan terdiri dari dua langkah: pertama milik kelompok filter saraf namun telah didasarkan pada SVM, kelas dari algoritma pembelajaran yang telah terbukti dalam beberapa tahun terakhir menjadi lebih unggul dengan metode konvensional Jaringan Syaraf untuk kedua klasifikasi dan tugas regresi, maka penerapannya pada saraf-seperti pengolahan gambar terlihat sangat menarik. Langkah kedua adalah cara sederhana untuk mempertimbangkan informasi account yang diberikan oleh SVR filter, untuk memutuskan apakah sinyal dianalisis adalah False Positive (FP) atau tidak. (ν-SVR) telah dipertimbangkan untuk regresi estimasi. Algoritma SVR telah bertindak sebagai filter karena telah mampu untuk menghubungkan ke setiap input output gambar.
Gangrade (2009) melakukan penelitian dalam melestarikan penggunaan klasifikasi pohon keputusan algoritma C4.5 dengan tujuan untuk membangun klasifikasi yang akurat tanpa mengungkapkan informasi pribadi dalam menambang data.
Dalam dunia modern jumlah informasi pelanggan yang banyak disimpan dalam database. Dengan demikian penambangan data sangat efektif untuk mengekstraksi pengetahuan dari sejumlah besar data. Klasifikasi memiliki banyak aplikasi dalam dunia nyata, seperti perencanaan stok besar superstore, diagnosis medis, dan lain-lain. Klasifikasi adalah pemisahan atau memesan objek ke kelas. Ada berbagai teknik klasifikasi yaitu Pohon Keputusan, K-nearest neigbour, Naive Bayes classifier dan neural network. Dalam penelitian ini akan membahas pohon keputusan.
Sebuah pohon keputusan adalah metode klasifikasi yang populer. Fitur yang paling penting dari classifier pohon keputusan adalah kemampuannya untuk memecah keputusan yang kompleks dan proses pembuatan menjadi koleksi keputusan sederhana, sehingga sering memberikan solusi yang lebih mudah untuk menafsirkan. Karakteristik metode pohon keputusan adalah: Pohon keputusan mampu menghasilkan
aturan yang dimengerti. Mereka melakukan klasifikasi tanpa memerlukan banyak perhitungan. Mereka mampu menangani keduanya terus-menerus dan variabel kategoris. Mereka memberikan indikasi yang jelas tentang bidang yang yang paling penting untuk klasifikasi. Algoritma pohon keputusan seperti ID3 atau C4.5 adalah salah satu metode yang paling kuat dan populer untuk klasifikasi. Algoritma ID3 digunakan untuk merancang pohon keputusan berdasarkan database yang diberikan. Pohon dibangun atas-bawah secara rekursif. Pada akar, atribut masing-masing diuji untuk menentukan seberapa baik mengklasifikasikan transaksi sendiri kemudian, atribut terbaik yang dipilih dan catatan yang tersisa dipartisi (Arun, 2007). ID3 ini kemudian disebut rekursif pada setiap partisi. C4.5 adalah ekstensi dari dasar perangkat lunak algoritma ID3 dirancang oleh J. R. Quinlan. Untuk mengatasi masalah berikut ini tidak diselesaikan dengan ID3:
- Menghindari data yang lebih pas. - Mengurangi kesalahan pemangkasan.
- Penanganan atribut kontinyu juga Example temperature.
- Penanganan data pelatihan dengan atribut nilai-nilai yang hilang.
Dalam penelitian ini, mempelajari, melestarikan privasi aturan klasifikasi penambangan. Tujuan Privacy preserving klasifikasi adalah untuk membangun pengklasifikasi akurat tanpa mengungkapkan informasi pribadi dalam penambangan data. Penelitian ini mengatasi masalah perhitungan multiparty yang aman untuk aturan klasifikasi penambangan. Secara khusus, memungkinkan Privacy preservation tanpa pihak ketiga yang terpercaya, merupakan salah satu prestasi besar dalam kriptografi modern, memungkinkan satu set pihak untuk menghitung setiap fungsi input pribadi mereka tanpa menunjukkan apa-apa tetapi hasil dari fungsi. Penelitian ini menjalankan algoritma klasifikasi pohon keputusan C4.5 dalam melestarikan privasi pada database mereka, tanpa mengungkapkan informasi pribadi.
Metode melestarikan privasi data mining tergantung pada tugas data mining dan distribusi sumber data dengan cara seperti terpusat dimana semua catatan yang berada dalam satu partai; horizontallywhere semua pihak memiliki catatan yang berbeda dari database, tapi setiap record berisi set atribut yang sama. Secara vertikal setiap partai yang mana memiliki jumlah catatan yang sama, tapi setiap record berisi atribut yang berbeda. Dalam penelitian ini, terutama berfokus pada penerapan
melestarikan privasi klasifikasi pohon keputusan C4.5 pada data dipartisi secara vertikal tanpa menggunakan ketiga partai. Hal ini didasarkan pada menghitung gabungan dari semua database, tidak peduli bahwa hanya satu pihak yang memiliki atribut kelas atau lebih dari satu atau semua pihak. Menerapkan algoritma data mining pada data ini dan mengirimkan output.
Hasil Penelitian:
Penelitian ini layak untuk membangun sebuah privasi melestarikan classifier pohon keputusan yang dapat menggunakan teknik SMC (Secure Multiparty Computation). Pengembangan lebih lanjut dari protokol diharapkan dalam arti bahwa untuk bergabung multi-partai atribut menggunakan pihak ketiga yang terpercaya dan dapat digunakan. Selanjutnya, baik untuk mengembangkan classifier baru dalam Privasi membangun pohon keputusan-melestarikan dan analisis baru serta pengklasifikasi yang ada untuk memecahkan masalah yang berbeda yaitu atribut yang hilang dan lain-lain.
Grbovic (2006) melakukan penelitian dalam mengeksplorasi penerapan pohon keputusan C4.5 dalam menyelesaikan masalah. Hasil dari penelitian ini diharapkan, metode pohon keputusan C4.5 dapat menghasilkan kinerja yang baik.
Untuk memastikan kinerja yang baik dari aplikasi MPI, operasi kolektif dapat disetel untuk sistem tertentu. Proses tuning sering melibatkan profil rinci dari sistem, mungkin dikombinasikan dengan pemodelan komunikasi, menganalisis data yang dikumpulkan, dan menghasilkan fungsi keputusan. Saat run-time, fungsi keputusan memilih dekat ke metode optimal untuk contoh kolektif tertentu. Pendekatan ini bergantung pada kemampuan keputusan fungsi yang secara akurat memprediksi ukuran algoritma dan segmen yang akan digunakan untuk kolektif tertentu misalnya. Orang bisa membangun sebuah sistem di memori keputusan, bisa dicari pada saat run-time untuk memberikan informasi metode yang optimal. Salah satu dari pendekatan-pendekatan ini layak, jejak memori dan waktu yang dibutuhkan untuk membuat keputusan harus minimal.
Penelitian ini mempelajari penerapan pohon keputusan C4.5 (Quinlan, 1993) untuk algoritma kolektif MPI/ metode seleksi masalah. Asumsi bahwa sistem telah mengacu dan bahwa informasi kinerja rinci ada untuk masing-masing kolektif yang
tersedia dalam metode komunikasi. Dengan informasi ini, difokuskan usaha pada menyelidiki apakah algoritma C4.5 adalah cara yang layak untuk menghasilkan fungsi keputusan statis.
Suatu kategori yang benar, sebuah metode dalam kasus ini, untuk digunakan pada waktu berjalan. Manfaat utama dari pendekatan ini adalah bahwa proses pengambilan keputusan adalah topik yang dipelajari dengan baik di bidang teknik dan mesin pembelajaran sehingga bidang literatur sudah tersedia. Pohon-pohon keputusan ekstensif digunakan dalam pengakuan pola, desain CAD, pemrosesan sinyal, kedokteran, dan biologi (Murthy, 1998). Vuduc et al. (2004) membangun model pembelajaran statistik untuk membuat keputusan yang berbeda fungsi dari matriks-matriks pemilihan algoritma perkalian. Dalam pekerjaan ini mempertimbangkan tiga metode untuk konstruksi fungsi keputusan: pemodelan parametrik; parametrik pemodelan geometri; dan non-parametrik pemodelan geometri. Pemodelan geometri non-parametrik menggunakan metode pembelajaran statistik untuk membangun model implisit dari batas-batas antara algoritma berdasarkan data eksperimental aktual. Untuk mencapai hal ini, Vuduc et al. (2004) menggunakan metode support vector Secara konseptual, pekerjaan yang diberikan dalam penelitian ini dekat dengan geometri non-parametrik, pekerjaan pemodelan dilakukan oleh Vuduc dkk. Namun, domain masalah berbeda: operasi MPI kolektif bukan matriks-matriks perkalian, dan menggunakan algoritma C4.5 bukan metode support vector. Untuk yang terbaik berdasarkan pengetahuan, satu-satunya kelompok yang telah mendekati proses tuning MPI kolektif dengan cara ini, algoritma C4.5. Algoritma C4.5 adalah algoritma klasifikasi pembelajaran yang diawasi yang digunakan untuk membangun pohon keputusan dari data (Quinlan, 1993). C4.5 dapat diterapkan pada data yang memenuhi persyaratan sebagai berikut:
- Atribut-nilai description: informasi tentang satu entri dalam data harus dijelaskan dalam istilah atribut. Nilai-nilai atribut dapat diskrit atau kontinu, dan dalam beberapa kasus, nilai atribut mungkin hilang atau dapat diabaikan; - kelas Predefined: data pelatihan harus dibagi dalam kelas atau kategori standar.
- Diskrit kelas: kelas harus jelas dipisahkan dan kasus pelatihan tunggal baik milik kelas atau tidak. C4.5 tidak dapat digunakan untuk memprediksi nilai-nilai kelas kontinyu seperti biaya transaksi;
- Data yang cukup: algoritma C4.5 menggunakan proses generalisasi induktif dengan mencari pola dalam data. Untuk pendekatan ini untuk bekerja, pola harus dibedakan dari kejadian acak. Apa yang merupakan jumlah data "cukup" tergantung pada satu set data tertentu dan atribut dan nilai-nilai kelas, tetapi secara umum, metode statistik yang digunakan dalam C4.5 untuk menghasilkan tes membutuhkan jumlah data cukup besar;
- Model klasifikasi logis: model klasifikasi yang dihasilkan harus direpresentasikan sebagai pohon keputusan dari salah satu atau seperangkat aturan produksi (Quinlan, 1993).
Operasi MPI kolektif dapat dikelompokkan menjadi empat kategori berdasarkan pola pertukaran data mereka: satu-ke-banyak, banyak-ke-satu, banyak-ke-banyak, dan "lain" (seperti Scan dan Exscan). Ini adalah wajar untuk mengharapkan bahwa kolektif yang sama memiliki fungsi keputusan serupa pada sistem yang sama. Penelitian ini menganalisis pohon keputusan yang dihasilkan dari data eksperimen dikumpulkan untuk broadcast dan mengurangi kolektif pada sistem. Implementasi dari kolektif ini adalah simetris: masing-masing memiliki Linear, Binomial, Biner, dan Pipeline berbasis implementasi. Broadcast mendukung algoritma Binary splitted yang kami tidak memiliki setara dalam Mengurangi implementasi, tapi diharapkan akan mampu C4.5 untuk menangani kasus ini dengan benar. Data pelatihan untuk percobaan ini berisi tiga atribut (nama komunikator, kolektif ukuran, dan ukuran pesan) dan set kelas yang telah ditentukan adalah sama seperti di kasus broadcast.
Tabel 3.1 memberikan informasi rinci tentang gabungan Broadcast dan pertimbangan untuk Mengurangi pohon keputusan. Artinya kinerja dari pohon gabungan untuk masing-masing kolektif kurang dari 2,5%
Tabel 3.1: Statistik untuk gabungan Broadcast dan pengurangan Command
Line
pohon keputusan Before Pruning After Pruning
Size Errors Size Errors Predicted Error -m 2 –c 25 239 137 (6.2%) 221 142 (6.2%) 12.6 % -m 6 –c 25 149 205 (9.0%) 115 220 (9.6%) 14.0 % -m 8 –c 25 127 225 (9.8%) 103 235 (10.3%) 14.4 % -m 20 –c 5 63 310 (13.6%) 55 316 (13.8%) 20.6 % -m 40 –c 25 33 392 (17.1%) 33 392 (17.1%) 19.6 %
Tabel 3.1: Statistik untuk gabungan Broadcast dan Mengurangi pohon keputusan sesuai dengan data yang disajikan. Ukuran mengacu pada jumlah node daun pada pohon. Kesalahan dalam hal kasus pelatihan kesalahan klasifikasi. Kumpulan data memiliki 2286 kasus
Hasil penelitian menunjukkan bahwa pohon keputusan C4.5 dapat digunakan untuk menghasilkan cukup dan sangat akurat keputusan fungsi: hasil kinerja berarti pada data kinerja yang ada berada di dalam kesalahan pengukuran untuk semua pohon yang dipertimbangkan. Misalnya, Broadcast Keputusan pohon dengan hanya 21 daun bisa mencapai hukuman kinerja rata-rata 2,08%. Selain itu, menggunakan pohon ini, hanya enam poin dalam communicator, ukuran pesan berkisar dari data yang diuji akan dikenakan lebih dari 50% kinerja.
pelatihan.
3.3.2 Penelitian dalam bidang kesehatan
Gupta et al., (2011) melakukan penelitian dalam diagnosa dan prognosa penyakit kanker payudara. Tujuan dari penelitian ini adalah untuk memprediksi penyakit kanker payudara yang ganas atau jinak. Dan untuk mengetahui apakah penyakit tersebut akan kambuh lagi atau tidak. Dengan demikian, kedua masalah terutama dalam lingkup masalah klasifikasi. Penelitian ini merangkum studi berbagai kajian dan artikel teknis pada diagnosis dan prognosis kanker payudara. Dalam penelitian ini disajikan ikhtisar penelitian saat ini sedang dilakukan dengan menggunakan teknik data mining algoritma C4.5 adalah teknik induksi pembelajaran pohon keputusan dengan dua teknik lainnya
diterapkan dalam penelitian ini untuk meningkatkan diagnosis dan prognosis kanker payudara
Sarvestan et al., (2010) memberikan perbandingan antara kemampuan berbagai jaringan saraf dalam diagnosa penyakit kanker payudara. Hasil pengujian menunjukkan bahwa jaringan saraf efektif untuk digunakan dalam diagnosa penyakit kanker payudara.
.
Anunciacao et al., (2010) mengeksplorasi penerapan pohon keputusan untuk mendeteksi kelompok penderita penyakit kanker payudara yang berisiko tinggi, menggunakan program aplikasi Weka. Hasil menunjukkan bahwa mungkin ditemukan hubungan statistik yang signifikan dengan penyakit kanker payudara dengan menurunkan pohon keputusan dan memilih daun terbaik.
Hasil Penelitian:
Penelitian ini memberikan kajian teknis dan berbagai review tentang diagnosis kanker payudara dan prognosis masalah dan mengeksplorasi bahwa teknis penambangan data menawarkan janji besar untuk menemukan pola-pola yang tersembunyi dalam data yang dapat membantu dokter dalam pengambilan keputusan
- Neural network (NN), pohon keputusan, regresi logistik, dan algoritma genetik digunakan untuk studi perbandingan dan akurasi dan nilai prediktif positif masing-masing algoritma digunakan sebagai indikator evaluasi.
.
- Akurasi Pohon keputusan 93,6% dan NN dengan 91,2% ditemukan lebih unggul dari regresi logistik dengan akurasi 89,2%.
- Keakuratan NN (88,8%) dan Jaringan Hybrid (87,2%) sangat mirip dan mereka berdua mengungguli Jaringan Bayesian. Mereka menemukan model Hibrid yang diusulkan juga dapat berguna untuk mengambil keputusan.
3.3.3 Penelitian dalam bidang Internet
Bermolen et al.,, (2008) melakukan penelitian penggunaan SVR (support vector regression) untuk prediksi link beban dengan menggunakan model Moving Average (MA) dan Auto Regresif (AR).
Hal ini cukup diterima dengan baik bahwa, sebagai akibat dari layanan jaringan dan evolusi aplikasi internet, lalu lintas jaringan menjadi semakin kompleks. Di satu sisi, transportasi jaringan ditantang oleh konvergensi saat ini tren suara/ video/ layanan data
pada semua jaringan IP, dan oleh fakta bahwa pengguna-mobilitas kemungkinan akan menerjemahkan ke layanan mobilitas juga. Di sisi lain, ledakan aplikasi internet telephon, televisi dan game menyiratkan bahwa kita mungkin dipaksa untuk berpikir ulang apa yang kita maksud oleh lalu lintas data. Selain itu, penggunaan luas dari aplikasi lapisan lapisan langsung diterjemahkan menjadi jauh lebih tinggi variabilitas dari lalu lintas data disuntikkan ke jaringan.
Dalam penelitian ini, mempertanyakan apakah variabilitas tersebut dapat diperkirakan secara efisien, dan jika demikian, dengan apa tingkat akurasinya. Teknik prediksi diawasi yang dipilih yaitu Support Vector Machines (SVM), satu set klasifikasi dan regresi teknik, diperkenalkan pada awal tahun sembilan puluhan [1], yang didasarkan dalam rangka pembelajaran teori statistik. Pada dasarnya, Support Vector Regression (SVR) menggunakan data pelatihan untuk membangun model prediksi yang bekerja dengan baik dalam situasi pembelajaran karena generalisasi untuk data tak terlihat dan setuju untuk online terus menerus dan pembelajaran adaptif, properti yang sangat diinginkan dalam lingkungan jaringan.
Awalnya terikat pada pengenalan konteks karakter optik, penggunaan SVM dengan cepat menyebar ke bidang lainnya, termasuk prediksi time series (Muller et al., 1999) dan, baru-baru ini, jaringan. Termotivasi dengan mendorong seperti hasilnya, penelitian ini fokus pada perkiraan beban link yang hanya didasarkan pada pengukuran masa lalu, menyusul pendekatan yang dikenal sebagai ''proses tertanam proses "Masalah ini sangat menarik dalam jaringan untuk kedua perencanaan kapasitas dan manajemen aplikasi (misalnya pengadaan bandwidth, masuk kontrol, memicu mekanisme backpressure, dan lain lain).
Meskipun pendekatan SVM cocok juga untuk rentang waktu lebih lama, yang lebih perhatian untuk kapasitas perencanaan, dalam makalah ini kita fokus pada estimasi beban variasi pada skala waktu pendek: mengadopsi pendekatan tangan untuk regresi SVM, mengevaluasi efektivitas SVR untuk perkiraan beban dengan menjelajahi link yang agak ekstensif dari parameter dan ruang desain. Tujuan penelitian adalah:
pertama, kita ingin mengevaluasi akurasi SVM dan ketahanan dan, kedua, kami ingin memberikan wawasan berguna tuning parameter SVM, aspek yang tidak selalu jelas dalam pekerjaan sebelumnya. Membandingkan kinerja dengan
yang dicapai dengan menggunakan Moving Average dan Auto-Regresif Model: hasil kami menunjukkan bahwa, meskipun sesuai baik dengan data aktual, SVR keuntungan dicapai selama metode prediksi yang sederhana tidak cukup untuk membenarkannya penyebaran untuk prediksi link yang load pada skala waktu pendek.
Namun, SVR mempunyai sejumlah aspek sangat positif aspek: misalnya, model SVR agak kuat untuk Parameter variasi, dan kompleksitas komputasi jauh dari yang mahal, yang membuat cocok untuk prediksi secara online. Selain itu, memverifikasi eksperimental bahwa kesalahan dihitung selama sampel berturut-turut adalah independen dan terdistribusi secara identik, yang memungkinkan evaluasi interval. Akhirnya, penelitian ini juga menyelidiki metode untuk memperpanjang cakrawala perkiraan menggunakan nilai yang diprakirakan sebagai masukan untuk prediksi baru: pendekatan ini SVR rekursif secara signifikan dapat memperpanjang cakrawala perkiraan yang dicapai dan melibatkan hanya sangat akurasi degradasi tebatas.
Teknik peramalan merencanakan untuk mengevaluasi penelitian ini jatuh di kelas SVM meskipun keberadaannya relatif singkat, literatur dari SVM sudah penuh sesak nafas. Pada saat yang sama, sementara penggunaan SVM untuk klasifikasi relatif lebih populer dalam penelitian jaringan, terutama dalam konteks anomali dan deteksi intrusi, penggunaan SVM untuk regresi sebagian besar belum diselidiki. Untuk pengetahuan yang terbaik, yang hanya bekerja mengeksplorasi penggunaan teknik SVR di bidang jaringan adalah. TCP throughput yang diprediksi pada path yang diberikan adalah objek, dimana perkiraan didasarkan pada kombinasi sifat jalan (seperti sebagai antrian penundaan dan bandwidth yang tersedia) dan pada kinerja dari file sebelum transfer juga. Penelitian menunjukkan bahwa ketika sifat jalan yang diketahui secara tepat (misalnya, ketika disediakan oleh oracle), SVR mampu memprediksi TCP throughput yang dalam 10% dari nilai aktual di 90% kasus yang mewakili peningkatan hampir 3 kali lipat dalam akurasi atas metode berbasis sejarah sebelumnya. Juga, dalam skenario yang lebih realistis dan menggunakan pengukuran kurang akurat sifat jalan (misalnya, dikumpulkan dengan cara probe aktif), prediksi dapat dibuat dalam 10% dari nilai yang sebenarnya hampir 50% dari waktu - yang masih merupakan peningkatan 60%, dengan selanjutnya jauh lebih rendah berdampak pada end-to-end
jalan. Berfokus pada prediksi latency ke alamat IP yang tidak diketahui, berdasarkan latency pengetahuan arah lain alamat IP yang sebelumnya dihubungi. Menggunakan sebagai fitur vektor input bit alamat IP (Berubah menjadi ruang input 32 dimensi, dimana setiap bit alamat sesuai dengan dimensi yang berbeda), menunjukkan bahwa kinerja estimasi dalam 30% dari nilai sebenarnya selama kurang lebih tiga perempat dari prediksi latency pada set data internet yang besar. Lebih rinci, regresi SVM pada acak yang besar dikumpulkan data set 30.000 (IP, latency) pasangan, menghasilkan prediksi berarti kesalahan 30 ms (25 ms) hanya menggunakan 6% (20%) dari sampel untuk pelatihan.
Dalam konteks regresi SVM, masalah peramalan nilai masa depan dari seri hanya didasarkan pada pengamatan sebelumnya dari fenomena yang sama dikenal sebagai ''Embedding proses ". Namun, penerapannya yang biasanya selain konteks jaringan ditargetkan domain, dan seri yang SVR telah berjalan sampai sekarang sangat jauh berbeda dari yang mewakili kedatangan paket proses pada antrian router: dengan demikian, tujuan penelitian adalah untuk menguji apakah SVR dapat membuktikan menjadi alat yang berguna juga untuk menghubungkan perkiraan beban.