Penelitian ini membahas perbandingan antara Support Vector Machine (SVM) dan Relevance Vector Machine (RVM) dalam konteks masalah klasifikasi. SVM merupakan algoritma pembelajaran mesin yang bekerja dengan mencari hyperplane yang memaksimalkan margin antara dua kelas data, sementara RVM menggunakan pendekatan Bayesian untuk menghasilkan model yang lebih jarang (sparse) dengan hanya beberapa relevance vectors. Relevance vectors adalah titik data dalam model RVM yang dipilih melalui proses pembelajaran Bayesian untuk membentuk model prediksi yang jarang dan efisien, mirip dengan Support vectors pada SVM namun dipilih berdasarkan kerangka probabilistik. Penelitian ini bertujuan untuk memberikan pemahaman mendalam tentang kedua algoritma ini, termasuk penurunan matematikanya, serta mengkaji kinerja dan efisiensi masing-masing metode. Melalui serangkaian simulasi pada berbagai dataset, penelitian ini menemukan bahwa RVM cenderung menghasilkan akurasi prediksi yang lebih baik dibandingkan SVM pada kebanyakan kernel yang digunakan, kecuali pada kernel radial basis function (RBF). Selain itu, jumlah vector yang dihasilkan oleh RVM relatif lebih sedikit dibandingkan dengan SVM, menunjukkan bahwa RVM lebih efisien dalam hal penggunaan sumber daya. Namun, proses pencocokkan model RVM lebih lambat dibandingkan dengan SVM karena pendekatan Bayesian yang memerlukan iterasi untuk mencari relevance vectors. Hasil penelitian ini menunjukkan bahwa meskipun RVM kurang populer dibandingkan SVM, ia memiliki keunggulan dalam menghasilkan model yang lebih jarang dan efisien, serta akurasi yang lebih baik dalam beberapa kasus. Oleh karena itu, RVM memiliki potensi besar untuk diterapkan dalam berbagai bidang, termasuk dunia medis di mana interpretasi probabilistik dan efisiensi komputasi sangat penting.