Support Vector Machine (SVM) merupakan yang dikembangkan oleh Vapnik, dan kemudian
disempurnakan oleh Platt dengan teknik Sequential Minimum Optimization (SMO) menjadi algoritma
pembelajaran mesin yang sering digunakan karena keandalannya. Walaupun algoritma ini handal
algoitma ia mempunyai kekurangan yaitu lamanya waktu yang digunakan untuk menyelesaikan tahap
training. Salah satu cara metode yang digunakan untuk mengatasi permasalahan tersebut ialah dengan
melakukan dekomposisi SMO pada training SVM. RR Prasojoe telah melakukan uji konsep tersebut pada
data set microarray kanker. Ia berhasil mendapatkan speed-up 5.7 kali lebih cepat. Cara lainnya ialah
dengan mengiimplementasikan SVM pada perangkat GPU. Namun ketika telah konsep tersebut
diimplementasikan pada perangkat GPU, terhadap data yang sama mengalami slow-down hingga 3.2 kali
lipat.