Contoh cara menghitung mad mse mape – Memprediksi masa depan, baik dalam bisnis, keuangan, atau ilmu data, seringkali menjadi tantangan. Bagaimana kita bisa tahu seberapa akurat prediksi kita? Di sinilah MAD, MSE, dan MAPE hadir sebagai alat ukur yang penting. Ketiga metrik ini membantu kita dalam menilai seberapa jauh prediksi kita menyimpang dari data aktual, sehingga kita dapat meningkatkan akurasi prediksi di masa mendatang.
Dalam artikel ini, kita akan menjelajahi definisi, rumus, dan cara menghitung MAD, MSE, dan MAPE. Kita juga akan membahas contoh penerapannya dalam dunia nyata dan kelebihan serta kekurangan masing-masing metrik. Yuk, simak penjelasan lengkapnya!
Pengertian MAD, MSE, dan MAPE
Dalam dunia analisis data, khususnya pada pemodelan prediksi, penting untuk mengevaluasi performa model dengan cara mengukur seberapa akurat prediksi yang dihasilkan. Salah satu cara yang umum digunakan adalah dengan menggunakan metrik kesalahan. Metrik kesalahan ini membantu kita dalam memahami seberapa besar selisih antara prediksi model dengan data aktual. Beberapa metrik kesalahan yang populer dan sering digunakan adalah MAD (Mean Absolute Deviation), MSE (Mean Squared Error), dan MAPE (Mean Absolute Percentage Error). Ketiga metrik ini memiliki karakteristik dan keunggulan masing-masing, yang membuatnya cocok digunakan dalam berbagai situasi dan tujuan.
Pengertian MAD (Mean Absolute Deviation), Contoh cara menghitung mad mse mape
MAD (Mean Absolute Deviation) adalah metrik kesalahan yang mengukur rata-rata selisih absolut antara nilai prediksi dan nilai aktual. Selisih absolut di sini berarti nilai selisih selalu positif, tanpa mempertimbangkan tanda positif atau negatif. MAD menunjukkan seberapa besar kesalahan prediksi secara rata-rata, tanpa memprioritaskan kesalahan yang besar atau kecil.
Rumus MAD: MAD = Σ |(Yt – Yp)| / n
Dimana:
- Yt = Nilai aktual
- Yp = Nilai prediksi
- n = Jumlah data
MAD memiliki keunggulan karena mudah dipahami dan diinterpretasikan. Nilai MAD yang rendah menunjukkan bahwa model prediksi menghasilkan prediksi yang lebih akurat, sementara nilai MAD yang tinggi menunjukkan bahwa model prediksi menghasilkan prediksi yang kurang akurat.
Pengertian MSE (Mean Squared Error)
MSE (Mean Squared Error) adalah metrik kesalahan yang mengukur rata-rata kuadrat selisih antara nilai prediksi dan nilai aktual. Kuadrat selisih ini memiliki tujuan untuk memberikan bobot yang lebih besar pada kesalahan yang besar, sehingga MSE lebih sensitif terhadap kesalahan yang besar.
Rumus MSE: MSE = Σ (Yt – Yp)2 / n
Dimana:
- Yt = Nilai aktual
- Yp = Nilai prediksi
- n = Jumlah data
MSE memiliki keunggulan karena lebih sensitif terhadap kesalahan yang besar dibandingkan dengan MAD. Hal ini membuat MSE cocok digunakan ketika kesalahan yang besar memiliki dampak yang lebih signifikan. Namun, MSE juga memiliki kelemahan karena unitnya berbeda dengan unit data asli, sehingga sulit untuk diinterpretasikan secara langsung.
Pengertian MAPE (Mean Absolute Percentage Error)
MAPE (Mean Absolute Percentage Error) adalah metrik kesalahan yang mengukur rata-rata persentase selisih absolut antara nilai prediksi dan nilai aktual. MAPE menunjukkan seberapa besar kesalahan prediksi secara rata-rata dalam bentuk persentase, sehingga lebih mudah diinterpretasikan dibandingkan dengan MSE.
Rumus MAPE: MAPE = Σ |(Yt – Yp) / Yt| * 100 / n
Dimana:
- Yt = Nilai aktual
- Yp = Nilai prediksi
- n = Jumlah data
MAPE memiliki keunggulan karena mudah diinterpretasikan dan memberikan gambaran yang lebih jelas tentang seberapa besar kesalahan prediksi dalam bentuk persentase. Namun, MAPE memiliki kelemahan karena tidak dapat digunakan jika terdapat nilai aktual yang sama dengan nol.
Perbandingan MAD, MSE, dan MAPE
| Metrik | Pengertian | Rumus | Keunggulan |
|---|---|---|---|
| MAD | Rata-rata selisih absolut antara nilai prediksi dan nilai aktual. | MAD = Σ |(Yt – Yp)| / n | Mudah dipahami dan diinterpretasikan. |
| MSE | Rata-rata kuadrat selisih antara nilai prediksi dan nilai aktual. | MSE = Σ (Yt – Yp)2 / n | Lebih sensitif terhadap kesalahan yang besar. |
| MAPE | Rata-rata persentase selisih absolut antara nilai prediksi dan nilai aktual. | MAPE = Σ |(Yt – Yp) / Yt| * 100 / n | Mudah diinterpretasikan dan memberikan gambaran yang lebih jelas tentang seberapa besar kesalahan prediksi dalam bentuk persentase. |
Rumus Perhitungan
Setelah memahami pengertian dan kegunaan MAD, MSE, dan MAPE, langkah selanjutnya adalah mengetahui bagaimana menghitungnya. Ketiga metrik ini menggunakan rumus yang berbeda untuk mengukur kesalahan prediksi.
MAD (Mean Absolute Deviation)
MAD mengukur rata-rata selisih absolut antara nilai aktual dan nilai prediksi. Rumus MAD adalah:
MAD = Σ |Yi – Ŷi| / n
- Yi: Nilai aktual pada periode i
- Ŷi: Nilai prediksi pada periode i
- n: Jumlah periode
MSE (Mean Squared Error)
MSE mengukur rata-rata kuadrat selisih antara nilai aktual dan nilai prediksi. Rumus MSE adalah:
MSE = Σ (Yi – Ŷi)2 / n
- Yi: Nilai aktual pada periode i
- Ŷi: Nilai prediksi pada periode i
- n: Jumlah periode
MAPE (Mean Absolute Percentage Error)
MAPE mengukur rata-rata persentase selisih absolut antara nilai aktual dan nilai prediksi. Rumus MAPE adalah:
MAPE = Σ (|Yi – Ŷi| / Yi) * 100 / n
- Yi: Nilai aktual pada periode i
- Ŷi: Nilai prediksi pada periode i
- n: Jumlah periode
Contoh Perhitungan: Contoh Cara Menghitung Mad Mse Mape
Untuk memahami bagaimana MAD, MSE, dan MAPE digunakan dalam praktik, mari kita lihat contoh perhitungannya. Bayangkan Anda adalah seorang analis pasar yang mencoba memprediksi penjualan produk baru. Anda memiliki data penjualan aktual selama beberapa minggu terakhir dan juga prediksi penjualan Anda untuk minggu-minggu tersebut.
Contoh Data
Berikut adalah tabel yang menunjukkan data aktual dan prediksi penjualan:
| Minggu | Penjualan Aktual | Prediksi Penjualan |
|---|---|---|
| 1 | 100 | 95 |
| 2 | 120 | 110 |
| 3 | 130 | 125 |
| 4 | 140 | 135 |
| 5 | 150 | 145 |
Perhitungan MAD, MSE, dan MAPE
Mari kita hitung MAD, MSE, dan MAPE berdasarkan data contoh ini.
- MAD (Mean Absolute Deviation)
- MSE (Mean Squared Error)
- MAPE (Mean Absolute Percentage Error)
MAD dihitung dengan menghitung rata-rata selisih absolut antara nilai aktual dan nilai prediksi.
MAD = Σ|Aktual – Prediksi| / n
Dalam contoh kita, MAD adalah:
MAD = (|100-95| + |120-110| + |130-125| + |140-135| + |150-145|) / 5 = 5
MSE dihitung dengan menghitung rata-rata kuadrat selisih antara nilai aktual dan nilai prediksi.
MSE = Σ(Aktual – Prediksi)² / n
Dalam contoh kita, MSE adalah:
MSE = ((100-95)² + (120-110)² + (130-125)² + (140-135)² + (150-145)²) / 5 = 25
MAPE dihitung dengan menghitung rata-rata persentase selisih absolut antara nilai aktual dan nilai prediksi.
MAPE = (Σ|Aktual – Prediksi| / Aktual) / n * 100%
Dalam contoh kita, MAPE adalah:
MAPE = ((|100-95| / 100) + (|120-110| / 120) + (|130-125| / 130) + (|140-135| / 140) + (|150-145| / 150)) / 5 * 100% = 4.17%
Interpretasi Hasil
Berdasarkan perhitungan di atas, kita dapat menginterpretasikan hasil sebagai berikut:
- MAD: Rata-rata kesalahan absolut dalam prediksi penjualan adalah 5 unit. Ini berarti bahwa, secara rata-rata, prediksi kita meleset dari nilai aktual sebesar 5 unit.
- MSE: Rata-rata kuadrat kesalahan dalam prediksi penjualan adalah 25. MSE lebih sensitif terhadap kesalahan besar dibandingkan dengan MAD. Dalam kasus ini, MSE menunjukkan bahwa ada kesalahan yang cukup signifikan dalam beberapa prediksi.
- MAPE: Rata-rata persentase kesalahan absolut dalam prediksi penjualan adalah 4.17%. Ini berarti bahwa, secara rata-rata, prediksi kita meleset dari nilai aktual sebesar 4.17%. MAPE memberikan perspektif tentang kesalahan relatif terhadap nilai aktual.
Penerapan dalam Dunia Nyata
MAD, MSE, dan MAPE merupakan metrik yang sangat berguna dalam berbagai bidang, membantu dalam mengukur dan memahami tingkat akurasi prediksi. Ketiga metrik ini dapat diterapkan dalam berbagai skenario untuk memberikan wawasan berharga tentang kinerja model prediksi.
Penerapan dalam Bidang Bisnis
Dalam bidang bisnis, MAD, MSE, dan MAPE sangat penting untuk mengukur akurasi prediksi penjualan, permintaan, dan inventaris.
- Prediksi Penjualan: MAD, MSE, dan MAPE dapat membantu bisnis untuk mengukur akurasi prediksi penjualan mereka, yang dapat digunakan untuk merencanakan produksi, inventaris, dan strategi pemasaran.
- Prediksi Permintaan: Bisnis dapat menggunakan metrik ini untuk memprediksi permintaan produk mereka, membantu dalam mengoptimalkan rantai pasokan, mengelola inventaris, dan menghindari kekurangan atau kelebihan stok.
- Prediksi Inventaris: MAD, MSE, dan MAPE dapat membantu dalam mengukur akurasi prediksi inventaris, yang dapat digunakan untuk mengoptimalkan penyimpanan, mengurangi biaya, dan meningkatkan efisiensi.
Penerapan dalam Bidang Keuangan
Dalam bidang keuangan, MAD, MSE, dan MAPE dapat digunakan untuk mengukur akurasi prediksi harga saham, nilai aset, dan kinerja portofolio investasi.
- Prediksi Harga Saham: Metrik ini dapat membantu investor dalam mengukur akurasi prediksi harga saham, yang dapat digunakan untuk membuat keputusan investasi yang lebih tepat.
- Prediksi Nilai Aset: MAD, MSE, dan MAPE dapat membantu dalam mengukur akurasi prediksi nilai aset, yang dapat digunakan untuk mengelola risiko dan membuat keputusan investasi yang lebih baik.
- Prediksi Kinerja Portofolio Investasi: Metrik ini dapat membantu investor dalam mengukur akurasi prediksi kinerja portofolio investasi mereka, yang dapat digunakan untuk mengoptimalkan alokasi aset dan meningkatkan pengembalian.
Penerapan dalam Bidang Ilmu Data
Dalam bidang ilmu data, MAD, MSE, dan MAPE digunakan secara luas untuk mengevaluasi kinerja model prediksi, termasuk model regresi, klasifikasi, dan time series.
- Evaluasi Model Regresi: Metrik ini dapat membantu dalam mengukur akurasi model regresi, yang dapat digunakan untuk memprediksi variabel dependen berdasarkan variabel independen.
- Evaluasi Model Klasifikasi: MAD, MSE, dan MAPE dapat digunakan untuk mengukur akurasi model klasifikasi, yang dapat digunakan untuk mengklasifikasikan data ke dalam kategori yang berbeda.
- Evaluasi Model Time Series: Metrik ini dapat membantu dalam mengukur akurasi model time series, yang dapat digunakan untuk memprediksi nilai masa depan berdasarkan data historis.
Sebagai contoh, perusahaan ritel online dapat menggunakan MAD, MSE, dan MAPE untuk mengukur akurasi prediksi penjualan produk mereka. Dengan menganalisis data penjualan historis dan faktor-faktor lain seperti tren musiman, perusahaan dapat membangun model prediksi yang akurat. Kemudian, mereka dapat menggunakan MAD, MSE, dan MAPE untuk mengevaluasi kinerja model tersebut dan mengidentifikasi area yang perlu ditingkatkan. Jika model prediksi menunjukkan kesalahan yang tinggi, perusahaan dapat menyesuaikan model atau mengumpulkan data tambahan untuk meningkatkan akurasinya. Informasi ini dapat membantu perusahaan untuk mengoptimalkan inventaris, strategi pemasaran, dan keputusan operasional lainnya, sehingga meningkatkan profitabilitas mereka.
Terakhir
Dengan memahami dan menerapkan MAD, MSE, dan MAPE, kita dapat meningkatkan kualitas prediksi dan membuat keputusan yang lebih tepat berdasarkan data. Ketiga metrik ini memberikan perspektif yang berbeda dalam menilai akurasi prediksi, sehingga penting untuk memilih metrik yang sesuai dengan kebutuhan dan tujuan analisis.
