Memahami MAE dan MAPE dengan Spreadsheet
MAE (Mean Absolute Error) adalah salah satu metode untuk mengukur seberapa akurat prediksi model dibandingkan dengan nilai sebenarnya. MAE menghitung rata-rata dari selisih absolut antara nilai aktual dan nilai prediksi. Ini adalah salah satu cara yang paling sederhana dan langsung untuk mengukur akurasi prediksi.
Cara Menghitung MAE:
- Hitung selisih absolut antara nilai aktual dan nilai prediksi untuk setiap data.
- Ambil rata-rata dari semua selisih absolut yang sudah dihitung.
Rumus MAE:
Di mana:
- yi adalah nilai aktual.
- y^i adalah nilai prediksi.
- n adalah jumlah data.
Contoh Penghitungan MAE
Misalkan kita memiliki data tentang diskon, penjualan real, diskon X, dan penjualan prediksi seperti berikut:
Langkah-langkah Menghitung MAE:
- Hitung Selisih Absolut antara Penjualan Real dan Penjualan Prediksi.
nilai absolut contohnya |20–19.69| = 0.31 , |39–39.74| = 0.74
kita cari nilai absolut dari penjualan real dan Penjualan prediksi. hasilnya di spreadsheet
2. Jumlahkan Semua Selisih Absolut, lalu di sum atau dijumlahkan semuanya, sesuai rumus ini
Hitung Rata-rata Selisih Absolut: Karena ada 9 data (n = 9), kita bagi jumlah total selisih dengan 9
MAE = 0.19 berarti rata-rata kesalahan prediksi adalah sekitar 0.19 unit. Dalam konteks ini, kesalahan prediksi rata-rata antara penjualan real dan penjualan prediksi adalah 0.19. MAE memberikan gambaran yang sederhana mengenai seberapa besar rata-rata kesalahan model dalam memprediksi penjualan. Nilai MAE yang lebih kecil menunjukkan bahwa prediksi model lebih akurat.
Lalu adalagi MAPE gimana cara hitungnya ? MAPE adalah Mean Absolute Percentage Error
Kita sudah mempunyai selisih absolut
Selanjutnya kita mencari Persentase Error dengan cara = (nilai absolut/ nilai aktual (penjualan real) * 100) sesuai rumus ini
dan hasilnya di spreadsheet =G2/B2*100
lalu semuanya di sum dijumlahkan total dan dibagi banyak nya n dalam hal ini 9 sesuai rumus mape kita
MAPE = 0.47% berarti bahwa kesalahan rata-rata model dalam bentuk persentase adalah sekitar 0.47%. Artinya, rata-rata kesalahan prediksi terhadap nilai aktual adalah sangat kecil, yang menunjukkan bahwa model prediksi cukup akurat.
Karena memang data dummy nya mudah dan hanya perkalian biasa, pendekatan ini dilakukan agar mudah dipahami gess. arigato.
