Anda mungkin sering mendengar istilah MAE (Mean Absolute Error) atau MAPE (Mean Absolute Percentage Error) dalam analisis data. Kedua pengukuran tersebut adalah metode umum yang digunakan untuk mengevaluasi kualitas model prediksi. Namun, sebelum membahas tentang kedua metode tersebut, ada baiknya Anda memahami definisi dasar dari ME (Mean Error).
Mean Error (ME)
Mean Error adalah rata-rata selisih antara nilai prediksi dengan nilai aktual. Ini adalah metode evaluasi sederhana yang digunakan untuk mengukur seberapa akurat model prediksi Anda dibandingkan dengan realitas. ME bisa positif atau negatif tergantung pada arah kesalahan. Jika ME positif, maka prediksinya terlalu tinggi dibandingkan dengan nilai aktual, sedangkan jika ME negatif, prediksinya terlalu rendah dibandingkan dengan nilai aktual.
Secara matematis, ME dapat dihitung menggunakan rumus berikut:
ME = (∑ (nilai prediksi – nilai aktual)) / jumlah data
Sebagai contoh, jika Anda memiliki tiga pengukuran nilai aktual dan prediksi: (10, 12), (15, 20), dan (20, 22), maka ME can dihitung sebagai berikut:
ME = ((12 – 10) + (20 – 15) + (22 – 20)) / 3 = 3/3 = 1
Dalam contoh ini, ME bernilai positif, yang berarti model prediksi secara keseluruhan cenderung memprediksi nilai yang terlalu tinggi.
Mean Absolute Error (MAE)
MAE adalah metode evaluasi yang lebih umum digunakan daripada ME. Ini juga mengukur kesalahan prediksi antara nilai aktual dan prediksi, tetapi dengan menggunakan nilai absolut dari selisih tersebut.
MAE menghitung kesalahan dengan cara menambahkan absolute error (selisih antara nilai aktual dan prediksi) dari setiap prediksi dan kemudian membagi hasilnya dengan jumlah total prediksi. Metode ini dapat menghasilkan nilai yang lebih bagus karena tidak tergantung pada arah kesalahan.
Secara matematis, rumus MAE adalah:
MAE = (∑ |nilai prediksi – nilai aktual|) / jumlah data
Kembali ke contoh kita sebelumnya, mari kita hitung MAE-nya:
MAE = ((|12 – 10|) + (|20 – 15|) + (|22 – 20|)) / 3 = (2+5+2) / 3 = 3
Dalam contoh ini, MAE bernilai 3, yang berarti secara rata-rata kesalahan prediksi hanya sebesar 3 satuan.
Cara Menghitung Mean Absolute Percentage Error Mape Dengan Excel
Mean Absolute Percentage Error (MAPE)
MAPE adalah metode evaluasi yang lainnya, tetapi menghitung persentase kesalahan prediksi daripada selisih nilai absolut atau absolut error.
MAPE menghitung kesalahan prediksi sebagai persentase dari nilai aktual, dan kemudian menghitung nilai rata-rata dari persentase kesalahan prediksi tersebut. Ini biasa digunakan ketika ingin mengetahui seberapa akurat model prediksi Anda dalam hal persentase.
MAPE = (∑ (|nilai prediksi – nilai aktual| / nilai aktual)) / jumlah data x 100%
Kembali ke contoh kita sebelumnya, nilai MAPE-nya adalah:
MAPE = ((|12 – 10| / 10) + (|20 – 15| / 15) + (|22 – 20| / 20)) / 3 x 100% = (0.2+0.33+0.1) / 3 x 100% = 21%
Dalam contoh ini, MAPE bernilai 21%, yang berarti model prediksi secara keseluruhan cenderung memprediksi nilai yang terlalu rendah dengan sekitar 21%.
Berdasarkan tiga metode evaluasi tersebut, Anda dapat menilai seberapa bagus (atau buruk) model prediksi Anda. Namun, penting juga untuk diingat bahwa tiap metode memiliki kelebihan dan kekurangan masing-masing. Anda perlu memilih metode yang paling cocok dengan data Anda.
Cara Menghitung MAE (Mean Absolute Error) di Excel dan R
Jika Anda bekerja dengan data dan menggunakan Excel atau R, Anda dapat menghitung MAE dengan mudah. Berikut adalah langkah-langkahnya:
Excel:
- Siapkan data Anda di dalam sebuah spreadsheet.
- Tentukan sel bulat di mana Anda ingin hasil perhitungan muncul.
- Ketik fungsi =AVERAGE(Abs(reference to prediksi – reference to aktual) di sel yang telah ditentukan.
- Tekan tombol enter.
Berikut adalah contoh penggunaan rumus di Excel:
Cara Menghitung MAE (Mean Absolute Error) di Excel dan R
R:
Di R, kita bisa menggunakan fungsi mean() dan abs() untuk menghitung MAE. Berikut adalah contoh penggunaannya:
data <- data.frame(actual=c(10,15,20), prediksi=c(12,20,22))
mae <- mean(abs(data$actual - data$prediksi))
print(mae)
Hasilnya akan mirip dengan hasil sebelumnya:
[1] 3
Sekarang Anda telah mempelajari cara menghitung ME, MAE, dan MAPE, dan juga cara menghitung MAE di Excel dan R. Selanjutnya, kami akan membahas beberapa pertanyaan umum tentang evaluasi model prediksi yang perlu Anda ketahui.
FAQ
1. Apa perbedaan antara ME, MAE, dan MAPE?
ME, atau Mean Error, adalah rata-rata selisih antara nilai prediksi dengan nilai aktual. MAE, atau Mean Absolute Error, menghitung kesalahan prediksi menggunakan nilai absolut dari selisih nilai aktual dengan prediksi, sementara MAPE, atau Mean Absolute Percentage Error, menghitung kesalahan prediksi sebagai persentase dari nilai aktual.
2. Apa yang dianggap margin of error yang “baik” ketika melakukan prediksi?
Hal ini tergantung pada konteks dan tujuan prediksi. Namun, sebaiknya margin of error yang lebih kecil adalah yang lebih baik, karena ini berarti model prediksi Anda memiliki kinerja yang lebih unggul. Namun, dalam beberapa kasus, margin of error yang lebih besar dapat diterima karena kompleksitas masalah yang dihadapi atau keterbatasan data.
Nah, itulah pengertian ME, MAE, dan MAPE, beserta langkah-langkah untuk menghitung MAE di Excel dan R. Semoga artikel ini dapat membantu Anda dalam memahami evaluasi model prediksi, dan membantu Anda memilih metode yang paling cocok untuk data Anda. Selamat berhitung!
