Cara menghitung mape dengan python

Rata-rata persentase kesalahan absolut (MAPE) biasanya digunakan untuk mengukur akurasi prediksi model. Ini dihitung sebagai berikut:

MAPE = (1/n) * Σ(|aktual – prediksi| / |aktual|) * 100

Emas:

• Σ – simbol yang berarti “jumlah”
• n – ukuran sampel
• nyata – nilai sebenarnya dari data
• prediksi – nilai data yang diprediksi

MAPE umum digunakan karena mudah diinterpretasikan dan dijelaskan. Misalnya nilai MAPE sebesar 11,5% berarti selisih rata-rata antara nilai prediksi dengan nilai sebenarnya adalah 11,5%.

Semakin rendah nilai MAPE, semakin baik model dalam memprediksi nilai. Misalnya model dengan MAPE 5% lebih akurat dibandingkan model dengan MAPE 10%.

Cara menghitung MAPE dengan Python

Tidak ada fungsi bawaan Python untuk menghitung MAPE, namun kita dapat membuat fungsi sederhana untuk melakukannya:

 import numpy as np

def mape( actual , pred ): 
    actual, pred = np.array(actual), np.array(pred)
    return np.mean(np.abs((actual - pred) / actual)) * 100

Kita kemudian dapat menggunakan fungsi ini untuk menghitung MAPE untuk dua tabel: satu yang berisi nilai data aktual dan satu lagi yang berisi nilai data prediksi.

 actual = [12, 13, 14, 15, 15,22, 27]
pred = [11, 13, 14, 14, 15, 16, 18]

map(actual, pred)

10.8009

Dari hasil tersebut terlihat rata-rata persentase error absolut model ini adalah 10,8009% . Dengan kata lain selisih rata-rata antara nilai prediksi dengan nilai sebenarnya adalah sebesar 10,8009%.

Tindakan pencegahan untuk menggunakan MAPE

Meskipun MAPE mudah untuk dihitung dan diinterpretasikan, penggunaannya memiliki dua potensi kelemahan:

1. Karena rumus menghitung persentase kesalahan absolut adalah |prediksi aktual| / |nyata| ini berarti MAPE tidak akan terdefinisi jika salah satu nilai sebenarnya adalah nol.

2. MAPE tidak boleh digunakan dengan data bervolume rendah. Misalnya, jika permintaan aktual suatu barang adalah 2 dan perkiraannya adalah 1, nilai persentase kesalahan absolutnya adalah |2-1| / |2| = 50%, yang membuat kesalahan perkiraan tampak cukup tinggi, meskipun perkiraan hanya meleset 1 satuan.