<\/p>\n
Salah satu metrik yang paling umum digunakan untuk mengukur keakuratan perkiraan model adalah MAPE<\/strong> , yang merupakan singkatan dari persentase kesalahan absolut rata-rata<\/strong> .<\/span><\/p>\n Rumus untuk menghitung MAPE adalah sebagai berikut:<\/span><\/p>\n MAPE<\/strong> = (1\/n) * \u03a3(|aktual \u2013 perkiraan| \/ |aktual|) * 100<\/span><\/p>\n Emas:<\/span><\/p>\n MAPE umum digunakan karena mudah diinterpretasikan dan dijelaskan. Misalnya nilai MAPE 8% berarti selisih rata-rata antara nilai prediksi dan nilai sebenarnya adalah 8%.<\/span><\/p>\n Salah satu pertanyaan paling umum yang ditanyakan orang saat menggunakan metrik ini adalah:<\/span><\/p>\n Berapa nilai bagus untuk MAPE?<\/strong><\/em><\/span><\/p>\n Jawaban yang kurang memuaskan: tergantung<\/strong> .<\/span><\/p>\n Jelasnya, semakin rendah nilai MAPE, semakin baik, tetapi tidak ada nilai khusus yang dapat disebut “baik” atau “buruk”. Hal ini tergantung pada beberapa faktor:<\/span><\/p>\n Mari kita telusuri kedua faktor ini secara mendalam.<\/span><\/p>\n Seringkali, perusahaan membuat perkiraan mengenai permintaan produk mereka dan kemudian menggunakan MAPE untuk mengukur keakuratan perkiraan tersebut.<\/span><\/p>\n Sayangnya, tidak ada nilai MAPE yang \u201cstandar\u201d karena dapat sangat bervariasi tergantung pada jenis usahanya.<\/span><\/p>\n Misalnya, perusahaan yang jarang mengubah harga kemungkinan besar akan memiliki permintaan yang stabil dan dapat diprediksi, artinya perusahaan tersebut mungkin memiliki model yang menghasilkan MAPE yang sangat rendah, mungkin kurang dari 3%.<\/span><\/p>\n Untuk bisnis lain yang terus-menerus menjalankan promosi dan penawaran khusus, permintaan mereka akan sangat bervariasi dari waktu ke waktu sehingga model perkiraan kemungkinan akan lebih sulit memprediksi permintaan secara akurat, yang berarti model tersebut mungkin memiliki nilai MAPE yang lebih tinggi.<\/span><\/p>\n Anda harus sangat skeptis terhadap “standar industri” untuk MAPE.<\/span><\/p>\n Daripada mencoba membandingkan MAPE model Anda dengan nilai “baik” yang berubah-ubah, Anda sebaiknya membandingkannya dengan MAPE model perkiraan sederhana.<\/span><\/p>\n Ada dua model peramalan sederhana yang terkenal:<\/span><\/p>\n 1. Metode ramalan rata-rata.<\/strong><\/span><\/p>\n Model peramalan jenis ini hanya memprediksikan bahwa nilai periode mendatang berikutnya akan menjadi rata-rata seluruh periode sebelumnya. Meskipun metode ini tampak terlalu sederhana, namun dalam praktiknya cenderung memberikan hasil yang baik.<\/span><\/p>\n 2. Metode peramalan yang naif.<\/b><\/span><\/p>\n Model peramalan jenis ini memperkirakan bahwa nilai periode mendatang berikutnya akan sama dengan periode sebelumnya. Sekali lagi, meskipun metode ini cukup sederhana, namun hasilnya cenderung bekerja dengan baik.<\/span><\/p>\n Saat mengembangkan model peramalan baru, Anda harus membandingkan MAPE model tersebut dengan MAPE dari dua metode peramalan sederhana ini.<\/span><\/p>\n Jika MAPE model baru Anda tidak jauh lebih baik daripada kedua metode ini, Anda sebaiknya tidak menganggapnya berguna.<\/span><\/p>\n Meskipun MAPE digunakan secara luas dan mudah diinterpretasikan, ada beberapa potensi kelemahan dalam penggunaannya:<\/span><\/p>\n 1.<\/strong> Karena rumus menghitung persentase kesalahan absolut adalah |perkiraan aktual| \/ |nyata| ini berarti tidak akan disetel jika salah satu nilai sebenarnya adalah nol.<\/span><\/p>\n 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.<\/span><\/p>\n Alternatif potensial untuk MAPE mencakup deviasi absolut rata-rata dan kesalahan kuadrat rata-rata.<\/span><\/p>\n Cara Menghitung MAPE di Excel<\/a> Salah satu metrik yang paling umum digunakan untuk mengukur keakuratan perkiraan model adalah MAPE , yang merupakan singkatan dari persentase kesalahan absolut rata-rata . Rumus untuk menghitung MAPE adalah sebagai berikut: MAPE = (1\/n) * \u03a3(|aktual \u2013 perkiraan| \/ |aktual|) * 100 Emas: \u03a3 \u2013 simbol mewah yang berarti \u201cjumlah\u201d n \u2013 ukuran sampel nyata […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
\n
MAPE bervariasi berdasarkan industri<\/strong><\/span><\/h3>\n
Bandingkan MAPE dengan model peramalan sederhana<\/strong><\/span><\/h3>\n
Pikiran Terakhir<\/strong><\/span><\/h3>\n
Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara menghitung MAPE di R<\/a>
Cara menghitung MAPE dengan Python<\/a>
Apa yang dianggap sebagai nilai RMSE yang baik?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"