Pendahuluan
Dalam dunia data science dan machine learning, evaluasi model prediksi merupakan langkah krusial untuk menentukan performa model yang telah dibangun. Salah satu aspek penting dalam evaluasi adalah memilih metrik yang tepat untuk mengukur kesalahan prediksi. Metrik yang umum digunakan adalah Mean Absolute Deviation (MAD), Mean Squared Error (MSE), dan Mean Absolute Percentage Error (MAPE).
Artikel ini akan membahas secara komprehensif tentang ketiga metrik tersebut, mulai dari definisi, rumus, cara menghitung, hingga interpretasi hasil. Dengan memahami konsep dan cara penggunaan ketiga metrik ini, Anda akan mampu memilih metrik yang paling sesuai dengan kebutuhan dan mengevaluasi kinerja model prediksi Anda secara lebih efektif.
Mean Absolute Deviation (MAD)
Definisi
MAD merupakan metrik yang mengukur rata-rata selisih absolut antara nilai prediksi dan nilai sebenarnya. Metrik ini sensitif terhadap outlier dan memberikan gambaran yang lebih jelas tentang seberapa jauh prediksi Anda meleset dari nilai sebenarnya.
Rumus
MAD = Σ|Yt - Y^t| / n
- Yt: Nilai sebenarnya pada periode t
- Y^t: Nilai prediksi pada periode t
- n: Jumlah periode
Cara Menghitung
Berikut adalah langkah-langkah menghitung MAD:
- Hitung selisih absolut antara nilai prediksi dan nilai sebenarnya untuk setiap periode.
- Jumlahkan seluruh selisih absolut.
- Bagi jumlah selisih absolut dengan jumlah periode.
Contoh Perhitungan
Misalkan Anda memiliki data berikut:
| Periode | Nilai Sebenarnya (Yt) | Nilai Prediksi (Y^t) |
|---|---|---|
| 1 | 10 | 12 |
| 2 | 15 | 14 |
| 3 | 20 | 18 |
| 4 | 25 | 22 |
Langkah perhitungan MAD:
-
Hitung selisih absolut:
- Periode 1: |10 - 12| = 2
- Periode 2: |15 - 14| = 1
- Periode 3: |20 - 18| = 2
- Periode 4: |25 - 22| = 3
-
Jumlahkan selisih absolut: 2 + 1 + 2 + 3 = 8
-
Bagi jumlah selisih absolut dengan jumlah periode: 8 / 4 = 2
Jadi, MAD untuk data tersebut adalah 2.
Interpretasi
Nilai MAD yang rendah menunjukkan bahwa prediksi Anda lebih akurat, sedangkan nilai MAD yang tinggi menunjukkan bahwa prediksi Anda lebih jauh meleset dari nilai sebenarnya.
Mean Squared Error (MSE)
Definisi
MSE merupakan metrik yang mengukur rata-rata kuadrat selisih antara nilai prediksi dan nilai sebenarnya. Metrik ini lebih sensitif terhadap outlier dibandingkan dengan MAD, karena selisih kuadrat akan memperbesar dampak outlier. MSE sering digunakan dalam optimasi model, karena nilai MSE yang rendah menunjukkan model yang lebih baik.
Rumus
MSE = Σ(Yt - Y^t)^2 / n
- Yt: Nilai sebenarnya pada periode t
- Y^t: Nilai prediksi pada periode t
- n: Jumlah periode
Cara Menghitung
Berikut adalah langkah-langkah menghitung MSE:
- Hitung selisih kuadrat antara nilai prediksi dan nilai sebenarnya untuk setiap periode.
- Jumlahkan seluruh selisih kuadrat.
- Bagi jumlah selisih kuadrat dengan jumlah periode.
Contoh Perhitungan
Menggunakan data yang sama dengan contoh MAD:
-
Hitung selisih kuadrat:
- Periode 1: (10 - 12)^2 = 4
- Periode 2: (15 - 14)^2 = 1
- Periode 3: (20 - 18)^2 = 4
- Periode 4: (25 - 22)^2 = 9
-
Jumlahkan selisih kuadrat: 4 + 1 + 4 + 9 = 18
-
Bagi jumlah selisih kuadrat dengan jumlah periode: 18 / 4 = 4.5
Jadi, MSE untuk data tersebut adalah 4.5.
Interpretasi
Nilai MSE yang rendah menunjukkan bahwa prediksi Anda lebih akurat, sedangkan nilai MSE yang tinggi menunjukkan bahwa prediksi Anda lebih jauh meleset dari nilai sebenarnya. Karena MSE menggunakan kuadrat dari selisih, metrik ini lebih sensitif terhadap outlier dibandingkan dengan MAD.
Mean Absolute Percentage Error (MAPE)
Definisi
MAPE merupakan metrik yang mengukur rata-rata persentase selisih absolut antara nilai prediksi dan nilai sebenarnya. Metrik ini memberikan gambaran yang lebih mudah dipahami tentang akurasi model, karena hasilnya dalam bentuk persentase.
Rumus
MAPE = Σ(|Yt - Y^t| / Yt) * 100 / n
- Yt: Nilai sebenarnya pada periode t
- Y^t: Nilai prediksi pada periode t
- n: Jumlah periode
Cara Menghitung
Berikut adalah langkah-langkah menghitung MAPE:
- Hitung selisih absolut antara nilai prediksi dan nilai sebenarnya untuk setiap periode.
- Bagi selisih absolut dengan nilai sebenarnya untuk setiap periode.
- Kalikan hasil pembagian dengan 100 untuk mendapatkan persentase.
- Jumlahkan seluruh persentase.
- Bagi jumlah persentase dengan jumlah periode.
Contoh Perhitungan
Menggunakan data yang sama dengan contoh MAD dan MSE:
-
Hitung selisih absolut:
- Periode 1: |10 - 12| = 2
- Periode 2: |15 - 14| = 1
- Periode 3: |20 - 18| = 2
- Periode 4: |25 - 22| = 3
-
Bagi selisih absolut dengan nilai sebenarnya:
- Periode 1: 2 / 10 = 0.2
- Periode 2: 1 / 15 = 0.067
- Periode 3: 2 / 20 = 0.1
- Periode 4: 3 / 25 = 0.12
-
Kalikan dengan 100:
- Periode 1: 0.2 * 100 = 20%
- Periode 2: 0.067 * 100 = 6.7%
- Periode 3: 0.1 * 100 = 10%
- Periode 4: 0.12 * 100 = 12%
-
Jumlahkan persentase: 20% + 6.7% + 10% + 12% = 48.7%
-
Bagi jumlah persentase dengan jumlah periode: 48.7% / 4 = 12.175%
Jadi, MAPE untuk data tersebut adalah 12.175%.
Interpretasi
Nilai MAPE yang rendah menunjukkan bahwa prediksi Anda lebih akurat, sedangkan nilai MAPE yang tinggi menunjukkan bahwa prediksi Anda lebih jauh meleset dari nilai sebenarnya. Nilai MAPE biasanya dinyatakan dalam persentase, sehingga lebih mudah diinterpretasikan.
Kesimpulan
MAD, MSE, dan MAPE adalah metrik penting yang digunakan untuk mengukur kesalahan prediksi model. Setiap metrik memiliki karakteristik dan kegunaan yang berbeda. Pemilihan metrik yang tepat tergantung pada jenis data, tujuan model, dan sensitivitas terhadap outlier. Dengan memahami ketiga metrik ini, Anda akan mampu memilih metrik yang paling sesuai untuk evaluasi model prediksi Anda.