Perbedaan MAE, MSE, RMSE, dan MAPE pada Data Science

Data Science merupakan bidang yang terus berkembang dan semakin menjadi perhatian banyak orang. Salah satu aspek yang penting dalam data science adalah evaluasi performa model.

Evaluasi performa model merupakan salah satu aspek penting dalam membangun model prediktif.

Beberapa evaluasi performa model yang umum digunakan di antaranya Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), dan Mean Absolute Percentage Error (MAPE).

Pada artikel ini, kita akan membahas pengertian dan perbedaan dari keempat alat evaluasi performa model tersebut.

Daftar Isi

Jenis-jenis Evaluasi Performa Model pada Data Science

1. Mean Absolute Error (MAE)

MAE adalah salah satu metode evaluasi yang umum digunakan dalam data science. MAE menghitung rata-rata dari selisih absolut antara nilai prediksi dan nilai aktual.

Dengan kata lain, MAE menghitung berapa rata-rata kesalahan absolut dalam prediksi. Semakin kecil nilai MAE, semakin baik kualitas model tersebut.

Rumus MAE:

MAE = (1/n) * Σ|i=1|^n |y_i - ŷ_i|

Di mana:

• n adalah jumlah sampel dalam data
• y_i adalah nilai aktual
• ŷ_i adalah nilai prediksi

2. Mean Squared Error (MSE)

MSE adalah metode evaluasi lain yang digunakan dalam data science. MSE menghitung rata-rata dari selisih kuadrat antara nilai prediksi dan nilai aktual.

Dengan kata lain, MSE menghitung berapa rata-rata kesalahan kuadrat dalam prediksi. Semakin kecil nilai MSE, semakin baik kualitas model tersebut.

Rumus MSE:

MSE = (1/n) * Σ|i=1|^n (y_i - ŷ_i)^2

Di mana:

• n adalah jumlah sampel dalam data
• y_i adalah nilai aktual
• ŷ_i adalah nilai prediksi

3. Root Mean Squared Error (RMSE)

RMSE adalah turunan dari MSE. Seperti namanya, RMSE adalah akar kuadrat dari MSE.

RMSE menghitung rata-rata dari selisih kuadrat antara nilai prediksi dan nilai aktual kemudian diambil akar kuadratnya. Semakin kecil nilai RMSE, semakin baik kualitas model tersebut.

Rumus RMSE:

RMSE = sqrt((1/n) * Σ|i=1|^n (y_i - ŷ_i)^2)

Di mana:

• n adalah jumlah sampel dalam data
• y_i adalah nilai aktual
• ŷ_i adalah nilai prediksi

4. Mean Absolute Percentage Error (MAPE)

MAPE adalah metode evaluasi lain yang digunakan dalam data science. MAPE menghitung rata-rata dari selisih persentase antara nilai prediksi dan nilai aktual.

Dengan kata lain, MAPE menghitung berapa rata-rata kesalahan dalam prediksi sebagai persentase dari nilai aktual. Semakin kecil nilai MAPE, semakin baik kualitas model tersebut.

Rumus MAPE:

MAPE = (1/n) * Σ|i=1|^n |(y_i - ŷ_i) / y_i| * 100%

Di mana:

• n adalah jumlah sampel dalam data
• y_i adalah nilai aktual
• ŷ_i adalah nilai prediksi

Perbedaan MAE, MSE, RMSE, dan MAPE

Berikut ini adalah beberapa perbedaan antara keempat alat evaluasi model di atas:

• MAE, MSE, dan RMSE memberikan nilai absolut sementara MAPE memberikan nilai relatif
• MAE menghitung rata-rata dari selisih absolut antara prediksi dan nilai sebenarnya, sementara MSE dan RMSE menghitung rata-rata dari selisih kuadrat antara prediksi dan nilai sebenarnya.
• RMSE merupakan pengembangan dari MSE dengan mengambil akar kuadrat dari MSE.
• MAPE menghitung persentase kesalahan absolut rata-rata antara prediksi dan nilai sebenarnya.

Kelebihan dan Kekurangan MAE, MSE,  RMSE, dan MAPE

Dalam penggunaannya, keempat metode ini memiliki kelebihan dan kekurangan tersendiri.

Kelebihan dan Kekurangan MAE

Kelebihan dari MAE adalah mudah dipahami dan menghasilkan nilai absolut sehingga tidak bergantung pada prediksi yang rendah atau tinggi. Namun, MAE tidak memperhitungkan bobot pada kesalahan prediksi yang besar dan kecil, sehingga prediksi yang jauh dari nilai sebenarnya dan prediksi yang dekat dengan nilai sebenarnya dianggap sama pentingnya.

Kelebihan dan Kekurangan MSE

Kelebihan dari MSE adalah memberikan bobot yang lebih besar pada prediksi yang jauh dari nilai sebenarnya sehingga lebih sensitif pada kesalahan prediksi yang besar. Namun, MSE menghasilkan nilai kuadrat yang sulit dipahami dan bergantung pada prediksi yang rendah atau tinggi.

Kelebihan dan Kekurangan RMSE

Kelebihan dari RMSE adalah menghasilkan nilai absolut seperti MAE dan memperhitungkan bobot seperti MSE, sehingga merupakan metode evaluasi yang paling umum digunakan. Namun, RMSE lebih sulit dipahami dibandingkan dengan MAE dan memerlukan penghitungan tambahan karena melibatkan akar kuadrat.

Kelebihan dan Kekurangan MAPE

Kelebihan dari MAPE adalah memberikan nilai yang relatif sehingga berguna dalam situasi di mana prediksi bergantung pada persentase kesalahan.

Namun, MAPE tidak dapat digunakan untuk data yang memiliki nilai nol atau data yang memiliki variasi nilai yang besar.

Selain itu, MAPE dapat menghasilkan nilai tak terbatas atau tidak terdefinisi (undefined) jika terdapat nilai sebenarnya yang nol.

Penutup

Dalam evaluasi performa model, pemilihan metode evaluasi yang tepat sangatlah penting karena dapat mempengaruhi hasil prediksi dan keputusan bisnis.

MAE, MSE, RMSE, dan MAPE merupakan metode evaluasi performa model yang umum digunakan dalam data science.

Setiap metode memiliki kelebihan dan kekurangan tersendiri sehingga penting untuk mempertimbangkan karakteristik data dan tujuan bisnis sebelum memilih metode evaluasi yang tepat.

Semoga informasi yang disajikan dapat bermanfaat dan menambah khazanah pengetahuan kita.

Salam!

Berbagi :