Banyak industri menggunakan prakiraan untuk memprediksi kejadian di masa depan seperti permintaan dan potensi penjualan. Kita dapat mengukur keakuratan prakiraan melalui MAPE, yang mengukur persentase kesalahan absolut rata-rata.
Menggunakan metrik ini membantu organisasi meningkatkan akurasi perkiraan mereka dan mengoptimalkan faktor-faktor seperti anggaran dan alokasi sumber daya.
Pada artikel ini, kami menjelaskan apa itu MAPE dan pentingnya menghitungnya, mendefinisikan kesalahan perkiraan dan hubungannya dengan kesalahan mean absolute percentage error, serta memberikan langkah-langkah dan contoh untuk membantu Anda menghitung metrik ini.
Apa itu MAPE?
Berikut adalah rumus MAPE:
MAPE = (1 / ukuran sampel) x ∑[( |aktual – perkiraan| ) / |aktual| ] x 100
Mean absolute percentage error (MAPE) adalah metrik yang mendefinisikan keakuratan metode forecasting. Ini mewakili mean absolute percentage error dari setiap entri dalam kumpulan data untuk menghitung seberapa akurat jumlah yang diperkirakan dibandingkan dengan jumlah aktual.
MAPE sering kali efektif untuk menganalisis kumpulan data yang besar dan membutuhkan penggunaan nilai kumpulan data selain nol.
MAPE adalah metrik yang mudah, dengan MAPE 10% yang mewakili deviasi rata-rata antara nilai yang diperkirakan dan nilai aktual adalah 10%, terlepas dari apakah deviasi itu positif atau negatif.
Apa yang dianggap sebagai nilai MAPE yang diinginkan bervariasi di seluruh industri. Sebagai contoh, sebuah organisasi yang sering mengubah harga atau menawarkan promosi mungkin memiliki MAPE yang lebih tinggi daripada organisasi dengan harga yang konsisten.
Perubahan harga dapat menyulitkan untuk meramalkan penjualan secara akurat, tetapi kedua organisasi tersebut mungkin masih bisa sukses.
Baca juga: Produk White Label: Arti, Contoh, dan Bedanya dengan Private Label
Mengapa MAPE dalam Proses Forecasting itu Penting?
MAPE penting karena dapat membantu organisasi mengembangkan perkiraan yang lebih akurat untuk proyek-proyek di masa depan.
Misalnya, jika perhitungan MAPE menyimpulkan bahwa perkiraan organisasi saat ini tidak akurat, organisasi dapat merevisi strateginya atau mengadopsi metode yang sama sekali baru.
Perhitungan MAPE juga dapat menunjukkan kapan peramalan itu akurat, yang memungkinkan organisasi untuk membagikan hasil peramalan dengan investor dan menerapkan strategi yang efektif di berbagai departemen.
Ketika sebuah organisasi menerapkan forecasting yang lebih akurat, organisasi tersebut dapat menyesuaikan biaya bahan dan tenaga kerja dengan tepat sambil memastikan bahwa organisasi tersebut menyelaraskan operasi produksinya dengan permintaan pelanggan.
Baca juga: Financial Forecasting: Pengertian, Metode, Tahapan dan Manfaatnya
Apa yang Dimaksud dengan Forecast Error?
Forecast error atau kesalahan perkiraan adalah metrik yang mendefinisikan kuantitas aktual dan bagaimana hal itu menyimpang dari kuantitas yang diperkirakan.
Kesalahan tersebut kurang dari jumlah kuantitas aktual dan kuantitas yang diperkirakan, tetapi mungkin lebih besar dari salah satu dari kuantitas individual ini.
Dalam persamaan untuk kesalahan perkiraan di bawah ini, batang mewakili menggunakan nilai absolut, yang berarti hasil dari persamaan tersebut selalu positif terlepas dari apakah jumlah aktual sebenarnya kurang dari perkiraan.
Kesalahan prakiraan berfokus pada besarnya kesalahan, bukan pada apakah kesalahan itu positif atau negatif.
Forecast error = | aktual – prakiraan |
Metrik serupa adalah forecast error percent, yang menunjukkan keakuratan perkiraan. Jika persen kesalahan perkiraan mendekati atau di atas 100%, ini mengindikasikan bahwa perkiraan tersebut sepenuhnya atau sangat tidak akurat.
Sebaliknya, jika persen kesalahan perkiraan mendekati 0%, ini menunjukkan perkiraan tersebut akurat. Untuk menghitung MAPE, penting untuk menghitung persen kesalahan perkiraan. Berikut adalah rumus untuk menghitung persen kesalahan perkiraan:
Forecast error percent = [(aktual – prakiraan] / aktual] x 100
Baca juga: Demand Forecasting Adalah: Jenis, Metode, dan Contohnya
Bagaimana Cara Menghitung MAPE?
Berikut cara menghitung MAPE:
1. Kumpulkan data Anda
Kumpulkan dan atur data Anda untuk memvisualisasikan nilai aktual dan perkiraan terbaik dalam kumpulan data Anda.
Pertimbangkan untuk menggunakan program spreadsheet yang memungkinkan Anda membuat kolom untuk setiap periode waktu, nilai aktual, dan nilai perkiraan.
Menempatkan setiap nilai secara berdampingan memungkinkan Anda untuk membandingkan informasi dan menyelesaikan perhitungan dengan mudah.
Baca juga: Apa itu Forecast dalam Bisnis? Berikut Adalah Penjelasannya
2. Menghitung absolute percent error
Setelah mengatur data Anda, hitung absolute percent error untuk jumlah aktual dibandingkan dengan jumlah yang diperkirakan untuk setiap entri data. Ulangi untuk setiap baris dalam kumpulan data Anda. Berikut rumus yang dapat Anda gunakan:
Absolute percent error = [( | aktual – perkiraan | ) / | aktual | ] x 100
Bar pada persamaan tersebut menunjukkan nilai absolut dari perbedaan antara jumlah aktual dan perkiraan.
Nilai absolut berarti menggunakan nilai positif dari sebuah angka terlepas dari hasil perhitungan, dan digunakan untuk MAPE karena yang menjadi perhatian adalah seberapa signifikan perbedaannya, bukan apakah itu positif atau negatif.
Misalnya, jika jumlah aktual barang yang terjual adalah 54, tetapi jumlah yang diperkirakan adalah 65, Anda akan memiliki selisih -11. Namun, dengan nilai absolut, Anda akan menggunakan 11 untuk menyelesaikan perhitungan untuk absolute percent error sebesar 20,37%.
3. Menghitung MAPE
Setelah Anda memiliki absolute percent error untuk setiap entri data, Anda dapat menghitung MAPE.
Tambahkan semua absolute percent error bersama-sama dan bagi jumlahnya dengan jumlah kesalahan.
Sebagai contoh, jika kumpulan data Anda mencakup 12 entri, Anda akan membagi jumlah tersebut dengan 12. Hasil akhirnya adalah MAPE.
Baca juga: Inventory Forecasting: Fungsi, Jenis, Metode dan Cara Kerjanya
Contoh Cara Menghitung MAPE
Berikut adalah contoh cara menghitung MAPE:
Contoh 1
Sekolah Menengah Atas Cakra Buanan ingin menghitung MAPE dari pesanan buku tahunan untuk tahun ajaran sebelumnya. Sekolah tersebut berharap dapat menjual 400 buku tahunan namun hanya terjual 386 buku.
Sekolah ini menggunakan tabel untuk mengatur jumlah aktual buku tahunan yang dipesan per bulan, perkiraan jumlah buku tahunan yang dipesan per bulan, dan absolute percent error dari pesanan buku tahunan setiap bulan.
Sistem ini menghitung MAPE dengan menentukan jumlah absolute percent error untuk setiap bulan. Setelah mendapatkan jumlah 100,18, ia membagi angka ini dengan sembilan untuk sembilan bulan dalam tahun ajaran. Hasilnya, MAPE-nya adalah 11,13%.
Bulan | Aktual | Perkiraan | Absolute Percent Error |
---|---|---|---|
Agustus | 17 | 20 | 17.65% |
September | 23 | 25 | 8.70% |
Oktober | 35 | 30 | 14.29% |
November | 28 | 30 | 7.14% |
Desember | 23 | 25 | 8.70% |
Januari | 18 | 20 | 11.11% |
Februari | 22 | 25 | 13.64% |
Maret | 45 | 50 | 11.11% |
April | 75 | 80 | 6.67% |
Mei | 96 | 100 | 4.17% |
Baca juga: Perbedaan Budgeting dan Forecasting dalam Proses Pengelolaan Keuangan
Contoh 2
Minggu | Hari | Prediksi | Aktual | APE = [abs (Actual – Prediction) / Actual] *100 |
Minggu 1 | Senin | 2.00 | 1.00 | 100.00 |
Selasa | 3.00 | 1.00 | 200.00 | |
Rabu | 1.00 | 2.00 | 50.00 | |
Kamis | 2.00 | 3.00 | 33.33 | |
Jumat | 3.00 | 6.00 | 50.00 | |
MAPE | 86.67 | |||
Minggu 8 | Senin | 102.00 | 101.00 | 0.99 |
Selasa | 103.00 | 101.00 | 1.98 | |
Rabu | 101.00 | 102.00 | 0.98 | |
Kamis | 102.00 | 103.00 | 0.97 | |
Jumat | 103.00 | 106.00 | 2.83 | |
MAPE | 1.55 |
Pada contoh kedua, kita menghitung MAPE untuk sebuah restoran baru yang mencoba memprediksi berapa banyak pelanggan yang akan datang pada hari Senin hingga Jumat selama jam buka.
Mari kita lihat kembali minggu pertama dan minggu kedelapan untuk melihat bagaimana MAPE berubah, dengan satu-satunya perbedaan adalah penambahan 100 pada setiap nilai di minggu kedelapan dari minggu pertama.
Pengamatan pada persentase kesalahan absolut atau absolute percentage error (APE)
Minggu ke-1, Senin
Dengan nilai aktual = 1 dan prediksi = 2, Anda mungkin tergoda untuk mengatakan bahwa prediksi ini meleset sebesar 50% – tetapi dari perhitungan APE, kesalahan yang terjadi adalah 100%. Perhatikan bahwa jika aktual = 2, APE akan menjadi 0%.
Minggu ke-1, hari Selasa.
Meskipun APE biasanya digunakan karena interpretasi intuitif, APE bukanlah metrik yang dinormalisasi dan dapat melebihi 100% ketika prediksi model, rata-rata, meleset > 100% dari nilai aktual. Di sini, APE = 200% namun hanya meleset dua pelanggan.
Minggu ke-1, hari Rabu
APE harus digunakan hanya jika observasi memiliki nilai aktual yang relatif besar; karena aktual = 2 dan prediksi = 1 di sini, APE = |2-1| / |2| = 50%. Hal ini menunjukkan kemampuan prediksi model Anda tidak lebih baik daripada melempar koin.
Baca juga: Forecasting: Pengertian Lengkap dan Tips Memilih Metode Forecasting yang Benar
Minggu ke-1, Kamis
Di sini kita memiliki kasus yang mirip dengan hari Senin, tetapi ini bukan kasus yang identik. Pada kedua hari tersebut, prediksi = 2 tapi sekarang aktualnya = 3 sedangkan jumlah pelanggan yang datang pada hari Senin adalah satu.
Ini adalah delta yang sama pada pelanggan (kedua hari tersebut tidak ada satu pelanggan), tetapi APE = 33% tiga kali lebih baik daripada APE = 100%. Hal ini menunjukkan kecenderungan APE menjadi bias terhadap prediksi yang rendah.
Minggu ke-1, hari Jumat
Di sini kita sekali lagi memiliki APE = 50%, tetapi kita meleset sebanyak 3 pelanggan, dibandingkan hanya meleset sebanyak satu pelanggan pada hari Rabu.
Pada contoh kedua, kita dapat melihat bahwa MAPE minggu ke-2 sebesar 1,55% adalah nilai yang jauh lebih baik daripada MAPE minggu ke-1 sebesar 86,67%.
Namun, apa yang sebenarnya berubah? Model peramalan untuk prediksi adalah sama, begitu juga dengan delta pelanggan yang terlewatkan antara prediksi dan aktual.
Pada kenyataannya, jumlah (atau volume) data meningkat. Karena MAPE memiliki kecenderungan untuk bias terhadap prediksi yang rendah, maka MAPE bukanlah metrik terbaik untuk merepresentasikan seberapa baik kinerja model pada nilai yang rendah.
Baca juga: Cash Flow Forecasting: Pengertian, Manfaat, Tahapan, dan Contohnya
Apa Saja Batasan Kesalahan Mean Absolute Percentage Error?
Dalam menentukan apakah akan menggunakan MAPE, salah satu hal terpenting yang harus dipahami adalah seberapa menonjol dan konsekuen outlier terhadap kasus penggunaan Anda.
MAPE sangat ideal dalam kasus-kasus di mana hanya ada sedikit atau tidak ada: nilai mendekati nol, nilai nol, dan dataset dengan volume rendah/jarang.
Kesalahan absolut rata-rata dan persentase kesalahan absolut rata-rata mungkin kurang sensitif terhadap pencilan dibandingkan metrik alternatif, seperti kesalahan kuadrat rata-rata (RMSE), tetapi bahkan nilai aktual yang berada di ujung kecil rentang nilai dalam kumpulan data dapat meledakkan MAPE hingga tak terbatas.
Sebagai alternatif, Anda dapat menggunakan kesalahan simetric mean absolute percentage error (SMAPE) (Goodwin & Lawton, 1999) atau MAPE berbobot (Kolassa & Schütz, 2007).
Namun, meskipun SMAPE menangani rentang ekstrem lebih baik daripada MAPE, SMAPE juga kurang direkomendasikan seperti MAPE ketika nilai aktualnya nol atau mendekati nol.
Baca juga: Forecast Penjualan: Pengertian, Fungsi, Metode, dan Cara Menggunakannya
Kesimpulan
Itulah pembahasan lengkap mengenai MAPE beserta contoh dan cara menghitungnya yang bisa Anda gunakan dalam proses forecasting bisnis.
Proses forecasting sangat penting bagi bisnis agar Anda bisa mengambil perencanaan yang tepat berdasarkan data yang benar, tanpa asumsi yang tidak mendasar.
Salah satu data terpenting yang diperlukan dalam proses forecasting adalah memiliki data keuangan yang valid dan transparan.
Jika Anda belum memiliki sistem pencatatan keuangan yang modern, Anda bisa mencoba menggunakan software akuntansi seperti Kledo yang mudah digunakan dan memiliki harga terjangkau sehingga cocok untuk semua jenis dan skala bisnis.
Jika Anda tertarik menghadirkan proses pembukuan dan forecasting keuangan yang lebih baik dalam bisnis, Anda bisa mencoba menggunakan Kledo secara gratis selama 14 hari melalui tautan ini.
- 8 Strategi Menghadapi Inflasi Untuk Bisnis Kecil Menengah - 6 Desember 2024
- 10 Rekomendasi Aplikasi Pembukuan Terbaik & Mudah Digunakan - 6 Desember 2024
- Mengetahui Peran AI dalam Manajemen Persediaan - 5 Desember 2024