43
Suatu
model
terlalu
cocok
(over
fitting)
dengan
deret
data, yang
berarti
sama
dengan
memasukkan
unsur random
sebagai
bagian
proses
bangkitan,
berarti
tidak berhasil
mengenali
pola
non-acak
dalam
data
dengan
baik.
Perbandingan
nilai MSE
yang
terjadi
selama
fase
pencocokan
peramalan
adalah
mungkin
memberikan
sedikit
indikasi
ketepatan model dalam peramalan.
Kedua,
sebagai
ukuran ketepatan
model
adalah
berhubungan
dengan
kenyataan
bahwa metode
yang
berbeda akan menggunakan
prosedur
yang
berbeda
pula dalam fase
pencocokan.
Dalam fase peramalan,
penggunaan
MSE
sebagai
suatu ukuran
ketepatan
juga
dapat
menimbulkan
masalah.
Ukuran
ini tidak
memudahkan
perbandingan
deret berkala
yang
berbeda
dan
untuk
selang
waktu
yang
berlainan,
karena
MSE
merupakan
ukuran
para absolut.
Lagipula,
interpretasinya
tidak bersifat
intuitif
bahkan
untuk
para
spesialis
sekalipun, karena ukuran
ini menyangkut pengkuadratan sederetan nilai.
Dua formulasi
yang
sering
digunakan
dalam
menghitung
kesalahan
yaitu
mean
absolute
deviation
(MAD)
dan mean
squared
error
(MSE).
MAD
adalah
rata-rata
kesalahan
absolut
dan
MSE
adalah
ukuran
deviasi
peramalan
dan tidak
mempertimbangkan
apakah
kesalahan
itu negatif
atau
positif.
Perbedaan
keduanya
adalah
terletak
pada
bobot
kesalahan,
satu
dalam
bentuk
angka
kesalahan
absolut
dan
yang
lainnya
dalam
bentuk
nilai kuadrat.
Sedangkan
bias
(ME)
dihitung
dengan
menggunakan
kesalahan
rata-rata.
Nilai
bias positif
mengindikasi
kecenderungan
peramalan
terlalu
rendah
sedangkan
bias negatif
mengidikasikan
kecenderungan
peramalan terlalu tinggi. (Makridakis, 1999, pp58-61)
 |