2
mempengaruhinya pada masa depan, seperti penduduk, pendapatan, dan
kegiatan ekonomi.
2.5.5
Menghitung Kesalahan Peramalan
Menurut Nachrowi dan Usman (2004 : 239) menyatakan bahwa sebenarnya
membandingkan kesalahan peramalan adalah suatu cara sederhana, apakah suatu
teknik peramalan tersebut patut dipilih untuk digunakan membuat peramalan data
yang sedang kita analisa atau tidak. Minimal prosedur ini dapat digunakan sebagai
indikator apakah suatu teknik peramalan cocok digunakan atau tidak. Dan teknik
yang mempunyai MSE (Mean Squared Error) terkecil merupakan ramalan yang
terbaik, Sedangkan Rangkuti (2005 : 80) menyatakan keharusan untuk
membadingkan perhitungan yang memiliki nilai MAD (Mean Absolute Deviation)
paling kecil, karena semakin kecil MAD berarti semakin kecil pula perbedaan antara
hasil
forecasting dan nilai aktual, namun
Gaspers (2005 : 80) menyatakan
akurasi
peramalan akan semakin tinggi apabila nilai-nilai MAD dan MSE semakin kecil.
Menurut Heizer dan Render
(2009:177), ada
beberapa perhitungan yang biasa
dipergunakan untuk menghitung kesalahan peramalan (forecast error) total.
Perhitungan ini dapat dipergunakan untuk membandingkan model peramalan yang
berbeda, juga untuk mengawasi peramalan guna memastikan peramalan berjalan
dengan baik.Dua teknik perhitungan yang paling terkenal adalah deviasi rata-rata
absolut (MAD)
(mean absolute deviation) dan kesalahan rata-rata kuadrat
(MSE)
(mean squared error).
1.
Deviasi Rata-rata Absolut (Mean Absolute Deviation)
MAD merupakan ukuran pertama kesalahan peramalan keseluruhan untuk
sebuah model.Nilai ini dihitung dengan mengambil jumlah nilai absolut dari
kesalahan peramalan dibagi dengan jumlah periode data (n).
MAD =
S |aktual - peramalan|
n
2.
Kesalahan Rata-rata kuadrat (Mean Square Error)
MSE merupakan cara kedua untuk mengukur kesalahan peramalan
keseluruhan. MSE
merupakan rata-rata selisih kuadrat antara nilai yang
 |