19
x
= rata-rata nilai x,
ý
= rata-rata nilai y.
2.3.4 Menghitung Kesalahan Peramalan
Heizer
dan
Render
menyatakan ada
beberapa
perhitungan
yang
biasa
dipergunakan
untuk
menghitung
kesalahan
peramalan
(forecast
error).
Di lain
pihak Nachrowi dan Usman (2004:239) membandingkan kesalahan peramalan
adalah suatu cara sederhana, apakah suatu teknik peramalan tersebut patut dipilih
untuk digunakan membuat ramalan data yang sedang kita analisis atau tidak.
Minimal prosedur ini dapat digunakan sebagai indikator apakah suatu teknik
peramalan cocok digunakan atau tidak, dan teknik yang mempunyai MSE terkecil
merupakan ramalan yang terbaik. Gaspersz (2005:80) menyatakan bahwa akurasi
peramalan akan semakin tinggi jika apabila nilai-nilai MAD, MSE, dan MAPE
semakin kecil.
Hal ini dikuatkan juga oleh Rangkuti (2005:70) yang
menyatakan keharusan untuk membandingkan perhitungan yang memiliki nilai
MAD paling kecil, karena semakin kecil nilai MAD, berarti semakin kecil pula
perbedaan antara hasil forecasting dan nilai aktual.
Perhitungan ini
dapat
dipergunakan
untuk
membandingkan
model
peramalan
yang
berbeda,
juga untuk
mengawasi
peramalan,
untuk
memastikan
peramalan
berjalan
dengan
baik.
Tiga hari
perhitungan
yang
paling
terkenal
adalah
deviasi
rata-rata
absolut
(mean
absolute deviation-
MAD),kesalahan
rata-
rata
kuadrat
(mean
squared
error-MSE),
dan
kesalahan persen rata-rata
absolut
(Mean absolute percent error-MAPE).
1.
Deviasi Rata – rata absolut ( Mean
Absolute
Deviation = MAD )
MAD
merupakan
ukuran
pertama
kesalahan
peramalan
keseluruhan
untuk
sebuah model.
Nilai
ini
dihitung
dengan mengambil
jumlah nilai
absolute
dari
kesalahan
peramalan dibagi dengan jumlah periode data (n).
2.
Kesalahan Rata-rata kuadrat (Mean Square Error = MSE)
MSE
merupakan
cara
kedua
untuk mengukur kesalahan
peramalan
 |