Kesalahan Forecast

Perhitungan kesalahan Forecast memberikan perkiraan kuantitatif kualitas prakiraan masa lalu, dan berbagai perhitungan tersedia untuk membantu Anda mengekspresikan keakuratan perkiraan secara statistik.

Tabel berikut berisi perhitungan kesalahan perkiraan standar.

Nama	Deskripsi	Perhitungan
Bias	Bias adalah kesalahan konsisten yang menyebabkan perkiraan terlalu tinggi atau terlalu rendah. Perkiraan bias jika ada perbedaan yang konsisten antara permintaan aktual dan perkiraan dalam perkiraan saat ini dan historis. Perhitungan ini mengembalikan kesalahan perkiraan, mengukur secara konsisten di atas atau di bawah perkiraan.	(Sum actuals - Sum forecast) / Sum actuals
Berarti	Rata-rata aritmatika dari sekelompok nilai.	Average(values)
Deviasi absolut rata-rata (MAD)	MAD menunjukkan seberapa besar, rata-rata, kesalahan dalam perkiraan. Namun, karena MAD mengembalikan kesalahan rata-rata dalam satuan, terkadang tidak terlalu berguna untuk perbandingan. MAD adalah rata-rata nilai absolut dari penyimpangan antara nilai yang diamati dan nilai yang diharapkan.	Average(Abs(forecast - actual))
Rata-rata kesalahan persen absolut (MAPE)	MAPE mengungkapkan kesalahan perkiraan dalam kaitannya dengan volume penjualan. Pada dasarnya, ini memberi tahu Anda berapa banyak poin persentase perkiraan yang dimatikan, rata-rata. MAPE mungkin metrik peramalan yang paling umum digunakan saat merencanakan permintaan.	MAPE dihitung dengan mengambil MAD, dibagi dengan permintaan rata-rata, dan kemudian dikalikan dengan 100. (1 / sample size) × ∑((actual - forecast) / actual) × 100
Rata-rata kesalahan skala absolut (MASE)	MASE adalah kesalahan absolut rata-rata dari nilai perkiraan, dibagi dengan kesalahan absolut rata-rata dari perkiraan naif dalam sampel. MASE adalah perhitungan yang direkomendasikan untuk menentukan akurasi komparatif prakiraan.	Average(Abs(forecast - actual)) / ((1 / sample size) × ∑((actual - forecast) / actual))
Rata-rata kesalahan kuadrat (MSE)	MSE mengukur perbedaan kuadrat rata-rata antara nilai estimasi dan nilai aktual. Bagilah jumlah residu dengan jumlah total titik data, lalu ambil akar kuadrat dari hasil bagi.	(1 / sample size) × Σ(actual - forecast)2
Sinyal pelacakan	Perhitungan ini mengukur bias persisten, baik under-forecasting atau over-forecasting. Sinyal pelacakan adalah rasio jumlah aljabar kumulatif dari penyimpangan antara perkiraan dan nilai aktual terhadap deviasi absolut rata-rata. Anda dapat menggunakan perhitungan ini untuk mengingatkan Anda ketika model perkiraan bias.	Rasio jumlah kumulatif kesalahan perkiraan (penyimpangan antara perkiraan perkiraan dan nilai aktual) dengan deviasi absolut rata-rata. Deviasi absolut rata-rata adalah rasio jumlah absolut kumulatif dari kesalahan perkiraan (perkiraan dan nilai aktual) dengan jumlah periode.
Kesalahan persen absolut rata-rata tertimbang (WMAPE)	WMAPE menimbang kesalahan perkiraan dengan permintaan aktual.Ini memberi bobot pada item yang diprioritaskan, membiaskan kesalahan perkiraan terhadapnya. Karena MAPE tidak memperhitungkan kemungkinan perbedaan prioritas antara produk atau momen dalam waktu, WMAPE sering digunakan.	∑ (weight|forecast – actual demand|) / ∑ (weight|actual demand|)