Mengukur Akurasi Peramalan: MAE, MAPE, dan RMSE di Spreadsheet

MAE, MAPE, dan RMSE adalah tiga cara ngukur seberapa jauh ramalan kamu meleset dari kenyataan. Ketiganya bisa dihitung di spreadsheet cuma pakai ABS, AVERAGE, dan SQRT.

Kenapa ini penting: tanpa angka akurasi, kamu gak punya cara tahu apakah cara meramal yang baru lebih baik dari yang lama. Diskusinya bakal berhenti di "perasaanku sih lebih pas".

Aku bakal hitung ketiganya pakai data penjualan riil toko_berkah, jelasin kapan masing-masing dipakai, dan tunjukin satu jebakan yang bikin MAPE jadi menyesatkan.

Apa itu MAE, MAPE, dan RMSE?

MAE (Mean Absolute Error) adalah rata-rata dari selisih ramalan dan aktual tanpa memandang arah. MAPE (Mean Absolute Percentage Error) mengubah tiap selisih itu jadi persen dari nilai aktual, lalu dirata-rata. RMSE (Root Mean Squared Error) mengkuadratkan tiap selisih sebelum dirata-rata, lalu diakarkan, sehingga kesalahan besar dihukum lebih berat.

Bedanya paling gampang dilihat lewat satu contoh.

Misal ramalanmu meleset 10 unit di sebelas bulan, lalu meleset 200 unit di satu bulan. MAE-nya cuma naik sedikit. RMSE-nya melonjak.

Itu bukan kelemahan RMSE. Itu memang tugasnya.

Langkah 1: Susun datanya

Kamu butuh dua kolom saja: aktual dan ramalan. Ini data penjualan bulanan minyak goreng 2 liter di toko_berkah cabang Semarang, dalam satuan karton.

Bulan	Aktual	Ramalan	Error	|Error|	Error²	|% Error|
Jan	420	400	20	20	400	4,8%
Feb	385	410	-25	25	625	6,5%
Mar	512	430	82	82	6.724	16,0%
Apr	640	480	160	160	25.600	25,0%
Mei	398	520	-122	122	14.884	30,7%
Jun	402	440	-38	38	1.444	9,5%
Jul	445	425	20	20	400	4,5%
Agu	430	435	-5	5	25	1,2%
Sep	418	432	-14	14	196	3,3%
Okt	455	428	27	27	729	5,9%
Nov	472	445	27	27	729	5,7%
Des	590	470	120	120	14.400	20,3%

Empat kolom terakhir itu kolom bantu. Bikin sekali, kepakai buat ketiga metrik.

Langkah 2: Bikin kolom bantunya

Anggap aktual di kolom B mulai baris 2, ramalan di kolom C.

D2:  =B2-C2                 → error (boleh minus)
E2:  =ABS(D2)               → absolute error
F2:  =D2^2                  → squared error
G2:  =ABS(D2)/B2            → absolute percentage error

Tarik ke bawah sampai baris terakhir.

Kolom D sengaja gak diabsolutkan. Kamu bakal butuh tandanya nanti buat ngecek bias.

Referensi lengkap tiap fungsi ada di daftar fungsi Excel resmi Microsoft.

Langkah 3: Hitung ketiga metriknya

MAE   =AVERAGE(E2:E13)
MAPE  =AVERAGE(G2:G13)
RMSE  =SQRT(AVERAGE(F2:F13))
Bias  =AVERAGE(D2:D13)

Hasil untuk data di atas:

Metrik	Nilai	Artinya
MAE	55,0 karton	Rata-rata meleset 55 karton per bulan
MAPE	11,1%	Rata-rata meleset 11,1% dari aktual
RMSE	76,7 karton	Ada beberapa bulan yang melesetnya jauh
Bias	+21,0 karton	Ramalan cenderung terlalu rendah

Perhatikan selisih MAE dan RMSE. 55 lawan 76,7.

Selisih itu artinya kesalahan gak merata. Ada bulan yang melesetnya ekstrem, dan begitu aku cek kolom E, tiga tersangkanya jelas: April meleset 160, Mei meleset 122, Desember meleset 120.

April dan Mei 2025 itu periode Ramadan dan Lebaran. Desember libur akhir tahun.

Jadi bukan model yang jelek. Modelnya cuma gak tahu soal hari raya.

Kolom bias juga penting. Nilainya +21, artinya ramalan sistematis terlalu rendah. Kalau nilainya mendekati nol tapi MAE-nya besar, artinya melesetnya acak, bukan sistematis.

Kapan pakai yang mana?

Situasi	Pakai	Alasan
Presentasi ke tim gudang	MAE	Satuannya karton, langsung kebayang
Bandingkan akurasi antar produk	MAPE	Persen bisa dibanding lintas skala
Stok barang cepat basi	RMSE	Meleset besar sekali lebih mahal
Produk sering nol penjualan	MAE	MAPE gak bisa dihitung kalau aktual nol
Cek arah kesalahan	Bias	Nunjukin kebiasaan over atau under

Aku biasanya lapor MAE dan bias ke tim operasional, lalu simpan RMSE buat diriku sendiri saat membandingkan dua metode peramalan.

Jebakan MAPE yang bikin angkanya nipu

MAPE punya satu masalah besar: pembagian dengan nilai aktual.

Di toko_berkah ada produk seragam sekolah yang penjualannya nol di 4 bulan. Waktu aku hitung MAPE-nya, hasilnya #DIV/0!.

Aku buang 4 baris itu, dan MAPE-nya jadi 34%. Kelihatannya jelek.

Tapi MAE-nya cuma 6 potong per bulan. Melesetnya kecil, cuma karena angka aktualnya juga kecil, persennya jadi besar.

Ini kesalahan penafsiran yang mahal. Kalau kamu memutuskan ganti metode peramalan gara-gara MAPE 34%, kamu ngeluarin usaha buat masalah yang nilainya 6 potong sebulan.

Aturan yang aku pakai: kalau nilai aktual rata-rata di bawah 30, jangan pakai MAPE. Pakai MAE saja.

Masalah kedua MAPE: dia lebih menghukum ramalan yang kelebihan daripada yang kekurangan. Ramalan 150 untuk aktual 100 kena 50%, tapi ramalan 50 untuk aktual 100 juga kena 50%, padahal ramalan yang kelebihan bisa meleset sampai tak terbatas sementara yang kekurangan mentok di 100%.

Contoh kasus: bandingkan tiga metode peramalan

Ini yang paling berguna dari ketiga metrik itu. Bukan buat menilai satu ramalan, tapi buat membandingkan beberapa cara.

Aku uji tiga metode di 24 bulan data penjualan toko_berkah, dievaluasi di 12 bulan terakhir.

Metode	MAE	MAPE	RMSE
Naif (pakai angka bulan lalu)	68,3	14,2%	91,5
Rata-rata bergerak 3 bulan	55,0	11,1%	76,7
Rata-rata bergerak + faktor musiman	31,4	6,8%	39,2

Angka yang paling penting di tabel ini baris pertama.

Metode naif itu patokan minimum. Kalau modelmu kalah dari sekadar menyalin angka bulan lalu, modelmu gak berguna, sekompleks apa pun rumusnya.

Baris ketiga menariknya bukan cuma MAE turun. RMSE turun dari 76,7 ke 39,2, dan itu turunnya lebih tajam dari MAE.

Artinya faktor musiman gak cuma bikin ramalan lebih akurat rata-rata. Dia hilangin bulan-bulan yang melesetnya ekstrem, yang justru paling bikin repot tim gudang.

Faktor musimannya sendiri sederhana: hitung rata-rata penjualan tiap bulan dibagi rata-rata tahunan, pakai AVERAGEIF per nama bulan, lalu kalikan ramalan dasar dengan faktor itu.

Kesalahan umum saat ngukur akurasi ramalan

Ngukur di data yang dipakai bikin modelnya. Kalau rata-rata bergerak kamu dihitung dari 12 bulan yang sama yang kamu pakai buat evaluasi, angkanya bakal terlalu bagus. Pisahkan periode latih dan periode uji.

Cuma lapor satu angka. MAE 55 tanpa konteks gak berarti apa-apa. Selalu bandingkan dengan metode naif.

Rata-rata error tanpa diabsolutkan. Meleset +100 dan -100 bakal jadi nol, dan kamu bakal mengira ramalanmu sempurna. Itu bias, bukan akurasi. Dua-duanya perlu dilaporkan terpisah.

Pakai MAPE di produk yang sering nol. Hasilnya bukan cuma error, tapi angka yang menyesatkan setelah baris nol dibuang.

Ngukur akurasi cuma sekali. Akurasi berubah tiap kondisi pasar berubah. Hitung ulang tiap bulan dan simpan riwayatnya.

Gak ngeliat bulan mana yang paling meleset. Angka ringkas itu titik awal, bukan akhir. Urutkan kolom absolute error dari besar ke kecil, lalu cek tiga baris teratas. Di situ hampir selalu ada cerita.

FAQ

MAE, MAPE, atau RMSE, mana yang paling bagus?

Gak ada yang paling bagus untuk semua kasus. MAE paling gampang dijelaskan ke tim non-teknis karena satuannya sama dengan data aslinya. MAPE dipakai kalau kamu perlu membandingkan akurasi antar produk yang skalanya jauh berbeda. RMSE dipakai kalau kesalahan besar jauh lebih merugikan daripada kesalahan kecil, misalnya stok bahan baku yang gampang basi.

Kenapa MAPE saya jadi error atau angkanya ribuan persen?

Karena ada baris dengan nilai aktual nol atau mendekati nol, dan pembagian dengan nol bikin hasilnya meledak. Ini sering terjadi di produk musiman yang beberapa bulan gak laku sama sekali. Solusinya: buang baris beraktual nol dari perhitungan dan catat berapa baris yang dibuang, atau ganti ke MAE yang gak punya masalah pembagian.

Berapa nilai MAPE yang dianggap bagus?

Tergantung produknya, bukan angka universal. Dari data toko_berkah, produk sembako yang permintaannya stabil bisa dapat MAPE di bawah 10%, sementara produk musiman seperti perlengkapan sekolah sulit turun di bawah 25%. Patokan yang lebih berguna: bandingkan modelmu dengan ramalan naif. Kalau kalah dari itu, modelmu belum berguna.

Apa bedanya RMSE dan MAE kalau angkanya mirip?

Kalau RMSE dan MAE berdekatan, artinya kesalahan ramalanmu tersebar merata tanpa kejutan besar. Kalau RMSE jauh lebih tinggi dari MAE, ada beberapa bulan yang melesetnya ekstrem. Selisih itu justru informasi berharga. Cari bulan-bulan itu dan cek apa yang terjadi, biasanya ada promo, libur panjang, atau kejadian sekali yang gak masuk model.

Apakah bisa dihitung otomatis di Google Sheets tanpa kolom bantu?

Bisa, pakai formula array. Untuk MAE tulis =AVERAGE(ABS(B2:B13-C2:C13)) dan tekan Ctrl+Shift+Enter di Excel versi lama, atau langsung Enter di Excel 365 dan Google Sheets. Tapi aku tetap sarankan bikin kolom bantu. Kolom itu yang nanti kamu pakai buat cari bulan mana yang paling meleset.

Coba di data kamu

Tiga hal yang perlu dibawa pulang.

Satu, hitung MAE dan bias bareng-bareng. MAE bilang seberapa jauh melesetnya, bias bilang ke arah mana.

Dua, selalu bandingkan dengan metode naif. Tanpa pembanding, angka akurasi gak berarti apa-apa.

Tiga, cari tiga bulan yang paling meleset. Di situ letak informasinya, bukan di angka rata-ratanya.

Minggu ini coba tempel ramalan dan aktual 12 bulan terakhir di spreadsheet, bikin empat kolom bantu, lalu lihat apakah ramalan kamu kalah atau menang dari sekadar menyalin angka bulan lalu.

Kalau kamu mau lanjut ke analisis hubungan antar variabel penjualan, baca regresi linear berganda.