MAE & MSE: Memahami Mean Absolute Error & Mean Squared Error
Dalam pembelajaran mesin, evaluasi kinerja model adalah aspek penting untuk memastikan bahwa model yang dikembangkan mampu memberikan prediksi yang akurat. Dua metrik yang sering digunakan untuk mengukur tingkat kesalahan adalah Mean Absolute Error (MAE) dan Mean Squared Error (MSE).
Mean Absolute Error (MAE)
MAE adalah rata-rata dari nilai absolut dari kesalahan (gap) antara nilai aktual (y_test) dan nilai prediksi (y_pred). Kesalahan absolut mengacu pada nilai perbedaan tanpa memperhatikan tanda positif atau negatif. Contohnya adalah pada dua gambar berikut:
Node grafik berwarna biru menggambarkan nilai perbedaan (error) absolute dari data testing dengan data prediksi pada tiap-tiap index data 'i'. Rumusnya adalah seperti berikut:
Nah kesemua nilai error tersebut kemudian dirata-rata, maka didapatkanlah nilai Mean Absolute Error pada garis warna merah. Adapun rumus lengkap untuk menghitung MAE adalah seperti berikut:
Dimana
- n adalah jumlah data
- yi adalah nilai aktual
- y(hat)i adalah nilai prediksi
MAE sering digunakan dalam aplikasi di mana semua kesalahan dianggap sama penting, seperti peramalan permintaan barang.
Mean Squared Error (MSE)
MSE adalah rata-rata dari kuadrat kesalahan antara nilai aktual dan nilai prediksi. Berbeda dengan MAE, MSE memberikan penalti yang lebih besar pada kesalahan yang besar karena kesalahan dikuadratkan. Contohnya adalah pada dua gambar berikut:
Node grafik berwarna biru menggambarkan nilai perbedaan (error) kuadrat dari data testing dengan data prediksi pada tiap-tiap index data 'i'. Rumusnya adalah seperti berikut:
Nah kesemua nilai error tersebut kemudian dirata-rata, maka didapatkanlah nilai Mean Squared Error pada garis warna merah. Adapun rumus lengkap untuk menghitung MSE adalah seperti berikut:
Dimana
- n adalah jumlah data
- yi adalah nilai aktual
- y(hat)i adalah nilai prediksi
MSE lebih sensitif terhadap outlier, yang bermanfaat jika kesalahan besar perlu diperhatikan. Secara matematis, MSE lebih stabil dan mudah dioptimalkan dalam banyak algoritma pembelajaran mesin.
Perbedaan MAE & MSE
Adapun perbedaan dari MAE dan MSE adalah sebagai berikut:
| Aspek | MAE | MSE |
| Penanganan Outlier | Tidak sensitif terhadap outlier. | Sangat sensitif terhadap outlier. |
| Interpretasi | Mudah diinterpretasikan dalam unit asli. | Tidak langsung dalam unit asli karena kuadrat. |
| Kegunaan | Cocok untuk aplikasi di mana kesalahan besar tidak terlalu berdampak signifikan. | Cocok jika kesalahan besar harus diberi penalti lebih. |
Kesimpulan
MAE dan MSE adalah metrik evaluasi yang esensial untuk mengukur kinerja model prediktif. Pilihan antara MAE dan MSE bergantung pada konteks masalah dan kebutuhan spesifik. Memahami kekuatan dan kelemahan masing-masing dapat membantu memilih metrik yang tepat untuk meningkatkan kinerja model.