K_DM Book

RMSPE (Root Mean Square Percentage Error)

03.2.13

RMSPE (Root Mean Square Percentage Error)

Diperbarui 2020-07-29 Baca 2 menit
Ringkasan
  • RMSPE mengukur akar kuadrat rata-rata dari kesalahan persentase antara prediksi dan nilai aktual.
  • Dalam peramalan penjualan, digunakan untuk melihat rata-rata penyimpangan relatif antara nilai prediksi dan observasi.
  • Menjelaskan cara menghindari pembagian nol menggunakan ε dan penanganan kasus permintaan rendah.

1. Definisi #

$$ \mathrm{RMSPE} = \sqrt{\frac{1}{n} \sum_{i=1}^n \left( \frac{y_i - \hat{y}_i}{y_i} \right)^2 } $$

Dalam praktiknya, biasanya dikalikan 100 agar hasilnya berbentuk persentase.
Perlu berhati-hati ketika nilai aktual mendekati nol, karena hasil dapat menjadi tak stabil.


2. Perhitungan di Python #

1
2
3
4
5
6
7
8
9
import numpy as np

def rmspe(y_true: np.ndarray, y_pred: np.ndarray, eps: float = 1e-8) -> float:
    ratios = (y_true - y_pred) / np.maximum(np.abs(y_true), eps)
    return float(np.sqrt(np.mean(ratios**2)))

y_true = np.array([120, 150, 80, 200])
y_pred = np.array([118, 148, 79, 190])
print(f"RMSPE = {rmspe(y_true, y_pred) * 100:.2f}%")

eps digunakan untuk mencegah pembagian dengan nol.
Jika banyak data dengan permintaan nol, pertimbangkan RMSLE atau WAPE sebagai alternatif.


3. Kapan Digunakan #

  • Peramalan permintaan ritel: Saat ingin menekankan kesalahan dalam proporsi jumlah penjualan.
  • Risiko keuangan: Untuk menilai kesalahan prediksi dalam pengembalian atau harga secara persentase.
  • Prediksi beban energi: Cocok untuk mengukur deviasi relatif meski skala nilainya bervariasi besar.

4. Perbandingan dengan Metrik Persentase Lain #

MetrikCiriPerhatian
MAPERata-rata kesalahan persentase; mudah dipahamiReaksi linier terhadap kesalahan besar
RMSPEMemberi penalti lebih besar pada kesalahan besarTidak stabil jika nilai aktual mendekati nol
RMSLESkala logaritmikSerupa dengan perbandingan rasio, namun lebih sulit diinterpretasikan

RMSPE menonjolkan kesalahan besar, sehingga cocok untuk KPI yang berorientasi risiko.


5. Catatan Praktis #

  • RMSPE dapat tidak stabil jika banyak nilai nol atau sangat kecil. Hapus atau sesuaikan data tersebut, atau gunakan metrik lain sebagai pelengkap.
  • Laporkan RMSPE bersama MAE atau WAPE untuk melihat kinerja absolut dan relatif.
  • Saat membandingkan antarperiode, gunakan kumpulan data yang konsisten (produk/periode yang sama).

Ringkasan #

  • RMSPE mengukur akar kuadrat rata-rata kesalahan persentase dan menyoroti kesalahan besar.
  • Berguna untuk menilai risiko relatif tetapi perlu hati-hati terhadap nilai nol.
  • Gunakan bersama MAPE, WAPE, atau RMSLE untuk menilai performa model dari dua sisi: absolut dan relatif.