Peramalan kuantitatif banyak digunakan untuk jenis peramalan jangka pendek dan menengah, sedangkan peramalan kualitatif banyak digunakan untuk peramalan
jangka panjang.
2.3. Ukuran Akurasi Peramalan
Suatu peramalan perlu diukur ketepatannya karena pada nantinya peralaman tersebut akan digunakan dalam dunia bisnis. Hal ini dilakukan karena tidak mungkin suatu
peramalan benar-benar akurat dan sesuai dengan keadaan yang sebenarnya. Artinya dalam setiap peramalan, pasti terdapat yang namanya tingkat kesalahan peramalan.
Ukuran ketepatan peramalan yang sering digunakan adalah Mean Absolute Deviation MAD, Mean Square Error MSE, dan Mean Absolute Percentage Error MAPE
Makridakis, 1999.
1. Mean Absolute Deviation MAD
Mean Absolute Deviation MAD digunakan untuk mengukur ketepatan ramalan dengan rata-rata kesalahan dugaan nilai absolut masing-masing
kesalahan. MAD berguna ketika seseorang ingin mengukur kesalahan ramalan dalam unit yang sama sebagai deret asli. MAD dirumuskan sebagai berikut :
� = ∑|
�
− ̂
�
|
�=
2.1
Dimana : = Jumlah periode
�
= Nilai peramalan ̂
�
= Nilai aktual
2. Mean Square Error MSE
Mean Square Error MSE merupakan metode lain untuk mengukur kesalahan peramalan. Dalam metode ini, masing-masing kesalahan atau sisa dikuadratkan,
kemudian dijumlahkan atau dibagi dengan jumlah observasi. Pendekatan ini mengatur kesalahan peramalan yang besar karena kesalahan-kesalahan tersebut
dikuadratkan. Suatu teknik yang menghasilkan kesalahan moderat mungkin
Universitas Sumatera Utara
lebih baik untuk salah satu yang memiliki kesalahan kecil tapi kadang-kadang menghasilkan sesuatu yang sangat besar. MSE dirumuskan sebagai berikut :
= ∑
�
− ̂
� �=
2.2
3. Mean Absolute Percentage Error MAPE
Mean Absolute Percentage Error MAPE dihitung dengan menemukan kesalahan aboslut pada setiap periode dan membaginya dengan nilai observasi
pada periode tersebut. Setelah itu persentasi absolutnya dirata-ratakan Nurmaida,2002. Metode ini sangat berguna apabila ukuran variabel
merupakan faktor penting dalam mengevaluasi akurasi peramalan. MAPE dirumuskan sebagai berikut :
�� = ∑ |
�
− ̂
�
|
� �=
2.3
2.4. Metode Extreme Learning Machine ELM
