Mean squared error (MSE) adalah metrik yang paling banyak digunakan untuk menilai seberapa cocok prediksi model regresi atau perkiraan dengan kenyataan. Kalkulator ini menelusuri MSE bersama dua kerabat terdekatnya — RMSE dan MAE — sehingga Anda tidak hanya dapat melihat angkanya tetapi juga pengaruhnya bagi model Anda.
Cara kerja MSE, RMSE, dan MAE
MSE = Σ(aktual − prediksi)² / n mengkuadratkan setiap sisa sebelum dirata-ratakan, yang berarti satu kesalahan besar dapat mendominasi hasil — sisa yang dua kali lebih besar akan menyumbang empat kali kesalahan kuadrat. RMSE = √MSE membatalkan pengkuadratan di akhir, mengembalikan metrik ke unit yang sama dengan data asli Anda sehingga dapat dibandingkan secara langsung dengan nilai yang Anda prediksi. MAE = Σ|aktual − prediksi| / n melompati pengkuadratan seluruhnya dan membuat rata-rata ukuran absolut setiap kesalahan, sehingga kesalahan yang meleset sebesar 10 dianggap dua kali lebih buruk dibandingkan kesalahan yang berjumlah 5 — tidak lebih, tidak kurang.
Masukan dan artinya
Masukkan nilai Aktual (hasil nyata yang diamati) dan nilai Prediksi (hasil model atau perkiraan) sebagai dua daftar yang cocok, dipisahkan dengan koma, spasi, atau baris baru. Urutan penting: nilai aktual pertama dipasangkan dengan nilai prediksi pertama, dan seterusnya. Kedua daftar harus berisi jumlah entri yang sama — kalkulator akan menandai ketidakcocokan daripada menebak nilai mana yang berpasangan.
Batasan dan kasus tepi
MSE dan RMSE sensitif terhadap outlier: satu residu yang sangat besar dapat meningkatkan kedua metrik meskipun setiap prediksi lainnya akurat, yang terkadang sesuai dengan keinginan Anda (ketika kesalahan besar sangat merugikan) dan terkadang menyesatkan (ketika satu titik data yang buruk merusak skor keseluruhan). MAE lebih kuat terhadap outlier tetapi memperlakukan semua ukuran kesalahan secara proporsional, sehingga dapat menjual lebih rendah dampak dari kesalahan yang jarang terjadi dan parah. Tidak satu pun dari ketiga metrik ini yang dapat memberi tahu Anda apakah suatu model signifikan secara statistik atau akan digeneralisasi ke data baru — untuk itu, pasangkan model tersebut dengan pengujian di luar sampel, koefisien determinasi (R²), atau validasi silang.
Perbandingan model berbobot
Bandingkan model pada baris pengamatan yang sama. Selisih galat adalah model pembanding dikurangi model acuan. Menonaktifkan bobot tetap menyimpan bobot yang dimasukkan dan menggunakan bobot sama untuk perhitungan saat ini.
Bobot harus tidak negatif dengan total aktif positif. Baris berbobot nol hanya dikecualikan dari metrik berbobot; metrik tanpa bobot mempertahankan setiap baris. MSE memiliki satuan hasil kuadrat; RMSE dan MAE mempertahankan satuan hasil. Galat yang sangat besar dapat mendominasi salah satu rata-rata.