PREDIKSI RISIKO KETERLAMBATAN PENGIRIMAN LOGISTIK MENGGUNAKAN ALGORITMA RANDOM FOREST PADA DATA E-COMMERCE

Abstract

Pertumbuhan e-commerce yang semakin pesat meningkatkan kebutuhan terhadap layanan logistik yang efisien dan tepat waktu. Keterlambatan pengiriman menjadi salah satu permasalahan yang dapat memengaruhi kepuasan pelanggan dan kinerja operasional perusahaan. Penelitian ini mengusulkan LogiTrack, yaitu sistem prediksi risiko keterlambatan pengiriman berbasis machine learning yang memanfaatkan data historis pengiriman e-commerce. Dataset yang digunakan merupakan Brazilian E-Commerce Public Dataset by Olist. Tahapan penelitian meliputi preprocessing data, feature engineering, pembangunan model klasifikasi menggunakan algoritma Random Forest, serta implementasi model ke dalam aplikasi berbasis Streamlit. Algoritma Random Forest dipilih karena memiliki kemampuan yang baik dalam menangani data dengan karakteristik yang kompleks. Hasil penelitian menunjukkan bahwa sistem mampu mengklasifikasikan pengiriman ke dalam kategori tepat waktu dan berisiko terlambat serta menampilkan probabilitas keterlambatan. Implementasi LogiTrack menunjukkan bahwa machine learning dapat dimanfaatkan sebagai sistem peringatan dini untuk membantu pengambilan keputusan dalam bidang logistik dan meningkatkan efisiensi operasional.