PREDIKSI STATUS PENGIRIMAN BARANG MENGGUNAKAN METODE MACHINE LEARNING

Penulis

  • Hardian Kokoh Pambudi Telkom University
  • Putu Giri Artha Kusuma Telkom University
  • Femi Yulianti Telkom University
  • Kevin Ahessa Julian Telkom University

DOI:

https://doi.org/10.33197/jitter.vol6.iss2.2020.396

Kata Kunci:

analisis data prediksi, machine learning, waktu pengiriman, transportasi dan logistik

Abstrak

Salah satu ukuran kinerja bagi industri logistik, khususnya perusahaan pengiriman barang, adalah ketepatan waktu penghantaran. Hal ini masih menjadi tantangan bagi perusahaan guna menjamin tingkat kepuasan pelanggan dan menurunkan biaya transportasi. Di sisi lain, perkembangan teknologi informasi saat ini memungkinkan organisasi atau perusahaan dapat mengumpulkan data dalam jumlah besar secara otomatis. Metode yang cukup andal yang dapat digunakan dalam melakukan analisis data prediksi adalah machine learning, yaitu metode ekstraksi data menjadi sebuah pola informasi tertentu. Penelitian ini bertujuan untuk mengaplikasikan tiga metode machine learning untuk memperkirakan status pengiriman barang. Metodologi yang digunakan pada penelitian ini mengikuti proses machine learning yang dirilis oleh the Cross Industry Standard Process for Data Mining (CRISP-DM), yaitu; memahami proses bisnis, memahami data, persiapan data, pengembangan model, evaluasi, dan implementasi. Berdasarkan hasil penelitian, metode random forest menghasilkan nilai akurasi yang lebih baik jika dibandingkan dengan metode regresi logistik dan artificial neural network (ANN), yaitu sebesar 76,6%, sedangkan metode ANN dan regresi logistik sebesar 73,81% dan 72,84%.

Kata kunci:

analisis data prediksi, machine learning, waktu pengiriman, transportasi dan logistik

Unduhan

Data unduhan belum tersedia.

Diterbitkan

2020-04-11

Cara Mengutip

[1]
H. K. Pambudi, P. G. A. Kusuma, F. Yulianti, dan K. A. Julian, “PREDIKSI STATUS PENGIRIMAN BARANG MENGGUNAKAN METODE MACHINE LEARNING”, JITTER, vol. 6, no. 2, hlm. 100–109, Apr 2020.

Terbitan

Bagian

Articles

Artikel paling banyak dibaca berdasarkan penulis yang sama