<![CDATA[Pertumbuhan industri e-commerce yang sangat pesat telah mendorong lonjakan volume pengiriman logistik, yang secara langsung meningkatkan risiko keterlambatan pengiriman barang. Keterlambatan ini menjadi masalah serius karena dapat mempengaruhi kepuasan pelanggan dan menurunkan kredibilitas penyedia layanan logistik. Penelitian ini bertujuan untuk membangun model prediksi risiko keterlambatan pengiriman barang berdasarkan data historis. Metode yang digunakan adalah pendekatan kuantitatif dengan teknik klasifikasi menggunakan algoritma Decision Tree. Dataset yang digunakan diperoleh dari situs Kaggle, yang memuat lebih dari 10.000 data transaksi logistik. Analisis data dilakukan menggunakan Google Colab dengan bantuan pustaka Python seperti Pandas dan Scikit-learn. Tahapan penelitian meliputi pembersihan data, encoding data kategorikal, pembagian data menjadi data latih dan data uji dengan proporsi 80:20, pelatihan model, serta evaluasi performa menggunakan metrik accuracy, precision, recall, F1 score, dan confusion matrix. Hasil penelitian menunjukkan bahwa model Decision Tree mampu memprediksi keterlambatan pengiriman dengan nilai precision sebesar 96.92%, recall sebesar 53.18%, F1 Score sebesar 68.67%, dan akurasi keseluruhan sebesar 71.01%. Dengan performa tersebut, model ini cukup baik dalam mengidentifikasi potensi keterlambatan, namun masih memiliki ruang untuk pengembangan dan peningkatan misalnya dengan penggunaan beberapa algoritma, seperti Random Forest, XGBoost, atau pendekatan berbasis ensemble learning lainnya untuk mendapatkan kinerja yang lebih optimal.]]>
