<![CDATA[Rantai pasokan rentan terhadap berbagai risiko operasional, khususnya fraud dan keterlambatan pengiriman, yang dapat mengganggu efisiensi logistik, kinerja perusahaan, dan kepuasan pelanggan. Big Data Analytics dan Machine learning menawarkan pendekatan prediktif yang efektif untuk mengidentifikasi risiko tersebut secara dini, namun kinerja setiap model berbeda sehingga diperlukan evaluasi komparatif untuk menentukan algoritma paling optimal. Penelitian ini bertujuan untuk membandingkan kinerja berbagai model klasifikasi machine learning dalam mendeteksi fraud dan memprediksi keterlambatan pengiriman pada supply chain dengan menerapkan BADIR Framework sebagai pendekatan analitik terstruktur. Dataset publik DataCo Global digunakan sebagai sampel dengan tahap analisis meliputi identifikasi business question, perencanaan analisis, pengumpulan dan pembersihan data, visualisasi data, insight, dan rekomendasi. Sembilan algoritma klasifikasi diuji, termasuk Logistic Regression, Support Vector Machines, K-Nearest Neighbors, Random Forest, XGBoost, dan Decision Tree. Hasil menunjukkan bahwa Decision Tree merupakan model dengan kinerja terbaik, dengan nilai F1 sebesar 80,35% untuk deteksi fraud dan 99,41% untuk prediksi keterlambatan pengiriman. Temuan ini menegaskan bahwa integrasi BADIR Framework dan machine learning mampu mendukung pengambilan keputusan berbasis data dalam mitigasi risiko supply chain, terutama dalam pengawasan transaksi dan optimalisasi ketepatan pengiriman barang.]]>
Copyrights © 2026
