<![CDATA[Pembatalan pesanan (order cancellation) memicu inefisiensi operasional dan kerugian biaya tertanam (sunk cost) logistik pada industri e-commerce di Indonesia. Penelitian ini mengintegrasikan analisis biaya (cost analysis) ke dalam sistem prediksi pembatalan berbasis machine learning untuk menjembatani performa teknis dengan dampak finansial industri. Analisis komparatif dilakukan menggunakan algoritma Random Forest dan XGBoost yang dikombinasikan dengan teknik SMOTE pada dataset berisi 20.848 transaksi. Hasil pengujian menunjukkan XGBoost lebih unggul dengan akurasi global 86,63% dan recall 37%, serta berhasil mendeteksi secara akurat 209 transaksi batal pada data uji. Melalui simulasi parameter biaya, XGBoost terbukti menyelamatkan anggaran operasional sebesar Rp6.036.879, memberikan efisiensi moneter lebih tinggi senilai Rp1.117.800 dibandingkan Random Forest. Analisis feature importance mengonfirmasi bahwa opsi pengiriman, perkiraan ongkos kirim, dan lokasi geografis merupakan tiga faktor kunci pemicu pembatalan. Penerapan model sebagai sistem peringatan dini yang terintegrasi dengan strategi mitigasi proaktif, seperti verifikasi multikanal dan pembayaran pra-bayar, menawarkan solusi aplikatif untuk menekan kebocoran finansial sekaligus menjaga profitabilitas platform.]]>
Copyrights © 2026
