<![CDATA[Keterlambatan pengiriman merupakan salah satu tantangan utama dalam manajemen logistik e-commerce yang berdampak langsung terhadap kepuasan pelanggan dan efisiensi operasional. Penelitian ini mengusulkan pendekatan optimasi ensemble learning berbasis Self-Adaptive Differential Evolution (SaDE) untuk memprediksi keterlambatan pengiriman pada data transaksi e-commerce. Model ensemble heterogen yang terdiri dari Random Forest, XGBoost, dan LightGBM dioptimasi secara simultan pada dua komponen, yaitu bobot kontribusi masing-masing base-learner dan ambang keputusan klasifikasi, menggunakan mekanisme Self-Adaptive Differential Evolution yang menyesuaikan parameter scaling factor (F) dan crossover rate (CR) secara otomatis berdasarkan riwayat keberhasilan mutasi pada setiap generasi. Fungsi fitness dirancang menggunakan kombinasi Balanced Accuracy dan Matthews Correlation Coefficient (MCC) untuk menghindari bias terhadap kelas mayoritas, sebagai perbaikan atas pendekatan berbasis recall murni yang rentan menghasilkan solusi degenerate pada data tidak seimbang. Eksperimen dilakukan melalui lima skenario ablasi untuk mengukur kontribusi masing-masing komponen optimasi secara terpisah maupun gabungan, dilengkapi analisis feature importance, confusion matrix, dan kurva precision-recall. Hasil penelitian menunjukkan bahwa skenario optimasi gabungan (bobot dan ambang keputusan) menghasilkan performa terbaik dengan MCC sebesar 0,499, meningkat 31,5% dibandingkan baseline sebesar 0,379. Namun demikian, perbandingan antara SaDE dan Differential Evolution standar menunjukkan hasil yang identik pada ruang pencarian berdimensi rendah yang digunakan, mengindikasikan bahwa mekanisme adaptasi parameter belum memberikan keunggulan konvergensi yang signifikan pada permasalahan optimasi ini. Temuan ini memberikan kontribusi metodologis dalam perancangan fungsi fitness yang tahan terhadap ketidakseimbangan kelas serta menjadi dasar pengembangan ruang pencarian yang lebih kompleks pada penelitian selanjutnya.]]>
Copyrights © 2023
