<![CDATA[Pengiriman bermasalah (delivery exception) menambah biaya penanganan dan menurunkan kepuasan pelanggan, tetapi proporsinya yang kecil menyulitkan identifikasi manual. Penelitian ini membandingkan Logistic Regression, Decision Tree, dan Random Forest untuk memprediksi pengiriman yang belum berstatus bukti pengiriman (non-POD) pada PT Lion Express Cabang Palembang berdasarkan area tujuan, berat tertagih, siklus, dan hari pengiriman, serta mengevaluasi penanganan ketidakseimbangan kelas. Data terdiri atas 32.475 transaksi Agustus 2026 dengan proporsi kelas bermasalah 8,52%. Data dibagi per nomor resi untuk mencegah kebocoran, hyperparameter dioptimasi dengan validasi silang 5-lipatan berkriteria PR-AUC, dan ketidakseimbangan kelas ditangani dengan SMOTENC. Pada data uji, Random Forest memperoleh ROC-AUC 0,745 (CI 95%: 0,719–0,770) dan PR-AUC 0,370 (4,3 kali nilai acak 0,085); selisihnya dengan Decision Tree tidak signifikan. SMOTENC tidak meningkatkan ROC-AUC maupun PR-AUC, tetapi menggeser titik operasi, sedangkan tuning menaikkan PR-AUC sekitar 0,03. Area tujuan merupakan fitur terpenting, diikuti hari, siklus, dan berat tertagih. Pada validasi temporal, ROC-AUC turun menjadi 0,666 dan PR-AUC 0,143, sehingga model lebih sesuai untuk prioritisasi pengawasan daripada keputusan otomatis.]]>
Copyrights © 2026
