Analisis Perbandingan Kinerja Algoritma Gradient Boosting dan Bootstrap Aggregating (BAGGING) Untuk Klasifikasi Ketepatan Waktu Sistem Pengiriman Produk E-Commerce

ANNISA. Analisis Perbandingan Kinerja Algoritma Gradient Boosting Dan Bootstrap Aggregating (Bagging) Untuk Klasifikasi Ketepatan Waktu Sistem Pengiriman Produk E-Commerce (dibimbing oleh Dr. Khaeruddin, M. Sc.)
E-commerce merupakan singkatan dari electronic commerce, yang berarti suatu aktivitas yang memanfatkan jaringan internet untuk proses jual beli barang atau jasa. Kepuasan konsumen mempunyai peranan yang cukup penting bagi pengguna e-commerce. Logistik atau jasa pengiriman memegang peran penting dalam pengantaran produk kepada pelanggan. Sistem pengiriman barang (logistik) menjadi faktor menarik yang dapat mendukung atau menghambat kemajuan e-commerce, terutama dari segi kualitas layanan terhadap konsumen. Penelitian ini bertujuan untuk membandingkan algoritma yang paling akurat dalam penentuan klasifikasi ketepatan waktu pengiriman produk e-commerce menggunakan algoritma Gradient Boosting dan Bagging, serta mengetahui variabel-variabel yang paling berpengaruh. Data yang digunakan dalam penelitian ini adalah data pengiriman e-commerce di Indonesia mulai pertengahan tahun 2022 sampai dengan pertengahan tahun 2023 dengan jumlah data sebanyak 991230. Penelitian ini menggunakan dua algoritma klasifikasi, yaitu algoritma Gradient Boosting dan Boostrap Agregatting (Bagging) serta dilakukan penangan data tidak seimbang dengan Synthetic Minority Oversampling Technique (SMOTE). Berdasarkan hasil analisis prediksi
diperoleh bahwa setelah dilakukan SMOTE, metode Bagging memiliki kinerja lebih baik dibandingkan dengan metode Gradient Boosting dalam meprediksi ketepatan waktu pengiriman produk e-commerce di Indonesia dengan nilai akurasi sebesar 85% dan mengalami peningkatan setelah dilakukan cross-validation dengan 10 fold sebesar 91%. Variabel Kota dan kecamatan tujuan pengiriman memiliki nilai features importance paling
besar dibanding variabel lain dalam setiap model.