Klasifikasi Terhadap Estimasi Waktu Pengiriman Kurir Lokal Menggunakan Naive Bayes

Mohammad Ulin Nuha; Adhika Pramita Widyassari

doi:10.47134/jacis.v6i2.185

Authors

Mohammad Ulin Nuha Sekolah Tinggi Teknologi Ronggolawe
Adhika Pramita Widyassari Sekolah Tinggi Teknologi Ronggolawe https://orcid.org/0000-0002-3628-1065

DOI:

https://doi.org/10.47134/jacis.v6i2.185

Keywords:

Naïve Bayes, Klasifikasi Waktu Pengiriman, Estimasi Pengiriman Kurir, Logistik, Prediksi Keterlambatan

Abstract

Penelitian ini bertujuan untuk mengimplementasikan metode Naive Bayes dalam klasifikasi estimasi waktu pengiriman kurir lokal pada layanan ShopeeFood di wilayah Blora, Jawa Tengah. Latar belakang penelitian didasari oleh meningkatnya kebutuhan prediksi waktu pengiriman yang akurat dalam industri logistik dan e-commerce guna menjaga kepuasan pelanggan serta efisiensi operasional. Data dikumpulkan dari sistem internal ShopeeFood selama periode 1–28 Februari 2026, dengan total 150 pesanan yang setelah melalui tahap preprocessing menghasilkan 140 data valid. Fitur yang digunakan meliputi restoran, jam pengiriman, jarak tempuh, dan kondisi cuaca. Kategori waktu pengiriman dibagi menjadi tiga kelas: cepat (≤5 menit), sedang (6–10 menit), dan lambat (>10 menit). Data dibagi menjadi data latih (70%) dan data uji (30%) menggunakan hold-out validation dengan stratifikasi. Implementasi Naive Bayes menggunakan jenis Multinomial Naive Bayes dengan smoothing Laplace (α=1). Hasil evaluasi menunjukkan akurasi per kategori mencapai 100% untuk kategori sedang, 92,59% untuk kategori cepat, dan 66,67% untuk kategori lambat. Jarak tempuh terbukti menjadi faktor pembeda utama antar kategori, sementara kondisi cuaca memberikan pengaruh yang relatif kecil. Kesimpulannya, metode Naive Bayes efektif digunakan sebagai alat bantu klasifikasi estimasi waktu pengiriman kurir lokal meskipun masih memiliki keterbatasan pada kelas dengan distribusi data minoritas

References

[1] P. Jain, “Research in Engineering Management and Science ( Ijprems ) Predicting Delivery Outcomes in Supply Chain Management Using Machine Learning : a Random Forest Classifier Approach,” pp. 1107–1115, 2024.

[2] N. Müller, P. Burggräf, F. Steinberg, C. R. Sauer, and M. Schütz, “An analytical review of predictive methods for delivery delays in supply chains,” Supply Chain Anal., vol. 11, no. May, 2025, doi: 10.1016/j.sca.2025.100130.

[3] C. Boonma, “Thonburi University , Bangkok , Thailand Thonburi University , Bangkok , Thailand,” no. 2022, pp. 72–78, 2025.

[4] A. A. Ramadhan, “Waktu Untuk Meingkatkan Kepuasan Konsumen Dalam Logistik E-Commerce Indonesia,” 2023.

[5] A. Purnomo, N. Gia Ginasta, S. Syafrianita, and S. F. Pane, “Predictive Modeling of Delivery Delays in Transportation Using Machine Learning: A Comparative Study of Service Types,” Dinasti Int. J. Educ. Manag. Soc. Sci., vol. 7, no. 2, pp. 1765–1779, 2025, doi: 10.38035/dijemss.v7i2.5736.

[6] Noraini Abu Talib, Rafiq Ahmad, and Siti Norbaya Noor, “A Comparative Analysis of Machine Learning Models for Time Series Forecasting in Finance,” Int. J. Appl. Math. Comput., vol. 1, no. 2, pp. 20–26, 2024, doi: 10.62951/ijamc.v1i2.71.

[7] K. et al 2023, “OPTIMASI MODEL CVRP DAN MACHINE LEARNING UNTUK EFISIENSI DAN KETAHANAN RANTAI PASOK PANGAN,” vol. 32, no. 3, pp. 167–186, 2021.

[8] M. A. Firmansyah and M. M. Alamin, “Sistem Prediksi Pengiriman Pada Dakota Cargo Menggunakan Metode Naive Bayes Berbasis Web,” Jutisi J. Ilm. Tek. Inform. dan Sist. Inf., vol. 13, no. 1, p. 324, 2024, doi: 10.35889/jutisi.v13i1.1802.

[9] A. D. Cahyani et al., “Analisis Optimalisasi Distribusi Logistik untuk Meningkatkan Efisiensi dan Keefektifan Operasional pada PT. XX,” Ind. J. Ilm. Tek. Ind., vol. 8, no. 3, pp. 654–665, 2024, doi: 10.37090/indstrk.v8i3.1580.

[10] N. D. Gunawan, J. Tji Beng, N. J. Perdana, D. Francesco, and D. Matthew, “Klasifikasi Kinerja Pengiriman Logistik Berbasis Prediksi Eta Menggunakan Machine Learning Di Pt. De Besta Trans Logistics Delivery Performance Classification Based on Eta Prediction Using Machine Learning At Pt. De Besta Trans,” J. Inf. Technol. Comput. Sci., vol. 8, no. 6, 2025.

[11] R. Rachman and R. N. Handayani, “Klasifikasi Algoritma Naive Bayes Dalam Memprediksi Tingkat Kelancaran Pembayaran Sewa Teras UMKM,” J. Inform., vol. 8, no. 2, pp. 111–122, 2021, doi: 10.31294/ji.v8i2.10494.

[12] D. M. Alfiansyah and H. Soetanto, “Prediksi Keterlambatan Pembayaran SPP Siswa dengan Pendekatan Metode Naive Bayes dan K-Nearest Neighbors,” Build. Informatics, Technol. Sci., vol. 5, no. 4, pp. 706–719, 2024, doi: 10.47065/bits.v5i4.4643.

[13] K. Kartarina, N. K. Sriwinarti, and N. luh P. Juniarti, “Analisis Metode K-Nearest Neighbors (K-NN) Dan Naive Bayes Dalam Memprediksi Kelulusan Mahasiswa,” JTIM J. Teknol. Inf. dan Multimed., vol. 3, no. 2, pp. 106–112, 2021, doi: 10.35746/jtim.v3i2.159.

[14] M. Ikhsan, L. N. Hayati, and D. Widyawati, “Analisis Sentimen Masyarakat Terhadap System Perbelanjaan Di Alfagift Dengan Metode Naive Bayes,” LINIER Lit. Inform. dan Komput., vol. 2, no. 2, pp. 255–263, 2025, doi: 10.33096/linier.v2i2.3134.

[15] F. Panjaitan et al., “Studi Komparatif Algoritma Machine Learning Pada Analisis Sentimen Media Sosial,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 2, pp. 3145–3152, 2025, doi: 10.36040/jati.v9i2.13277.

[16] A. Wijaya and R. A. Putri, “Penerapan Metode Fuzzy Sugeno Untuk Optimalisasi Persediaan Pakaian,” Bull. Comput. Sci. Res., vol. 5, no. 5, pp. 1224–1234, 2025, doi: 10.47065/bulletincsr.v5i5.770.

[17] M. D. Ananda, K. N. Malik, A. F. N. Masruriyah, and M. Mardiah, “Studi Komparatif Algoritma K-Means dan K-Medoids untuk Segmentasi Informasi Kesehatan,” Comput. Sci., vol. 5, no. 2, pp. 103–112, 2025, doi: 10.31294/coscience.v5i2.9207.

[18] C. Chairunnita, A. Handayanto, and F. M. Dewanto, “Penerapan Algoritma K-Means Clustering dalam Analisis Pengelompokan Produk Toko Oleh-Oleh Berdasarkan Data Penjualan,” J. Inf. Syst. Res., vol. 6, no. 4, pp. 1816–1825, 2025, doi: 10.47065/josh.v6i4.7832.

[19] R. A. Subektianto, M. Ratna, and I. Zain, “Analisis Kepuasan Pasien dan Pelaksana Terhadap Sistem Informasi Manajemen Puskesmas Elektronik (Simpustronik) di Kabupaten Blitar Menggunakan Regresi Logistik Biner,” Inferensi, vol. 1, no. 1, p. 29, 2018, doi: 10.12962/j27213862.v1i1.6718.

[20] M. Fatihul, F. Dzulfaqqor, I. Kadek, and D. Nuryana, “Journal of Emerging Information System and Business Intelligence Prediction of Goods Damage in Land Transportation Services (Trucking) Using Naïve Bayes,” J. Emerg. Inf. Syst. Bus. Intell., vol. 6, no. 3, pp. 399–410, 2025.

[21] Ahmad Bahar, Tri Astuti, and Primandani Arsi, “Performance Comparison of Svm, Naive Bayes, and Logistic Regression Classification Algorithms in Analyzing Noice App User Reviews,” J. Tek. Inform., vol. 5, no. 4, pp. 469–477, 2024, doi: 10.52436/1.jutif.2024.5.4.2061.