Penerapan Machine Learning dalam Prediksi Status Service Level Agreement (SLA) Berdasarkan Tingkat Kepadatan Paket pada PT Pos Cabang Utama Malang
Abstrak
Lonjakan volume paket di PT Pos Cabang Utama Malang seringkali menyebabkan keterlambatan pengiriman dan penurunan kepuasan pelanggan, terutama karena perencanaan operasional yang masih manual dan kurangnya memprediksi kepadatan paket. Penelitian ini bertujuan untuk mengembangkan sistem prediksi Service Level Agreement (SLA) berbasis machine learning guna mengatasi permasalahan tersebut. Metode Prototype digunakan dalam pengembangan sistem ini dimulai dari pengumpulan kebutuhan, prototyping, evaluasi prototype, pengkodean, pengujian, evaluasi sistem, hingga implementasi. Sistem ini mengintegrasikan dua model utama yaitu Triple Exponential Smoothing (TES) untuk memprediksi tingkat kepadatan paket harian, dan Random Forest Regressor (RFR) untuk memprediksi status SLA (ontime, oversla, faster) berdasarkan hasil prediksi TES. Implementasi sistem menggunakan Framework Laravel untuk Backend dan Flask API dengan Library Pandas untuk proses data cleaning serta eksekusi model machine learning. Hasil pengujian menunjukkan bahwa desain prototype diterima dengan 100% kesesuaian, dan blackbox testing berhasil mengonfirmasi fungsionalitas seluruh fitur utama. Pengujian User Acceptance Testing (UAT) menunjukkan tingkat kepuasan pengguna yang sangat tinggi dengan rata-rata 92,5% (86,7% untuk Usability, 97,5% untuk Reliability, dan 93,5% untuk Relevansi Hasil Prediksi). Model TES menunjukkan akurasi "sangat baik" dengan nilai Mean Absolute Percentage Error (MAPE) di bawah 10% untuk semua skenario. Sementara itu, model RFR mencapai performa sangat baik dengan nilai Mean Absolute Error (MAE) yang rendah dan R-Squared (R²) mendekati 1. Sistem ini berhasil membantu PT Pos mengidentifikasi wilayah dengan potensi oversla tinggi, memungkinkan perencanaan strategis dan perbaikan layanan yang lebih proaktif.