Implementasi Regresi Linier Untuk Waktu Pengiriman Barang
Keywords:
Data Mining, Regresi Linear, PengirimanAbstract
Belanja online telah menjadi kebiasaan masyarakat dan erat terkait dengan jasa pengiriman barang, yang bertanggung jawab untuk mengirimkan barang yang dibeli dari penjual ke pembeli. Oleh karena itu, pembeli membutuhkan jasa pengiriman yang aman dan cepat untuk memastikan bahwa barang mereka sampai tujuan tepat waktu. Salah satu faktor terpenting dalam bisnis pengiriman adalah kepuasan pelanggan. Namun, beberapa kendala di lapangan memperlambat pengiriman. Oleh karena itu, memprediksi waktu pengiriman dengan menggunakan teknik data mining adalah cara untuk mengatasi masalah ini. Teknik prediksi, algoritma regresi linier, akan digunakan untuk pengolahan data. Dengan menggunakan data tentang kapan barang diambil, saat barang dalam perjalanan, dan sampai di tangan pembeli, mereka dapat membuat perkiraan atau prediksi dan melakukan analisis untuk mencegah keterlambatan pengiriman di masa mendatang. Berdasarkan nilai RMSE (Root Mean Square Error) yang berfungsi untuk menghasilkan nilai level, kesalahan hasil prediksi menggunakan metode ini dan dalam nilai RMSE atau Root Mean Square Error sebesar 0,370%. Dapat disimpulkan bahwa penggunaan algoritma Regresi Linier terbukti akurat dalam memprediksi waktu pengiriman.
References
Ahmad, R., & Alsmadi, I. (2021). Pendekatan pembelajaran mesin untuk keamanan IoT: Tinjauan literatur yang sistematis. Internet Hal, 14, 100365.
PLOTNIKOVA V, DUMAS M, and MILANI F. Adaptations of data mining methodologies: a systematic literature review, PeerJ Computer Science, 2020; 6: e267, https://doi.org/10.7717/peerj- cs.267.
SCHÄFER F, ZEISELMAIR C, and BECKER J. Synthesizing CRISP-DM and Quality Management: A Data Mining Approach for Production Processes 2020 IEEE International Conference on Technology Management, Operations and Decisions (ICTMOD), 2018: 190-195, https://doi.org/10.1109/ITMC.2018.86 91266.
MARTÍNEZ-PLUMED F, OCHANDO L. C, FERRI C, et al. CRISP-DM Twenty Years Later: From Data Mining Processes to Data Science Trajectories. IEEE Transactions on Knowledge and Data Engineering, 2021, 33(8): 3048-3061, https://doi.org/10.1109/tkde.2019.296 2680.
WISEMAN V, THABRANY H, ASANTE A. et al. An evaluation of health systems equity in Indonesia: study protocol. International Journal for Equity in Health, 2018, 17(1): 138. https://doi.org/10.1186/s12939-018- 0822-0
ELTAHIR O A B. The Effect of Information Technology on The Cooperative Insurance Industry Case Study: Shiekan Insurance and Reinsurance Company – Sudan
(Empirical Study). International Journal of Economics, Business andAccounting Research, 2020, 4(1): 27 – 37, https://jurnal.stieaas.ac.id/index.php/IJ EBAR
HIWASE V A, and AGRAWA A J. Review on Application of Data Mining in Life Insurance. International Journal of Engineering & Technology, 2018, 7(45):159- 162, http://dx.doi.org/10.14419/ijet.v7i4.5. 20035.
Hertina, H., Nurwahid, M., Haswir, H., Sayuti, H., Darwis, A., Rahman, M., ... & Hamzah, M. L. (2021). Data mining applied about polygamy using sentiment analysis on Twitters in Indonesian perception. Bulletin of Electrical Engineering and Informatics, 10(4), 2231- 2236.
Hafizah, Tugiono, & Maya, W. R. (2019). Penerapan Data Mining Dalam Memprediksi Jumlah Penumpang Pada CV . Surya Mandiri Sukses Dengan
Menggunakan Metode Regresi Linier. Jurnal Teknologi Informasi Dan Sistem Komputer TGD, 2(1), 54–61.
Bengnga, A., & Ishak, R. (2018). Prediksi Jumlah Mahasiswa Registrasi Per Semester Menggunakan Linier Regresi Pada Universitas Ichsan Gorontalo.
ILKOM Jurnal Ilmiah, 10(2), 136–143. https://doi.org/10.33096/ilkom.v10i2.274.136-143
Artin, J., Valizadeh, A., Ahmadi, M., Kumar, S. A., & Sharifi, A. (2021). Presentation of a novel method for prediction of traffic with climate condition based on ensemble learning of neural architecture search (NAS) and linear regression. Complexity, 2021.
