PREDICTING SUCCESSFUL TIMELY ORDER COMPLETION IN E-COMMERCE USING XGBOOST AND CATBOOST MODELS

Muhammad Risqi Nuryana; Muhammad Nur Aulia Rahman; Ridwan Satrio Hadikusuma

doi:10.24252/instek.v11i1.63315

Authors

Muhammad Risqi Nuryana Universitas Katolik Indonesia Atma Jaya
Muhammad Nur Aulia Rahman Universitas Nasional Indonesia
Ridwan Satrio Hadikusuma Universitas Pamulang

DOI:

https://doi.org/10.24252/instek.v11i1.63315

Keywords:

E commerce, delivery prediction, XGBoost, CatBoost, Optuna

Abstract

Keberhasilan penyelesaian pesanan tepat waktu merupakan aspek penting dalam operasional e-commerce karena kinerja pengiriman berpengaruh langsung terhadap kepuasan pelanggan dan kualitas layanan. Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor utama yang memengaruhi ketepatan waktu pengiriman serta mengevaluasi kinerja model XGBoost dan CatBoost dalam melakukan prediksi. Analisis dilakukan menggunakan dataset transaksi e-commerce publik yang mencakup karakteristik produk, waktu pemesanan, dan informasi pengiriman. Tahapan pra-pemrosesan data meliputi penanganan missing values, normalisasi fitur, serta feature engineering berbasis waktu. Optimasi hyperparameter dilakukan menggunakan framework Optuna untuk meningkatkan performa model. Hasil penelitian menunjukkan bahwa product_length_cm, product_weight_g, dan order_purchase_timestamp merupakan fitur yang paling berpengaruh terhadap keberhasilan pengiriman. Model CatBoost lebih sensitif terhadap karakteristik fisik produk, sedangkan XGBoost lebih menekankan pola pemesanan berbasis waktu, khususnya pada skala bulanan. Selain itu, penerapan Optuna terbukti mampu meningkatkan akurasi prediksi kedua model. Temuan ini dapat membantu platform e-commerce dalam mengoptimalkan manajemen persediaan, strategi logistik, dan penjadwalan pengiriman. Penelitian selanjutnya disarankan untuk mempertimbangkan faktor eksternal seperti kondisi cuaca, kepadatan pengiriman, dan lalu lintas guna meningkatkan akurasi prediksi dan efisiensi operasional.

Downloads

Download data is not yet available.

References

[1] N. Vasic, M. Kilibarda, and T. Kaurin, “The Influence of Online Shopping Determinants on Customer Satisfaction in the Serbian Market,” J. Theor. Appl. Electron. Commer. Res., vol. 14, no. 2, pp. 0–0, May 2019, doi: 10.4067/S0718-18762019000200107.

[2] F. Ratnawati, “Implementasi Algoritma Naive Bayes Terhadap Analisis Sentimen Opini Film Pada Twitter,” INOVTEK Polbeng - Seri Inform., vol. 3, no. 1, p. 50, Jun. 2018, doi: 10.35314/isi.v3i1.335.

[3] A. Erfina and M. F. Al-shufi, “ANALISIS SENTIMEN APLIKASI JASA KURIR DI PLAY STORE MENGGUNAKAN ALGORITMA NAIVE BAYES,” J. Sist. Inf. Dan Inform. Simika, vol. 5, no. 2, pp. 103–110, Aug. 2022, doi: 10.47080/simika.v5i2.1789.

[4] L. Yao, C. Mao, and Y. Luo, “Graph Convolutional Networks for Text Classification,” Proc. AAAI Conf. Artif. Intell., vol. 33, no. 01, pp. 7370–7377, Jul. 2019, doi: 10.1609/aaai.v33i01.33017370.

[5] S. Amaria, K. Guidedi, W. Lazarre, and Kolyang, “A Survey on Multimedia Ontologies for a Semantic Annotation of Cinematographic Resources for the Web of Data,” Acadlore Trans. AI Mach. Learn., vol. 1, no. 1, pp. 2–10, Nov. 2022, doi: 10.56578/ataiml010102.

[6] C. Zhang, Q. Li, and X. Cheng, “Text Sentiment Classification Based on Feature Fusion,” Rev. Intell. Artif., vol. 34, no. 4, pp. 515–520, Sep. 2020, doi: 10.18280/ria.340418.

[7] Z. Wang, S.-B. Ho, and E. Cambria, “A review of emotion sensing: categorization models and algorithms,” Multimed. Tools Appl., vol. 79, no. 47–48, pp. 35553–35582, Dec. 2020, doi: 10.1007/s11042-019-08328-z.

[8] W. Chen, X. Zheng, H. Zhou, and Z. Li, “Evaluation of Logistics Service Quality: Sentiment Analysis of Comment Text Based on Multi-Level Graph Neural Network,” Trait. Signal, vol. 38, no. 6, pp. 1853–1860, Dec. 2021, doi: 10.18280/ts.380630.

[9] K. Sattar, Q. Umer, D. G. Vasbieva, S. Chung, Z. Latif, and C. Lee, “A Multi-Layer Network for Aspect-Based Cross-Lingual Sentiment Classification,” IEEE Access, vol. 9, pp. 133961–133973, 2021, doi: 10.1109/ACCESS.2021.3116053.

[10] E. H. Muktafin, K. Kusrini, and E. T. Luthfi, “Analisis Sentimen pada Ulasan Pembelian Produk di Marketplace Shopee Menggunakan Pendekatan Natural Language Processing,” J. Eksplora Inform., vol. 10, no. 1, pp. 32–42, Sep. 2020, doi: 10.30864/eksplora.v10i1.390.

[11] I. K. Susanto, “Analisis Sentimen dan Topic Modelling Pada Pembelajaran Online di Indonesia Melalui Twitter,” JOINTECS J. Inf. Technol. Comput. Sci., vol. 6, no. 2, p. 85, May 2021, doi: 10.31328/jointecs.v6i2.2350.

[12] V. A. Flores, P. A. Permatasari, and L. Jasa, “Penerapan Web Scraping Sebagai Media Pencarian dan Menyimpan Artikel Ilmiah Secara Otomatis Berdasarkan Keyword,” Maj. Ilm. Teknol. Elektro, vol. 19, no. 2, p. 157, Dec. 2020, doi: 10.24843/MITE.2020.v19i02.P06.

[13] S. Juniarsih, E. F. Ripanti, and E. E. Pratama, “Implementasi Naive Bayes Classifier pada Opinion Mining Berdasarkan Tweets Masyarakat Terkait Kinerja Presiden dalam Aspek Ekonomi,” J. Sist. Dan Teknol. Inf. Justin, vol. 8, no. 3, p. 239, Jul. 2020, doi: 10.26418/justin.v8i3.39118.

[14] P. Chaturvedi and D. Agnihotri, “A Study on Analysis of Factors Influencing Delivery Time Preference & Customer Repurchase Intention for E-Tailing Websites,” Int. J. Manag. Stud., vol. VI, no. 1(6), p. 57, Jan. 2019, doi: 10.18843/ijms/v6i1(6)/07.

[15] M. Niazkar et al., “Applications of XGBoost in water resources engineering: A systematic literature review (Dec 2018–May 2023),” Environ. Model. Softw., vol. 174, p. 105971, Mar. 2024, doi: 10.1016/j.envsoft.2024.105971.

[16] F. Zhou et al., “Fire Prediction Based on CatBoost Algorithm,” Math. Probl. Eng., vol. 2021, pp. 1–9, Jul. 2021, doi: 10.1155/2021/1929137.