Prediksi Kepuasan Pelanggan Rantai Pasok Otomotif (Car Supply Chain Management)
1. Deskripsi Model
Model ini adalah Decision Tree Classifier yang dikembangkan untuk memprediksi tingkat kepuasan pelanggan (Puas vs Tidak Puas/Netral) pada transaksi penjualan dan pengiriman kendaraan bermotor. Model ditujukan bagi manajer rantai pasok dan tim customer experience guna mengidentifikasi lebih awal profil transaksi yang berpotensi menghasilkan umpan balik rendah sehingga tindakan mitigasi layanan dapat diprioritaskan.
2. Dataset
- Nama Dataset: Car Supply Chain Management
- Tautan Sumber: https://www.kaggle.com/datasets/prashantk93/supply-chain-management-for-car
- Ukuran Data: 1.000 baris transaksi (dibagi stratified 80:20 menjadi 800 data latih dan 200 data uji) dengan 10 fitur input terpilih (5 numerik dan 5 kategorikal) yang menghasilkan 50 kolom fitur setelah One-Hot Encoding (
drop_first=True).
3. Jenis Tugas
- Jenis Tugas: Klasifikasi Biner (Binary Classification).
- Definisi Target (
Feedback_Binary):- Kelas Positif (
1β Puas): Pelanggan memberikan umpan balikGoodatauVery Good(38,7% dari data). - Kelas Negatif (
0β Tidak Puas/Netral): Pelanggan memberikan umpan balikVery Bad,Bad, atauOkay(61,3% dari data).
- Kelas Positif (
4. Fitur Input
Model menerima 10 fitur input mentah sebelum One-Hot Encoding:
- Fitur Numerik (5):
CarModelYear(int): Tahun produksi/model kendaraan (1953β2013).CarPrice(float): Harga unit kendaraan.Sales(float): Nilai total penjualan transaksi.Quantity(int): Jumlah unit kendaraan yang dibeli (1 atau 2).Discount(float): Proporsi diskon yang diberikan (0,25β0,90).
- Fitur Kategorikal (5):
CarMaker(string): Merek produsen kendaraan (25 merek utama dengan β₯15 transaksi, atauOtheruntuk merek jarang).ShipMode(string): Kelas pengiriman (First Class,Same Day,Second Class,Standard Class).Shipping(string): Jalur moda pengiriman (Air,Truck).Gender(string): Jenis kelamin pelanggan (Female,Male).CreditCardType(string): Jenis kartu kredit yang digunakan pelanggan (16 kategori).
5. Performa Model
Model dioptimalkan menggunakan GridSearchCV (5-fold CV, scoring='f1') dengan parameter terbaik max_depth=3, min_samples_leaf=5, min_samples_split=2, dan class_weight='balanced'. Berikut hasil evaluasi akhir pada 200 data uji:
| Metrik | Nilai (Data Uji) |
|---|---|
| F1-Score (Metrik Utama) | 0,4948 |
| Recall (Kelas Puas = 1) | 0,6234 |
| Precision (Kelas Puas = 1) | 0,4103 |
| Accuracy | 0,5100 |
| ROC-AUC | 0,5264 |
6. Cara Memakai
Pastikan lingkungan menggunakan scikit-learn==1.6.1 agar kompatibel dengan berkas .joblib:
import joblib
import numpy as np
import pandas as pd
from huggingface_hub import hf_hub_download
REPO_ID = "kevinedric/car-supplychain-feedback-model"
model = joblib.load(hf_hub_download(REPO_ID, "model_saya.joblib"))
scaler = joblib.load(hf_hub_download(REPO_ID, "scaler.joblib"))
FITUR = joblib.load(hf_hub_download(REPO_ID, "feature_names.joblib"))
META = joblib.load(hf_hub_download(REPO_ID, "metadata.joblib"))
def siapkan_baris(data_mentah: dict) -> pd.DataFrame:
baris = pd.DataFrame(np.zeros((1, len(FITUR))), columns=FITUR)
for kolom, nilai in data_mentah.items():
if kolom in baris.columns and kolom not in META["kolom_kategorikal"]:
baris.at[0, kolom] = nilai
for kolom in META["kolom_kategorikal"]:
nama_dummy = f"{kolom}_{data_mentah[kolom]}"
if nama_dummy in baris.columns:
baris.at[0, nama_dummy] = 1
if META.get("perlu_scaling", False):
baris[META["kolom_numerik"]] = scaler.transform(baris[META["kolom_numerik"]])
return baris
contoh = {
"CarMaker": "Isuzu", "CarModelYear": 2004, "CarPrice": 782289.27,
"Gender": "Male", "ShipMode": "Second Class", "Shipping": "Truck",
"Sales": 893327.67, "Quantity": 2, "Discount": 0.40, "CreditCardType": "jcb"
}
X_baru = siapkan_baris(contoh)
prob_puas = float(model.predict_proba(X_baru)[0, 1])
print(f"Peluang Puas: {prob_puas:.4f} | Tidak Puas: {1 - prob_puas:.4f}")
7. Keterbatasan
- Populasi dan Periode Data: Model hanya sahih untuk transaksi dengan karakteristik dan periode yang serupa dengan data latih (1.000 transaksi pasar otomotif Amerika Serikat); generalisasi ke wilayah atau segmen pasar lain memerlukan kalibrasi ulang.
- Sinyal Prediktif Terbatas & Recall Belum Sempurna: Korelasi antarfitur operasional dan kepuasan pelanggan pada dataset asal sangat lemah, sehingga Recall kelas Puas berada pada angka 62,3% dan F1-Score 0,4948. Model tidak boleh dijadikan satu-satunya penentu keputusan otomatis tanpa tinjauan manusia.
- Ketiadaan Fitur Lead Time Aktual: Variabel durasi pengiriman (
ShippingDays) dikeluarkan dari fitur karena 24,5% catatan tanggal kirim lebih awal daripada tanggal pesan (anomali pencatatan). - Bukan Hubungan Sebab-Akibat: Aturan pemisahan pada Decision Tree merepresentasikan pola korelasional historis, bukan hubungan kausal langsung.