SISTEM PREDIKSI PENGIRIMAN PADA DAKOTA CARGO MENGGUNAKAN METODE NAIVE BAYES BERBASIS WEB

Pengiriman barang pada suatu ekspedisi adalah hal yang paling penting untuk menunjang kemajuan di suatu perusahaan jasa pengiriman. Penelitian ini memiliki tujuan untuk membuat suatu sistem yang bisa memprediksi pengiriman barang apakah itu tepat waktu atau terlambat sesuai estimasi yang diberikan oleh ekspedisi Dakota Cargo dengan menggunakan metode Naive Bayes. Sedangkan Naive Bayes adalah algoritma klasifikasi yang didasarkan pada kejadian sebelumnya, yang berpendapat bahwa fitur-fitur yang digunakan untuk mengklasifikasikan data adalah independen satu sama lain, jumlah data training pengiriman barang yang terkumpul sebanyak 500 data dari data histori kemudian dengan data tersebut kami implementasikan ke dalam website sehingga membentuk sebuah aplikasi yang bisa memprediksi pengiriman barang. Hasil dari implementasi tersebut bisa dilihat dari nilai masing masing class yang mana lebih besar maka itulah kesimpulannya (terlambat atau tepat waktu). Hasil akurasi dari data testing sebanyak 11 data ialah 81.%.
========================================================================================================================
Delivery of goods on an expedition is the most important thing to support progress in a shipping service company. This research aims to create a system that can predict the delivery of goods whether it is on time or late according to the estimates given by the Dakota Cargo expedition using the Naive Bayes method. While Naive bayes is a classification algorithm based on previous events, which argues that the features used to classify data are independent of each other, the amount of shipping training data collected is 500 data from historical data then with the data we implement it into the website so as to form an application that can predict the delivery of goods. The result of the implementation can be seen from the value of each class which is greater, so that's the conclusion (late or on time). The accuracy results from testing data of 11 data were 81%.