📦 Sistem Prediksi Logistik & Pengiriman

Sistem Pendukung Keputusan (DSS) berkinerja tinggi untuk memprediksi potensi keterlambatan pengiriman logistik menggunakan algoritma Decision Tree (Pohon Keputusan). Proyek ini mendemonstrasikan keahlian mendalam dalam fundamental Machine Learning dengan membangun algoritma klasifikasi secara murni (from scratch) tanpa bergantung pada library instan seperti Scikit-Learn.

Dilengkapi dengan antarmuka web Dashboard level enterprise yang dibangun menggunakan Streamlit, proyek ini menawarkan analitik visual real-time, tata letak Clean & White eksklusif, dan kemampuan pemrosesan prediktif skala besar.

---

🌐 LIVE DEMO AVAILABLE

🚀 KLIK DI SINI UNTUK MENCOBA DASHBOARD (STREAMLIT CLOUD) 🚀

(Tidak perlu instalasi. Anda bisa langsung mencoba fitur Batch Prediction dan Eksplorasi Visual sekarang juga!)

---

✨ Fitur Unggulan

• Algoritma Murni (From Scratch): Implementasi mandiri matematika dasar AI, mencakup kalkulasi Shannon Entropy, Information Gain, dan sistem percabangan rekursif.
• Pemrosesan Massal (Batch Prediction): Fitur enterprise untuk mengunggah dataset berformat CSV. Mampu memprediksi status ribuan resi pengiriman hanya dalam hitungan detik.
• Exploratory Data Analysis (EDA) Terintegrasi: Visualisasi analitik Scatter Chart terintegrasi yang menyorot korelasi antara besaran diskon dan berat paket terhadap kemungkinan terlambat.
• Antarmuka Visual Premium: Mengadopsi pedoman UI modern dengan Custom CSS Variables, micro-animations pada efek hover, navigasi berbasis Tab, Progress Bar dinamis, dan efek perayaan peramban.
• Otomatisasi Ekspor Data: Pengguna dapat mengunduh (download) hasil prediksi massal langsung menjadi file rekapitulasi data .csv.

🛠️ Arsitektur & Teknologi

• Bahasa Utama: Python 3.12+
• Logika Algoritma (Core): Native Python Operations
• Pemrosesan Struktur Data: pandas, collections, math
• Dashboard Web: Streamlit (diperkaya dengan Custom HTML/CSS Injection)

🚀 Panduan Eksekusi Lokal

1. Kloning Repositori

   git clone https://github.com/HyLuthfi/logistic-delay-predictor.git
   cd logistic-delay-predictor

2. Instalasi Dependensi Direkomendasikan untuk melakukan instalasi di dalam wadah Virtual Environment.

   pip install -r requirements.txt

3. Menyalakan Server Aplikasi Pastikan dataset utama (Train.csv) berada pada ruang direktori yang sama dengan skrip main.py.

   streamlit run main.py

📊 Metodologi Model Pembelajaran

Demi memastikan akurasi dan mencegah Data Leakage, sistem menggunakan teknik pemisahan silang dengan rasio 80/20 (Data Latih / Data Uji). Pohon keputusan dilatih melalui batasan ketat berikut:

• Metrik Kemurnian: Information Gain tertinggi.
• Batas Kedalaman Toleransi (Max Depth): 10 tingkat bercabang (mengeliminasi risiko overfitting).
• Pembatasan Pemisahan Ekstrem (Min Split): Node tidak diizinkan terbelah jika sisa sampel populasi kurang dari 5 residu.

Arsitektur sistem dibangun bukan semata sebagai penyelesaian tugas akhir, namun didesain khusus agar berfungsi mutlak selayaknya platform logistik modern.