Pemanfaatan Machine Learning untuk Meningkatkan Proses Retur Produk di Industri E-Commerce
Dalam era digital saat ini, perkembangan teknologi seperti Artificial Intelligence (AI) dan Machine Learning (ML) memainkan peran penting dalam meningkatkan efisiensi operasional berbagai industri, termasuk e-commerce. Salah satu perusahaan e-commerce nasional, PT XYZ, mulai mengadopsi Machine Learning untuk mengotomatisasi proses retur produk. Fokus utamanya adalah mempercepat pemeriksaan foto kerusakan yang dikirimkan pelanggan melalui sistem.
Proses pemeriksaan kerusakan produk sebelumnya dilakukan secara manual oleh tim Quality Control (QC), sehingga membutuhkan waktu dan tenaga yang besar. Untuk mengatasi keterbatasan tersebut, perusahaan mencoba mengembangkan model Machine Learning yang mampu mengenali dan mengklasifikasikan jenis kerusakan produk secara otomatis berdasarkan foto. Namun, hasil awal implementasi menunjukkan performa model yang masih jauh dari target akurasi minimum 90%. Nilai precision dan sensitivity model berkisar antara 40–80%, tergantung pada jenis kerusakan yang dianalisis. Precision adalah indikator seberapa tepat model dalam mengenali gambar yang memang rusak, sementara Sensitivity (Recall) merupakan indikator seberapa baik model dalam menemukan semua gambar yang rusak.
Sebagai bentuk evaluasi, dilakukanlah penelitian lebih lanjut untuk mengidentifikasi penyebab rendahnya performa model Machine Learning. Dua metode yang digunakan adalah Failure Mode and Effect Analysis (FMEA) dan fishbone analysis. FMEA digunakan untuk memprioritaskan risiko yang paling kritis berdasarkan tingkat keparahan (severity), kemungkinan kejadian (occurrence), dan kemungkinan terdeteksinya kesalahan (detection). Fishbone analysis digunakan untuk menelusuri akar penyebab dari rendahnya performa sistem secara menyeluruh, mencakup faktor manusia, metode, lingkungan, dan data.
Hasil analisis menemukan sepuluh potensi risiko utama yang berpengaruh terhadap performa model. Enam diantaranya diprioritaskan untuk segera ditangani karena memiliki Risk Priority Number (RPN) tertinggi. Risiko tersebut antara lain informasi SOP yang tidak lengkap, klasifikasi gambar oleh pelanggan yang tidak sesuai dengan ketentuan, serta ketidaksesuaian antara hasil prediksi model dengan konteks data yang diberikan.
Untuk mengatasi risiko tersebut, dilakukan berbagai strategi mitigasi. Tim pengembang sistem melakukan retraining model dengan data yang lebih representatif, menyederhanakan kategori kerusakan yang secara visual mirip, serta menambahkan informasi visual pendukung di sistem untuk membantu pelanggan mengunggah gambar yang sesuai. Beberapa parameter performa model mengalami peningkatan setelah implementasi solusi tersebut. Sebagai contoh, pada klasifikasi kerusakan kemasan luar, nilai precision meningkat dari 68,8% menjadi 73,47%, sedangkan sensitivity meningkat dari 51,7% menjadi 56,03%.
Hasil ini menunjukkan bahwa pendekatan sistematis melalui evaluasi risiko dan perbaikan berbasis data dapat membantu meningkatkan kinerja teknologi Machine Learning dalam konteks dunia industri. Penerapan metode seperti FMEA dan fishbone analysis juga terbukti efektif dalam mengidentifikasi permasalahan yang kompleks dan multidimensi.
Bagi mahasiswa di bidang teknik industri, sistem informasi, maupun data science, studi kasus ini memberikan gambaran nyata mengenai tantangan dan solusi dalam mengimplementasikan teknologi cerdas dalam sistem operasional. Selain itu, pendekatan ini menekankan pentingnya kolaborasi lintas fungsi antara tim teknis, bisnis, dan operasional guna memastikan keberhasilan penerapan teknologi.
Ke depannya, upaya peningkatan performa model dapat difokuskan pada pemurnian data pelatihan, penyempurnaan user interface sistem agar lebih intuitif, serta evaluasi lanjutan terhadap keberhasilan mitigasi yang telah dilakukan. Dokumentasi hasil uji coba dan perubahan juga menjadi bagian penting dalam proses continuous improvement. Studi ini membuktikan bahwa implementasi AI dan Machine Learning bukan sekadar proyek teknologi, melainkan bagian dari transformasi proses bisnis yang menyeluruh dan berkelanjutan.
Referensi:
Aisya, N. N., & Urumsah, D. (2021). Determinan intensi retur pembelian e-commerce di Indonesia: model konseptual. NCAF, Proceeding of National Conference on Accounting & Finance, 3, 1-12.
Gunawan, A., & Lovenia, H. (2018). Deteksi Pemalsuan Gambar dengan ELA dan Deep Learning.
Insana, D. R., & Johan, R. S. (2020). Peningkatan Kepuasan Konsumen Melalui Pengguna e-commerce. Sosio e-kons, 12(2), 125-137.
Jayusman. (2018). Analisis “Diagram Tulang Ikan” Untuk Peningkatan Keberhasilan Perbanyakan Vegetatif Makro Surian Putih (Toona Sureni Merr). Seminar Nasional Pendidikan Biologi Dan Saintek III (SNPBS), 539-543.
Kreuzberger, D., Kühl, N., & Hirschl, S. (2022). Machine Learning Operations (MLOps): Overview, Definition, and Architecture. IEEE Acess, 11, 31866.
Comments :