Mengapa Pesanan Katering Sering Terlambat? Analisis Pengiriman dengan pandas

Latar belakang

Usaha katering rumahan menjanjikan makan siang tiba paling lama 45 menit setelah kurir berangkat. Keluhan keterlambatan makin sering, dan pemilik menduga kurirnya yang lambat. Saya ingin memeriksa dugaan itu dengan data.

Pertanyaan:

1. Seberapa sering pesanan terlambat?
2. Apakah keterlambatan menumpuk di zona, jam, atau kurir tertentu?
3. Perubahan apa yang paling murah dan paling berdampak?

Data

Data contoh yang saya bangkitkan untuk latihan, meniru pola pengiriman makan siang: 3.200 pesanan April–Juni 2026 dalam dua tabel CSV, pesanan.csv dan kurir.csv.

• 97 pesanan tanpa jarak_km dan 28 tanpa waktu_tiba
• 5 zona, 6 kurir, jam berangkat 09.00–14.00

Alat

Python dengan pandas dan numpy, memakai teknik dari kelas Analisis Data dengan Python: read_csv, merge, penanganan nilai kosong, kolom tanggal, groupby, dan agg.

Proses

1. Memuat dan memeriksa data

import pandas as pd

pesanan = pd.read_csv("pesanan.csv", parse_dates=["tanggal", "waktu_berangkat", "waktu_tiba"])
kurir = pd.read_csv("kurir.csv")
pesanan.info()
pesanan.isna().sum()

2. Menangani nilai kosong

Jarak kosong diisi median zonanya, bukan median keseluruhan, karena zona Timur jauh lebih jauh daripada Pusat. Pesanan tanpa waktu tiba dibuang karena durasinya tidak bisa dihitung.

pesanan["jarak_km"] = pesanan["jarak_km"].fillna(
    pesanan.groupby("zona")["jarak_km"].transform("median")
)
pesanan = pesanan.dropna(subset=["waktu_tiba"])

3. Menggabungkan data kurir dan menghitung durasi

df = pesanan.merge(kurir, on="kurir_id", how="left")
df["durasi_menit"] = (df["waktu_tiba"] - df["waktu_berangkat"]).dt.total_seconds() / 60
df["jam_berangkat"] = df["waktu_berangkat"].dt.hour
df["terlambat"] = df["durasi_menit"] > 45

4. Mencari pola dengan groupby

per_zona = (
    df.groupby("zona")
      .agg(pesanan=("order_id", "count"),
           jarak_rata=("jarak_km", "mean"),
           persen_terlambat=("terlambat", "mean"))
      .sort_values("persen_terlambat", ascending=False)
)
per_jam = df.groupby("jam_berangkat")["terlambat"].mean()
per_kurir = df.groupby("nama_kurir")["terlambat"].mean()

5. Menguji dugaan "kurirnya lambat"

Tingkat keterlambatan keenam kurir hanya berkisar 12%–15%, jauh lebih sempit daripada selisih antarzona (0%–55%). Pola terbesar datang dari jarak dan jam berangkat:

Hasil

• Secara keseluruhan 14% pesanan tiba lewat dari 45 menit, rata-rata terlambat 9 menit.
• Zona Timur paling parah: 55% terlambat, dengan rata-rata jarak 13 km.
• Keberangkatan jam 11.00–12.00 paling bermasalah. Untuk zona Timur di jam itu, 75% pesanan terlambat.
• Dugaan awal soal kurir tidak didukung data. Masalahnya ada di rute jauh yang berangkat di jam macet.

Rekomendasi

1. Berangkatkan pesanan zona Timur pukul 10.00, bukan 11.00–12.00. Dengan pola data ini, 258 pesanan Timur di jam sibuk akan menghindari kemacetan. Perkiraan kasar: tingkat keterlambatan keseluruhan turun dari 14% menjadi 11%. Makanannya dimasak lebih awal dan dikemas dengan wadah penahan panas.
2. Ubah janji untuk zona Timur menjadi 60 menit. Janji yang realistis lebih baik daripada janji yang sering dilanggar.
3. Catat waktu tiba untuk setiap pesanan. 28 pesanan terbuang dari analisis karena kolom ini kosong.

Keterbatasan

Perkiraan pada rekomendasi pertama memakai pola rata-rata data ini, bukan uji coba nyata. Cara yang benar adalah mencoba jadwal baru selama dua minggu lalu membandingkan angkanya.

Yang saya pelajari

Mengisi nilai kosong dengan median per kelompok (groupby + transform) jauh lebih masuk akal daripada satu median untuk semua, dan groupby sering langsung membantah dugaan awal.