Penelitian ini bertujuan mengidentifikasi model machine learning yang optimal untuk memprediksi volume pengiriman barang di staging store PT TAB, khususnya pada titik distribusi mil pertama dan terakhir wilayah Jabodetabek. Latar belakang penelitian ini didorong oleh kebutuhan mendesak PT TAB dalam mengatasi tingginya tingkat pelanggaran Service Level Agreement (SLA) yang mencapai 60%, menyebabkan turunnya kepuasan pelanggan dan peningkatan biaya operasional. Dengan mengadopsi pendekatan mixed method, penelitian menggabungkan analisis kuantitatif dari data historis airway bill periode Juni 2021 hingga Juli 2024, serta validasi kualitatif melalui Focus Group Discussion (FGD) bersama stakeholder utama perusahaan. Pemodelan dilakukan dengan mengevaluasi kinerja empat algoritma machine learning yaitu Random Forest, SARIMA, Long-Short Term Memory (LSTM), dan XGBoost pada tiga lokasi staging store yang memiliki pola tren berbeda: stabil, volatilitas tinggi, dan bell-shaped. Hasil evaluasi menunjukkan bahwa model LSTM memiliki performa terbaik dalam menangani data dengan tren stabil (MAPE 35%, Rē 0,75) dan volatilitas tinggi (MAPE 23%, Rē 0,71) karena kemampuannya menangkap pola temporal jangka panjang. Model XGBoost optimal untuk data berpola bell-shaped (MAPE 32%) karena kemampuannya dalam menangkap tren non-linear secara efektif, sedangkan Random Forest secara konsisten menunjukkan performa yang stabil di berbagai kondisi data, terutama pada data volatilitas tinggi (MAPE 22%). Di sisi lain, SARIMA memperlihatkan keterbatasan dalam memodelkan data non-stasioner dan kompleks. Hasil kualitatif dari FGD menguatkan temuan kuantitatif, mengindikasikan bahwa pemanfaatan hasil model prediktif machine learning ini memiliki potensi signifikan dalam optimalisasi alokasi sumber daya manusia, pengurangan pelanggaran SLA, serta peningkatan efisiensi operasional secara keseluruhan. Penelitian ini memberikan kontribusi teoritis dengan menunjukkan relevansi penerapan algoritma machine learning dalam konteks logistik, serta memberikan panduan praktis yang dapat dijadikan acuan oleh pelaku industri logistik lainnya.