Baru Jelajahi project AI & Machine Learning siap pakai lengkap dengan full source code dan tutorial instalasi!
Beranda Katalog Project Tentang Kami Kontak Kami
Silakan masuk ke akun Anda terlebih dahulu untuk membaca dokumentasi project ini.
Penerapan Machine Learning untuk Memprediksi Jumlah Penjualan Roti Guna Menentukan Kuota Produksi Harian
Penerapan Machine Learning untuk Memprediksi Jumlah Penjualan Roti Guna Menentukan Kuota Produksi Harian
Machine Learning Tingkat: Intermediate Versi 1.0.0 17 Dilihat
5.0 (0 ulasan)

Penerapan Machine Learning untuk Memprediksi Jumlah Penjualan Roti Guna Menentukan Kuota Produksi Harian

Teknologi: Python Flask HTML CSS JavaScript Tailwind CSS Machine Learning XGBoost Scikit-Learn Pandas NumPy Joblib CatBoost LightGBM Gradient Boosting Random Forest Ridge Regression SARIMAX Statsmodels
Video Demonstrasi Project TikTok Demo

Demo & Pengujian Sistem: Penerapan Machine Learning untuk Memprediksi Jumlah Penjualan Roti Guna Menentukan Kuota Produksi Harian

Tonton di TikTok

Video di atas mendemonstrasikan implementasi antarmuka, inference model, dan workflow end-to-end dari project Penerapan Machine Learning untuk Memprediksi Jumlah Penjualan Roti Guna Menentukan Kuota Produksi Harian via TikTok.

Overview & Cara Kerja

Panis Analytics merupakan platform analitik prediktif rantai pasok (Supply Chain & Inventory Intelligence) dan sistem kecerdasan buatan berbasis Machine Learning yang dirancang untuk meramalkan volume penjualan produk roti (Units Sold Forecasting) serta menentukan kuota produksi pemanggangan harian (Recommended Baking Buffer) secara otomatis dan presisi. Menggunakan dataset operasional ritel bakery komprehensif sebanyak 19.321 transaksi/batch, sistem ini secara ketat mengisolasi variabel inventaris pasca-penjualan guna menjamin Zero Data Leakage, merekayasa 37 fitur prediktor multidimensi (21 fitur numerik dan 16 fitur kategorikal), membandingkan 9 algoritma Machine Learning, dan mengandalkan model produksi terbaik CatBoost Regressor yang mencapai nilai galat terendah dengan Root Mean Squared Error (RMSE) 2.3434, Mean Absolute Error (MAE) 1.4550, dan R² Score 0.4646. Sistem ini juga dilengkapi pemodelan deret waktu makro harian SARIMAX dan mesin kalkulasi safety buffer stock adaptif berbasis tingkat kebusukan (perishability) untuk meminimalkan limbah sisa roti (food waste) sekaligus mencegah hilangnya potensi penjualan (stockout loss).

Fitur Utama Project

Source Code Lengkap & Terstruktur (Clean Architecture)
Dokumentasi Teknis & Pembahasan Lengkap
Backend Service & RESTful API Siap Pakai
Antarmuka Web Modern, Responsif, & Interaktif
Training Notebook Pipeline & Dependency Setup
Pretrained Model Weights & Paket Berkas ZIP Lengkap

Arsitektur & Pipeline Sistem

Alur data interaktif dari input request hingga hasil pemrosesan sistem:

5 Tahap Pipeline
1 DATA INGESTION & AUDIT

Bakery Sales Dataset Ingestion (19,321 Records) & Leakage Isolation

Pemuatan dataset riil operasional bakery (19.321 transaksi). Mengisolasi variabel inventaris pasca-penjualan (Units_Produced, Unsold_Units, Waste_Pct, Profit) untuk menjamin Zero Data Leakage pada fase perencanaan produksi.

19,321 Records & Leakage Isolation
2 FEATURE ENGINEERING

37 Multidimensional Feature Engineering: Margin, Perishability & Cyclical

Rekayasa 37 fitur prediktor: indikator finansial margin (Unit_Margin, Margin_Ratio), indeks risiko kebusukan (Perishability_Risk_Index), transformasi siklikal harmonik (Hour_Sin/Cos, Month_Sin/Cos), serta riwayat permintaan rolling (Historical_Product_Demand).

37 Features & Domain Engineering
3 TEMPORAL SPLITTING & PIPELINE

Chronological Temporal Split (80:20) & ColumnTransformer Architecture

Pembagian data deret waktu berbasis tanggal kronologis (15.456 sampel train s/d 15 Agustus 2024 dan 3.865 sampel test s/d 31 Desember 2024). Pra-pemrosesan dienkapsulasi dengan ColumnTransformer (StandardScaler + OneHotEncoder).

80% Train : 20% Test & ColumnTransformer
4 BENCHMARKING & TIME-SERIES

9 Machine Learning Regressors Benchmarking & Daily SARIMAX Modeling

Pelatihan dan evaluasi komparatif 9 model regresi. CatBoost Regressor terpilih sebagai model produksi terbaik dengan RMSE 2.3434 dan MAE 1.4550, dipadukan dengan pemodelan makro deret waktu harian SARIMAX (Uji ADF p-value 1.31e-23).

CatBoost RMSE 2.34 & SARIMAX
5 PRODUCTION DEPLOYMENT

Flask Web App, Adaptive Baking Quota & Warm Artisan Dashboard

Deployment pipeline model ke aplikasi web Flask bertema warm artisan bakery. Dilengkapi mesin rekomendasi kuota pemanggangan otomatis dengan safety buffer adaptif (10%-25%), estimasi finansial, dan 4 preset skenario operasional.

Flask, Adaptive Quota & 4 Presets
Source Repository

Struktur Berkas & Repositori

Hierarki folder dan berkas yang disertakan dalam paket proyek ini:

11 Berkas Proyek 3 Folder Utama Paket ZIP 1.89 MB
best_bakery_forecasting_pipeline.pkl 152.23 KB
AI Model Pratinjau
model_metadata.json 1.33 KB
bakery_hero.jpg 747.75 KB
product_defaults.json 8.16 KB
index.html 79.58 KB
app.py 10.38 KB
bakery_demand_forecasting.ipynb 724.3 KB
Notebook Pratinjau
bakery_sales_dataset.csv 4.02 MB
Dataset Pratinjau
README.md 6.25 KB
markdown Pratinjau
requirements.txt 190 B

prediksi-penjualan-roti-kuota-produksi-harian-machine-learning.zip

Arsip paket ZIP lengkap berisi 100% seluruh berkas di atas siap dijalankan.

Beli untuk Unduh ZIP

Dokumentasi Teknis

Tersedia dokumentasi teknis komprehensif untuk project ini:

Buka Reader

Kebutuhan Sistem & Spesifikasi

Spesifikasi minimum perangkat untuk menjalankan project ini dengan lancar:

Spesifikasi Rekomendasi
Sistem Operasi
Windows 10/11 (64-bit), macOS Monterey ke atas, atau Linux Ubuntu 20.04 LTS+

Cross-platform compatible

Runtime & Bahasa
Python 3.10 atau Python 3.11 (Diverifikasi optimal pada Python 3.11.x x64)

Lingkungan kerja teruji

Memori (RAM)
Min. 4 GB (Rekomendasi 8 GB untuk kelancaran eksekusi notebook visualisasi dan server Flask)

Optimal untuk running service

Penyimpanan
Min. 500 MB ruang kosong untuk dependensi Scikit-Learn, CatBoost, berkas model Joblib (~155 KB), dan dataset

Untuk berkas & dependensi

Database & Layanan
Tidak memerlukan database SQL eksternal (Pipeline machine learning dan konfigurasi produk tersimpan secara mandiri dalam format Joblib dan JSON)
Hardware / Catatan Khusus
Model pipeline telah dilatih dan diekspor dalam berkas models/best_bakery_forecasting_pipeline.pkl sehingga server web Flask dapat langsung dijalankan seketika. Latensi inferensi CPU sangat cepat (< 20 ms per request).

Pertanyaan yang Sering Diajukan (FAQ)

Jawaban ringkas terkait lisensi, akses file unduhan, dan panduan instalasi:

Bagaimana cara mendapatkan source code setelah pembayaran?

Segera setelah pembayaran lunas (PAID), berkas ZIP project dapat langsung diunduh secara instan dari halaman ini atau menu Dashboard > Pembelian & Unduhan. Salinan bukti invoice transaksi dan tautan akses juga dikirim otomatis ke alamat email Anda.

Apakah ada panduan instalasi dan dokumentasi teknis?

Ya! Setiap project di Devilda Projects menyertakan dokumentasi teknis komprehensif, arsitektur sistem, struktur database, serta instruksi langkah demi langkah cara setup environment lokal hingga siap di-run.

Bolehkah source code ini dimodifikasi untuk tugas akhir/skripsi/komersial?

Tentu saja. Pembelian lisensi memberikan Anda hak penuh untuk memodifikasi, mengkustomisasi, dan mengembangkan source code ini untuk keperluan tugas akhir, skripsi, portfolio kerja, maupun proyek komersial klien Anda.

Bagaimana jika saya mengalami kendala teknis saat instalasi?

Tim teknis Devilda siap membantu asistensi. Anda dapat berkonsultasi langsung dengan tim kami via WhatsApp CS Devilda (0878-2851-5500). Kami siap membantu kendala instalasi.

Ulasan Pembeli

Ulasan terverifikasi dari pengguna yang telah membeli project ini.

5.0 (0)

Belum ada ulasan untuk project ini.

Harga Lisensi Source Code
Rp 350.000 / sekali bayar
Tayangan: 17 kali dilihat
Populer
Tonton Demo TikTok
Lihat
Beli Source Code Sekarang

Pembayaran aman via QRIS (Semua E-Wallet) & Virtual Account.

Yang Anda Dapatkan:

  • Full Source Code Lengkap & Aset Project
  • Teknologi: Python, Flask, HTML, CSS
  • Panduan Instalasi & Konfigurasi Lingkungan
  • Seluruh Bab Dokumentasi Teknis Langkah demi Langkah
  • Hak Lisensi Tugas Akhir, Skripsi & Komersial
  • Akses Unduhan Berkas ZIP & Code Explorer Langsung
Download link instan dan akses dokumentasi dikirim otomatis ke akun Anda.