Penerapan Machine Learning untuk Memprediksi Jumlah Penjualan Roti Guna Menentukan Kuota Produksi Harian
Demo & Pengujian Sistem: Penerapan Machine Learning untuk Memprediksi Jumlah Penjualan Roti Guna Menentukan Kuota Produksi Harian
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
Arsitektur & Pipeline Sistem
Alur data interaktif dari input request hingga hasil pemrosesan sistem:
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.
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).
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).
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).
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.
Struktur Berkas & Repositori
Hierarki folder dan berkas yang disertakan dalam paket proyek ini:
prediksi-penjualan-roti-kuota-produksi-harian-machine-learning.zip
Arsip paket ZIP lengkap berisi 100% seluruh berkas di atas siap dijalankan.
Dokumentasi Teknis
Tersedia dokumentasi teknis komprehensif untuk project ini:
Kebutuhan Sistem & Spesifikasi
Spesifikasi minimum perangkat untuk menjalankan project ini dengan lancar:
Cross-platform compatible
Lingkungan kerja teruji
Optimal untuk running service
Untuk berkas & dependensi
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.
Belum ada ulasan untuk project ini.
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