{JALUR PROFESIONAL – STUDI INDEPENDEN} IMPLEMENTASI PREDIKSI STOK BAHAN MAKANAN MENGGUNAKAN MACHINE LEARNING BERBASIS ANGULAR (LEFTOVER)

Purwanto, Ibrahim Bin (2023) {JALUR PROFESIONAL – STUDI INDEPENDEN} IMPLEMENTASI PREDIKSI STOK BAHAN MAKANAN MENGGUNAKAN MACHINE LEARNING BERBASIS ANGULAR (LEFTOVER). S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (841kB)
	Text (BAB I) BAB I.pdf Download (387kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (1MB)
	Text (BAB III) BAB III.pdf Download (81kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (576kB)
	Other (SOURCE CODE) Laporan Magang Source Code - Ibrahim Bin Purwanto.rar Restricted to Repository staff only Download (111MB)

Abstract

Setiap tahunnya, jutaan ton makanan terbuang sia-sia karena berbagai alasan di Indonesia. Menurut Foodwaste Index 2021, Indonesia menghasilkan sekitar 20,93 juta ton sampah makanan setiap tahunnya. Salah satu penyebabnya adalah restoran atau usaha kuliner yang menjual makanan yang mudah rusak. Restoran sering kali menyimpan persediaan bahan makanan berlebihan, yang pada akhirnya berakhir dengan pembuangan makanan yang tidak terpakai. Namun, menyimpan persediaan makanan terlalu sedikit dapat mengakibatkan kehabisan stok dan gagal memenuhi permintaan pelanggan. Dari sinilah ide pembuatan sistem bernama Leftover muncul. Kami menyadari bahwa restoran cenderung membuang sisa bahan makanan yang mudah rusak karena penyimpanan persediaan yang berlebihan, dan ini merupakan peluang untuk menerapkan machine learning guna mengatasi permasalahan food waste. Sistem ini dibangun menggunakan metode Deep Learning, dengan memproses dan menganalisis dataset dari restoran sebagai langkah awal. Pembuatan model dilakukan menggunakan Google Colab dengan menggunakan TensorFlow untuk membangun arsitektur model. Untuk menangani data sekuensial seperti Time Series, digunakan layer seperti Recurrent Neural Network dan Long Short-Term Memory. Melalui penggunaan Hyperparameter Tuning, learning rate terbaik dengan loss terendah dipilih. Hasilnya, sistem ini berhasil menghasilkan performa dengan Mean Absolute Error (MAE) antara 1% hingga 2,5%. MAE merupakan rata-rata selisih mutlak antara nilai aktual dan prediksi, yang menjadi metrik untuk mengukur akurasi sistem ini. Dengan penerapan metode deep learning, Leftover berhasil memberikan solusi untuk mengurangi pemborosan makanan di restoran dan berkontribusi dalam upaya mengurangi food waste.

Item Type:

Thesis (S1 - Sarjana)

Contributor: