IRPIIRPI
MALCOM: Indonesian Journal of Machine Learning and Computer ScienceMALCOM: Indonesian Journal of Machine Learning and Computer SciencePengendalian persediaan yang efektif sangat penting dalam mengoptimalkan profitabilitas melalui pengendalian biaya dan peningkatan efisiensi. Teknik persediaan konvensional sering kali kesulitan menyesuaikan diri dengan dinamika cepat di lingkungan restoran, sehingga menyebabkan kelebihan stok, kekurangan persediaan, dan pemborosan makanan yang tidak perlu. Namun, perubahan signifikan sedang terjadi dengan diintegrasikannya kecerdasan buatan (AI) untuk mengatasi permasalahan ini. Sistem manajemen persediaan berbasis AI membantu restoran mengoptimalkan tingkat stok, mengurangi limbah, dan memprediksi permintaan dengan lebih akurat, sehingga meningkatkan efisiensi dan profitabilitas. Penelitian ini mengeksplorasi bagaimana manajemen persediaan berbasis AI meningkatkan efisiensi, mengurangi limbah, dan mengotomatiskan pemesanan ulang di sektor restoran, dengan fokus khusus pada integrasi Teachable Machine dan TensorFlow Lite di TastyGo. Solusi yang diusulkan memanfaatkan pengenalan citra untuk pelacakan persediaan secara real-time serta model pembelajaran mesin untuk prediksi permintaan dan otomatisasi pemesanan ulang. Dengan menerapkan teknik AI tersebut, TastyGo dapat mempercepat manajemen rantai pasok, menghemat limbah melalui analitik prediktif, dan memperbaiki pengelolaan persediaan. Studi ini menunjukkan bahwa solusi berbasis AI dapat meningkatkan pengambilan keputusan, mengurangi limbah makanan, dan secara signifikan meningkatkan efisiensi operasional yang berujung pada peningkatan profitabilitas. Temuan penelitian ini menyoroti potensi teknologi AI untuk merevolusi sistem manajemen persediaan konvensional di industri restoran.
Implementasi sistem manajemen persediaan berbasis AI menggunakan Teachable Machine dan TensorFlow Lite di TastyGo terbukti meningkatkan efisiensi persediaan, mengurangi limbah makanan, dan menekan biaya operasional melalui pelacakan real-time dan prediksi permintaan yang akurat.Keberhasilan model pengenalan citra serta analisis pola visual dan auditori tidak hanya meminimalkan kesalahan manusia dan mempercepat respons, tetapi juga memungkinkan adopsi AI bagi tim dengan pengetahuan teknis terbatas.Temuan ini menunjukkan potensi signifikan teknologi AI untuk merevolusi sistem manajemen persediaan konvensional dan meningkatkan kualitas produk di berbagai sektor industri.
Pertama, penelitian selanjutnya dapat mengeksplorasi perluasan dan diversifikasi dataset gambar makanan tradisional dan modern di Indonesia untuk menguji batas kemampuan model Teachable Machine dalam mengidentifikasi variasi hidangan yang memiliki kemiripan visual, sekaligus membandingkan efektivitas sejumlah teknik augmentasi dan transfer learning dalam meningkatkan akurasi klasifikasi. Kedua, penting untuk mengembangkan integrasi TastyGo dengan perangkat Internet of Things (IoT) seperti sensor suhu dan kelembapan yang terpasang di ruang penyimpanan serta dapur, guna mengkaji bagaimana data lingkungan real-time dapat diproses bersama citra untuk mendeteksi risiko keamanan pangan secara lebih komprehensif, serta menilai arsitektur fusi data yang optimal agar sistem mampu memberikan rekomendasi penanganan stok dan kontrol kualitas dengan presisi lebih tinggi. Ketiga, penelitian dapat diarahkan pada penerapan kerangka active learning dan mekanisme umpan balik pengguna langsung dalam aplikasi, yang memungkinkan model pembelajaran mesin secara adaptif mempelajari kasus misklasifikasi melalui konfirmasi pengguna, meminimalkan intervensi manual untuk pelabelan ulang, dan meningkatkan kinerja serta daya tahan model dalam jangka panjang. Dengan merancang metodologi studi yang mencakup percobaan lapangan dan evaluasi metrik terstandarisasi pada ketiga aspek ini, hasilnya diharapkan dapat mengoptimalkan skalabilitas, ketepatan, dan aplikasi TastyGo di sektor restoran dan industri terkait lainnya.
| File size | 554.58 KB |
| Pages | 11 |
| DMCA | ReportReport |
Related /
IRPIIRPI Hasil ini menunjukkan bahwa kombinasi MLP Classifier dan TF-IDF dapat mengatasi keterbatasan dataset hingga tingkat tertentu dibandingkan metode baseline.Hasil ini menunjukkan bahwa kombinasi MLP Classifier dan TF-IDF dapat mengatasi keterbatasan dataset hingga tingkat tertentu dibandingkan metode baseline.
IRPIIRPI Penelitian ini bertujuan untuk mengevaluasi peran kecerdasan buatan dalam meningkatkan pengelolaan anggaran dan penyesuaian acara korporat. Dengan mengatasiPenelitian ini bertujuan untuk mengevaluasi peran kecerdasan buatan dalam meningkatkan pengelolaan anggaran dan penyesuaian acara korporat. Dengan mengatasi
IRPIIRPI Sistem pemantauan kualitas udara berbasis IoT memberikan perspektif komprehensif tentang konsentrasi polutan dan memungkinkan masyarakat mengambil langkahSistem pemantauan kualitas udara berbasis IoT memberikan perspektif komprehensif tentang konsentrasi polutan dan memungkinkan masyarakat mengambil langkah
IRPIIRPI Namun, aplikasi masih memiliki kelemahan pada antarmuka yang kurang intuitif dan keterbatasan dalam mengelola kategori barang yang kompleks. PengembanganNamun, aplikasi masih memiliki kelemahan pada antarmuka yang kurang intuitif dan keterbatasan dalam mengelola kategori barang yang kompleks. Pengembangan
Useful /
JOURNAL IASSSFJOURNAL IASSSF Metode: Penelitian ini menggunakan metode deskriptif dengan pendekatan kualitatif. Temuan: Gerakan sosial baru yang dijalankan Octopus terbukti cukup efektif;Metode: Penelitian ini menggunakan metode deskriptif dengan pendekatan kualitatif. Temuan: Gerakan sosial baru yang dijalankan Octopus terbukti cukup efektif;
IRPIIRPI Riset ini berhasil mengkaji faktor-faktor yang memengaruhi tingkat engagement video di platform TikTok menggunakan metode Multiple Regresi Linear padaRiset ini berhasil mengkaji faktor-faktor yang memengaruhi tingkat engagement video di platform TikTok menggunakan metode Multiple Regresi Linear pada
IRPIIRPI Analisis mengidentifikasi curah hujan ekstrem dan suhu maksimum sebagai variabel paling berpengaruh pada kedua model, sehingga menjadi faktor kritis dalamAnalisis mengidentifikasi curah hujan ekstrem dan suhu maksimum sebagai variabel paling berpengaruh pada kedua model, sehingga menjadi faktor kritis dalam
IRPIIRPI Kesalahan untuk deteksi nyata terutama terjadi pada kelas Cabai Leaf Curl 50% dan Tomat Normal 40% dari masing-masing 10 kali uji deteksi sampel. AnalisisKesalahan untuk deteksi nyata terutama terjadi pada kelas Cabai Leaf Curl 50% dan Tomat Normal 40% dari masing-masing 10 kali uji deteksi sampel. Analisis