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 | Report |
Related /
STIE AASSTIE AAS Temuan penelitian menunjukkan bahwa di desa‑desa Kecamatan Sawit, Kabupaten Boyolali, pengelolaan APB Desa dipengaruhi secara signifikan oleh partisipasiTemuan penelitian menunjukkan bahwa di desa‑desa Kecamatan Sawit, Kabupaten Boyolali, pengelolaan APB Desa dipengaruhi secara signifikan oleh partisipasi
UMBUMB Perubahan iklim berdampak luas pada operasi pelabuhan di seluruh dunia melalui kenaikan permukaan laut, badai, dan banjir. Adaptasi dan mitigasi diperlukanPerubahan iklim berdampak luas pada operasi pelabuhan di seluruh dunia melalui kenaikan permukaan laut, badai, dan banjir. Adaptasi dan mitigasi diperlukan
IRPIIRPI Penelitian ini berhasil menunjukkan bahwa kombinasi MLP Classifier dengan TF-IDF mampu mengklasifikasikan sentimen masyarakat terkait penunjukan KaesangPenelitian ini berhasil menunjukkan bahwa kombinasi MLP Classifier dengan TF-IDF mampu mengklasifikasikan sentimen masyarakat terkait penunjukan Kaesang
IRPIIRPI Faktor seperti durasi video, jumlah tayangan, like, share, dan komentar terbukti berpengaruh signifikan, dengan jumlah tayangan memiliki dampak terbesarFaktor seperti durasi video, jumlah tayangan, like, share, dan komentar terbukti berpengaruh signifikan, dengan jumlah tayangan memiliki dampak terbesar
IRPIIRPI Penelitian ini berhasil mendemonstrasikan integrasi kecerdasan buatan dalam perencanaan acara korporat melalui teknik pemrosesan bahasa alami dan optimasiPenelitian ini berhasil mendemonstrasikan integrasi kecerdasan buatan dalam perencanaan acara korporat melalui teknik pemrosesan bahasa alami dan optimasi
IRPIIRPI Pengintegrasian teknologi IoT dalam sistem pemantauan kualitas udara merupakan perubahan signifikan dalam manajemen lingkungan perkotaan. Penelitian iniPengintegrasian teknologi IoT dalam sistem pemantauan kualitas udara merupakan perubahan signifikan dalam manajemen lingkungan perkotaan. Penelitian ini
IRPIIRPI Hal ini menegaskan keunggulan K-Medoids dalam menangani data dengan outlier dan distribusi tidak merata. Hasil pengelompokan ini dapat dijadikan dasarHal ini menegaskan keunggulan K-Medoids dalam menangani data dengan outlier dan distribusi tidak merata. Hasil pengelompokan ini dapat dijadikan dasar
IRPIIRPI Metode pengembangan sistem yang digunakan adalah metode Prototyping, yang memungkinkan pengembangan sistem dilakukan secara bertahap melalui pembuatanMetode pengembangan sistem yang digunakan adalah metode Prototyping, yang memungkinkan pengembangan sistem dilakukan secara bertahap melalui pembuatan
Useful /
PAEDIATRICAINDONESIANAPAEDIATRICAINDONESIANA Studi ini menyediakan model prediksi TH yang valid secara lokal untuk anak-anak Indonesia, yang menunjukkan keunggulan dalam penerapan klinis dibandingkanStudi ini menyediakan model prediksi TH yang valid secara lokal untuk anak-anak Indonesia, yang menunjukkan keunggulan dalam penerapan klinis dibandingkan
IRPIIRPI Urgensi penelitian ini terletak pada pentingnya pengembangan model prediktif berbasis data untuk mengantisipasi dampak perubahan iklim terhadap ketahananUrgensi penelitian ini terletak pada pentingnya pengembangan model prediktif berbasis data untuk mengantisipasi dampak perubahan iklim terhadap ketahanan
UNISTIUNISTI Dengan menggunakan metode pooled data (2017–2020), diperoleh jumlah observasi (n) sebanyak 168. Metode analisis data yang digunakan adalah regresi linearDengan menggunakan metode pooled data (2017–2020), diperoleh jumlah observasi (n) sebanyak 168. Metode analisis data yang digunakan adalah regresi linear
UNISTIUNISTI Dari hasil analisis regresi linear berganda diperoleh variabel Kepercayaan (X1) sebesar 0,555 dan Kemudahan (X2) sebesar 0,408. Hal ini menunjukkan bahwaDari hasil analisis regresi linear berganda diperoleh variabel Kepercayaan (X1) sebesar 0,555 dan Kemudahan (X2) sebesar 0,408. Hal ini menunjukkan bahwa