Tag: prediksi gudang pangan

Pendahuluan Dalam rangka mendukung ketahanan pangan nasional melalui pemanfaatan teknologi digital, Mobile Faculty bersama Fakultas Ilmu Komputer Universitas Mercu Buana dan Pusat Data dan Informasi (Pusdatin) Badan Pangan Nasional, telah mengembangkan hasil riset sistem Stock Management berbasis prediksi serta Chatbot AI Engineer. Proyek ini bertujuan untuk mempermudah pengelolaan stok bahan pangan serta mempercepat proses distribusi dan permintaan logistik berbasis data aktual dan proyeksi cerdas dengan menggunakan dataset yang di akses pada halaman website badanpangan. Sistem ini dibangun dengan pendekatan data-driven yang menggabungkan metode statistik dan deep learning untuk prediksi stok, serta integrasi chatbot berbasis kecerdasan buatan (AI) yang mampu mengakses database stok pangan secara real time. Langkah dan Tahapan Pengembangan Sistem 1. Komparasi Model ARIMA dan LSTM Langkah awal dilakukan studi komparatif antara dua pendekatan prediktif: ARIMA (AutoRegressive Integrated Moving Average): Model statistik yang efektif untuk data musiman dan tren linier. Cocok untuk data historis stok pangan yang bersifat periodik. LSTM (Long Short-Term Memory): Model deep learning berbasis Recurrent Neural Network (RNN) yang unggul dalam menangani data urutan panjang dan fluktuasi tak menentu. Hasil: ARIMA lebih efisien dari segi komputasi dan cukup akurat untuk kebutuhan stok musiman, sementara LSTM unggul dalam akurasi jangka panjang. 2. Penggunaan ARIMA untuk Prediksi Stok Bahan Pangan Model ARIMA kemudian diterapkan dalam sistem sebagai engine prediksi ketersediaan stok berdasarkan: Riwayat stok masuk dan keluar Musim panen Tren konsumsi regional Output dari prediksi ini akan digunakan sebagai dasar dalam pengambilan keputusan distribusi dan pengadaan bahan pangan. 3. Pengembangan Sistem Stock Management Sistem manajemen stok dikembangkan untuk: Menyimpan hasil prediksi dalam database stok pangan Menampilkan grafik prediksi dan ketersediaan real-time Memberikan notifikasi ketika stok menipis Mengatur distribusi secara otomatis ke wilayah berdasarkan prioritas dan kebutuhan Sistem ini terintegrasi dengan dashboard yang ramah pengguna untuk operator gudang dan administrator logistik. 4. Pembuatan Chatbot AI untuk Akses dan Permintaan Sebuah chatbot berbasis Natural Language Processing (NLP) dikembangkan untuk: Memberikan informasi ketersediaan bahan pangan berdasarkan kueri/query pengguna surplus dan minus bahan pangan untuk penentuan distribusi Mengakses database stok secara langsung melalui perintah percakapan 5. Integrasi Meta AI untuk Respons Cerdas Untuk mempercepat respons permintaan dan memahami konteks yang lebih dalam, chatbot dilengkapi dengan teknologi Meta AI yang mampu: Menganalisis intensi pengguna Menyimpulkan kebutuhan pengguna berdasarkan data pada DB serta hasil prediksi Mengotomatisasi perintah distribusi dan pengadaan stok Kesimpulan Proyek ini membuktikan bahwa teknologi dapat mendukung efisiensi logistik pangan secara nasional melalui sistem berbasis prediksi dan AI. Kami dari Mobile Faculty menyediakan jasa pengembangan aplikasi Stock Management dan Chatbot AI seperti di atas, serta pelatihan intensif bagi instansi, mahasiswa, maupun praktisi IT dengan biaya Rp3.500.000 per peserta. Kami siap mendampingi dari tahap awal (perancangan sistem) hingga penerapan dan pelatihan penggunaan, baik secara online maupun onsite.