Pendekatan Analitik Prediktif dan Preskriptif untuk Optimasi Operasional Penjualan Snack di Lingkungan Kampus
Predictive and Prescriptive Analytics Approach for Optimizing Campus Snack Sales Operations
DOI:
https://doi.org/10.57152/ijirse.v6i1.2741Keywords:
Analisis Skenario, Gradient Boosting , Machine Learning, Penjualan Snack Kampus, XGBoostAbstract
Penelitian ini bertujuan untuk mengoptimalkan penjualan snack mahasiswa di lingkungan kampus menggunakan pendekatan Artificial Intelligence (AI) prediktif dan preskriptif. Metode yang digunakan meliputi pengumpulan data penjualan dari lima kantin fakultas dengan variabel jenis produk, hari transaksi, cuaca, event kampus, dan promo. Model prediktif dalam penelitian ini dibangun menggunakan algoritma Linear Regression, Random Forest, Gradient Boosting, dan XGBoost. Selanjutnya, model preskriptif dikembangkan melalui pendekatan What-If Analysis untuk menghasilkan rekomendasi optimalisasi strategi penjualan dan pengelolaan stok berdasarkan berbagai kondisi penjualan. Hasil evaluasi menunjukkan bahwa seluruh model memiliki performa yang sangat baik dengan nilai koefisien determinasi (R²) dan cross-validation di atas 0,98. Model Gradient Boosting menghasilkan performa terbaik dengan nilai R² sebesar 0,9917, MAE sebesar 0,8872, serta nilai cross-validation R² sebesar 0,9875. Sementara itu, Linear Regression, Random Forest, dan XGBoost juga menunjukkan hasil prediksi yang kompetitif dan stabil. Analisis preskriptif menunjukkan bahwa jenis produk, hari transaksi, dan event kampus merupakan faktor utama yang memengaruhi penjualan, sedangkan promo dan cuaca memiliki pengaruh yang relatif lebih kecil. Penelitian ini menunjukkan bahwa integrasi AI prediktif dan preskriptif mampu membantu pengelola kantin dalam mengoptimalkan strategi penjualan, pengelolaan stok, serta pengambilan keputusan berbasis data secara lebih efektif di lingkungan kampus.
References
D. Puspasari and F. Farapti, “Hubungan Konsumsi Makanan Jajanan dengan Status Gizi pada Mahasiswa,” Media Gizi Indones., vol. 15, no. 1, p. 45, 2020.
W. Wahyudi, A. Nurfadilah, C. Fransisca, K. Fahrezi, M. F. Zulkadri, and J. Manik, “Pola Konsumsi Snack dan Minuman Kemasan pada Mahasiswa Kesehatan dan Non-Kesehatan: Studi Kasus UIN Sumatera Utara,” J. Syifa Sci. Clin. Res., vol. 6, no. 3, pp. 263–273, 2024, doi: 10.37311/jsscr.v6i3.28867.
F. A. Hasibuan, “Pengaruh Halal Awarness Quality dan Price Terhadap Impluse Buying Makanan Instan di Kalangan Mahasiswa,” Universitas Islam Negeri Syekh Alihasan Ahmad Addary, 2021.
C. Heins, “Artificial intelligence in retail – a systematic literature review,” Emerald Publ., vol. 25, no. 2, 2023.
David Iyanuoluwa Ajiga, Ndubuisi Leonard Ndubuisi, Onyeka Franca Asuzu, Oluwaseyi Rita Owolabi, Tula Sunday Tubokirifuruar, and Rhoda Adura Adeleye, “Ai-Driven Predictive Analytics in Retail: a Review of Emerging Trends and Customer Engagement Strategies,” Int. J. Manag. Entrep. Res., vol. 6, no. 2, pp. 307–321, 2024, doi: 10.51594/ijmer.v6i2.772.
P. Prasad and J. Mathew, “AI for Predictive Analytics in Retail: Enhancing Inventory Management and Customer Engagement,” Int. J. Sci. Res. Eng. Trends, vol. 11, no. 2, pp. 2056–2060, 2025, doi: 10.61137/ijsret.vol.11.issue2.393.
S. Ito and R. Fujimaki, “Optimization beyond prediction: Prescriptive price optimization,” Proc. ACM SIGKDD Int. Conf. Knowl. Discov. Data Min., vol. Part F1296, pp. 1833–1841, 2017, doi: 10.1145/3097983.3098188.
H. Wijaya, D. Pramana Hostiadi, and E. Triandini, “Meningkatkan Prediksi Penjualan Retail Xyz Dengan Teknik Optimasi Random Search Pada Model Xgboost,” in Prosiding Seminar Hasil Penelitian Informatika dan Komputer 2024, Bali: SPINTER, 2024, p. 2024.
M. M. Yuniar and R. Ambarwati, “Prediction Analysis of Retail Store Sales Level using Neural Network Algorithm Method based on Customer Segments [ Analisis Prediksi Tingkat Penjualan Toko Ritel menggunakan Metode Algoritma Neural Network berbasis Segmen Pelanggan ],” pp. 1–11, 2023.
N. Hidayah, ; Agus, R.?; Puspo, D. Dirgantari, ; Lili, and A. Wibowo, “AI-Based Decision-Making on Business Strategy: A Review,” Int. J. Soc. Sci. Res. Rev., vol. 6, no. 11, pp. 26–36, 2023.
A. A. Chaudhry, C. P. Heilman, and P. B. Seetharaman, “Measuring the effects of customized targeted promotions on retail profit using prescriptive analytics,” J. Revenue Pricing Manag., vol. 23, no. 2, 2024.
E. Sari, S. Said, and D. Febrianti, “Faktor Lingkungan yang Berhubungan dengan Perilaku Pemilihan Jajanan Siswa SMPN 5 Panca Rijang Kabupaten Sidenreng Rappang,” MANUNJU Malhayati Nurs. J., vol. 7, no. 8, pp. 3745–3758, 2021.
A. T. Widiyatmoko, S. Butsianto, and A. Nugroho, “Penerapan Machine Learning untuk Prediksi Kenaikan Harga Beras Premium Menggunakan Algoritma Regresi Linier,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 5, no. 3, pp. 1125–1132, 2025, [Online]. Available: https://journal.irpi.or.id/index.php/malcom/article/view/2123
R. D. Sanjaya and R. Meilisa, “Analisis Prediksi Profit Pada Toko Eska Dengan Metode Regresi Linear,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 12, no. 3, 2025, doi: 10.35957/jatisi.v12i3.12563.
M. Schonlau and R. Y. Zou, “The Random Forest Algorithm for Statistical Learning The Random Forest algorithm,” pp. 1–23, 2020.
S. N. N. Ikhda, N. A. Ramdhan, and A. Premana, “Penerapan Algoritma Random Forest Prediksi Penyakit Paru-Paru,” J. Teknol. Inf. dan Komput., vol. 9, no. 2, pp. 145–153, 2023.
R. Dahlia and C. I. Agustyaningrum, “Perbandingan Gradient Boosting dan Light Gradient Boosting Dalam Melakukan Klasifikasi Rumah Sewa,” J. Nas. Komputasi dan Teknol. Inf., vol. 5, no. 6, pp. 1016–1020, 2022, doi: 10.32672/jnkti.v5i6.5460.
Rizka Dahlia, Lady Agustin Fitriana, and Syarah Seimahuira, “Analisis Algoritma Gradient Boosting Dalam Pengaruh Masyarakat Memilih Rumah Sewa,” J. Manaj. Inform. dan Sist. Inf., vol. 8, no. 1, pp. 35–44, 2025, doi: 10.36595/misi.v8i1.1356.
S. E. H. Yulianti, O. Soesanto, and Y. Sukmawaty, “Penerapan Metode Extreme Gradient Boosting ( XGBOOST ) pada Klasifikasi Nasabah Kartu Kredit,” J. Math. Theory Appl., vol. 4, no. 1, pp. 21–26, 2022.
A. A. Saputra, B. N. Sari, and C. Rozikin, “Penerapan Algoritma Extreme Gradient Boosting (Xgboost) Untuk Analisis Risiko Kredit,” J. Ilm. Wahana Pendidik., vol. 10, no. April, pp. 27–36, 2024.
J. F. H. JR, W. C. BLack, B. J. Babin, and R. E. Anderson, “Multivariate Data Analysis.pdf,” 2010, Prentice Hall.
D. N. Gujarati, Dasar Dasar Ekonometrika. Jakarta: Salemba Empat, 2012.
A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Editio. Sebastopol: O’Reilly Media, 2019.
