<![CDATA[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.]]>
Copyrights © 2026
