INTEGRASI XGBOOST DAN CHATBOT AI PADA SISTEM MANAJEMEN PERSEDIAAN PRODUK DENGAN DEPLOYMENT CLOUD DENGAN NOTIFIKASI REAL-TIME

Syafitri, Aulia (2026) INTEGRASI XGBOOST DAN CHATBOT AI PADA SISTEM MANAJEMEN PERSEDIAAN PRODUK DENGAN DEPLOYMENT CLOUD DENGAN NOTIFIKASI REAL-TIME. Diploma thesis, Politeknik Negeri Sriwijaya.

	Text (COVER) COVER.pdf - Published Version Download (1MB)
	Text (ABSTRAK) ABSTRAK.pdf - Published Version Download (223kB)
	Text (BAB I PENDAHULUAN) BAB I.pdf - Published Version Restricted to Repository staff only Download (274kB) | Request a copy
	Text (BAB II TINJAUAN PUSTAKA) BAB II.pdf - Published Version Restricted to Repository staff only Download (612kB) | Request a copy
	Text (BAB III METODOLOGI) BAB III.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy
	Text (BAB IV HASIL DAN PEMBAHASAN) BAB IV.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy
	Text (BAB V KESIMPULAN & SARAN) BAB V.pdf - Published Version Restricted to Repository staff only Download (144kB) | Request a copy
	Text (DAFTAR PUSTAKA) DAFTAR PUSTAKA.pdf - Published Version Restricted to Repository staff only Download (213kB) | Request a copy
	Text (LAMPIRAN) LAMPIRAN.pdf - Published Version Restricted to Repository staff only Download (7MB) | Request a copy

Abstract

Sistem manajemen persediaan ShelfMind dirancang dan dikembangkan untuk mengatasi permasalahan pengelolaan stok manual pada Toko Tika Baru dengan mengintegrasikan algoritma Extreme Gradient Boosting (XGBoost) berbasis teknik Time-Based Feature Extraction untuk prediksi penjualan dan risiko kadaluarsa produk, serta AI Assistant berbasis Large Language Model (LLM) dengan pendekatan Retrieval-Augmented Generation (RAG) untuk akses informasi secara interaktif melalui bahasa alami. Sistem dibangun menggunakan arsitektur multi-tier yang mencakup lapisan frontend (HTML, Tailwind CSS, Alpine.js), backend (Node.js/Express.js), layanan machine learning (Python/FastAPI), dan basis data (MySQL), dengan deployment berbasis cloud dan notifikasi real-time. Hasil pengujian fungsional black-box terhadap 31 skenario menunjukkan tingkat kelulusan 100%, model XGBoost yang dilatih menggunakan 29 variabel prediktif menghasilkan nilai R² sebesar 0,8734, MAE sebesar 0,4107 unit per hari, dan RMSE sebesar 0,5081 unit per hari, sedangkan AI Assistant mencapai nilai rata-rata 4,94 dari skala 5,00 dengan latensi respons yang berhasil direduksi sebesar 83,5% melalui mekanisme caching, sehingga sistem dinyatakan layak digunakan sebagai solusi manajemen persediaan berbasis kecerdasan buatan untuk UMKM ritel.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	manajemen persediaan, XGBoost, Time-Based Feature Extraction, prediksi penjualan, Large Language Model, Retrieval-Augmented Generation, AI Assistant, UMKM ritel
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Telecommunication Engineering > Undergraduate Theses
Depositing User:	Pustaka Teknik Elektro
Date Deposited:	18 Sep 2026 07:58
Last Modified:	18 Sep 2026 07:58
URI:	http://eprints.polsri.ac.id/id/eprint/26344

Actions (login required)

View Item