TA DIGITAL
Rancangan Bangun Sistem POS Teringirtasi Machine Learning Uuntuk Optimasi Manajemen Stok Pada UMKM = Design and Development of a Machine Learning Integrated POS System for Optimizing Inventory Management in MSMEs
Mita Salsabilla dan Yafi Rizky Kurniawan, “Rancangan Bangun Sistem POS Terintegrasi Machine Learning Untuk Optimasi Manajemen Stok Pada UMKM”, Tugas Akhir DIII Program Studi Teknik Informatika, Jurusan Teknik Elektro, Politeknik Negeri Semarang, dibawah bimbingan Dr. Ir. Kurnianingsih, S.T., M.T. dan Amran Yobioktabera, S.Kom, M.Kom. 13 Agustus 2026
Usaha Mikro Kecil, dan Menengah (UMKM) memiliki kontribusi yang signifikan terhadap pertumbuhan perekonomian Indonesia, namun sebagian besar masih menghadapi kendala dalam pengelolaan stok dan pencatatan transaksi secara manual. Ketidakakuratan pencatatan ini menyebabkan kerugian berupa kehabisan stok (Stockout), pemborosan akibat produk kadaluwarsa, dan ketidakefisienan modal kerja.
Tugas Akhir ini merancang dan membangun sebuah Sistem Point Of Sales (POS) dengan berbasis web yang terintegrasi dengan lima modul Machine Learning untuk optimasi manajemen stok pada UMKM ritel, khususnya warung kelontong. Sistem dibangun menggunakan arsitektur full-stack dengan Django REST framework sebagai backend, React.js sebagai Frontend, dan PostgreSQL sebagai basis data. Fitur POS mencakup pencatatan transaksi multi-metode pembayaran (CASH, QRIS, Transfer Bank, E-Wallet), manajemen stok dengan metode FIFO (First In First Out) berbasis batch, manajemen waktu multi-cabang, serta dua role pengguna (Admin/Owner dan Kasir).
Lima modul Machine Learning yang dikembangkan meliputi: (1) Prediksi Kehabisan Stok menggunakan Moving Average, (2) Rekomendasi restock menggunakan Safety Stock dan Economic Order Quantiity (EOQ), (3) Analisis Risiko Kadaluwarsa menggunakan Sales velocity, (4) Prediksi Pendapatan menggunakan Ridge Regression dengan Feature Engineering, dan (5) Klasifikasi Produk ABC menggunakan Pareto Analysis. Seluruh modul divalidasi menggunakan data sistem berbasis parameter wawancara UMKM real.
Hasil pengujian menunjukkan bahwa model Revenue Forecast R-suared sebesar 0,34% pada data uji dengan MAE sebesar Rp 124.000 dan RMSE sebesar Rp 136.000. Modul Stockout berhasil mengidentifikasikan 1 produk berstatus CRITICAL dan 14 Produk LOW risk. Klasifikasi ABC mengelompokkan 4 produk sebagai Kelas A (78,8% revenue), 3 Produk Kelas B (14,4%), dan 8 produk Kelas C (6,8%). Sistem ini secara keseluruhan terdiri dari 18 halaman Frontend, 10 backend apps, dan mendukung arsitektur multi-tenant untuk pengelolaan banyak cabang
Kata Kunci: Point Of Sales, Machine Learning, Manajemen Stok, UMKM, FIFO, Ridge Regression, ABC Analysis, Django, React
Tidak tersedia versi lain
Karya Umum 
Filsafat 
Agama 
Ilmu-ilmu Sosial 
Bahasa 
Ilmu-ilmu Murni 
Ilmu-ilmu Terapan 
Kesenian, Hiburan, dan Olahraga 
Kesusastraan 
Geografi dan Sejarah