Pendekatan Ensemble Machine Learning (XGBoost & CatBoost) Serta Generative AI Untuk Klasifikasi dan Mitigasi Food Waste

Abstract

Penelitian ini berfokus pada pengembangan arsitektur Machine Learning end-to-end untuk mendeteksi risiko pembusukan pada manajemen inventaris produk segar (food waste). Model klasifikasi dibangun menggunakan pendekatan Soft Voting Ensemble yang menggabungkan algoritma Extreme Gradient Boosting (XGBoost) dan CatBoost. Proses data preprocessing mencakup pembersihan anomali logis berbasis domain knowledge serta rekayasa fitur (feature engineering) untuk mengekstraksi shadow features krusial seperti life_ratio dan temp_diff. Untuk mempertahankan hukum logis kausalitas, model dilatih dengan injeksi Monotonic Constraints tanpa menerapkan oversampling sintesis (SMOTE), melainkan mengatur hiperparameter scale_pos_weight untuk menyeimbangkan data. Probabilitas klasifikasi yang dihasilkan kemudian diintegrasikan ke dalam antarmuka Streamlit dan disalurkan menuju model Large Language Model (LLM) Google Gemini 2.5 Flash melalui mekanisme API yang dioptimasi dengan teknik Smart Caching. Hasilnya, model prediksi menunjukkan akurasi yang tinggi dan stabilitas dalam klasifikasi biner, sementara modul preskriptif GenAI mampu mencetak laporan interaktif berjenjang. Secara keseluruhan, sistem cerdas ini tidak sekadar bertindak sebagai mesin prediksi (Acceptable), tetapi juga sukses bertransformasi sebagai platform analitik rekomendasi taktis (Good) bagi efisiensi bisnis ritel.