1. Pendahuluan: Dekonstruksi Paradigma IT dan Esensi Pengabdian Masyarakat

Bagi sebagian besar mahasiswa Teknik Informatika (TI), dunia perkuliahan adalah tentang bagaimana menaklukkan kompleksitas logika di balik layar monitor. Kita terbiasa berinteraksi dengan compiler, menyusun arsitektur basis data relasional yang ternormalisasi, melakukan hyperparameter tuning pada model kecerdasan buatan, atau berdebat tentang efisiensi algoritma di ruang laboratorium yang dingin. Kita sering kali mengukur keberhasilan sebuah sistem hanya berdasarkan angka-angka abstrak seperti tingkat akurasi model, nilai F1-score, atau kecepatan rendering server dalam milidetik. Namun, esensi sejati dari ilmu pengetahuan tidak boleh berhenti di menara gading akademis. Teknologi harus turun ke bumi untuk menyelesaikan sengkarut masalah kemanusiaan dan ekonomi di masyarakat.

Melalui Program Kreativitas Mahasiswa bidang Penerapan IPTEK (PKM-PI), tim kami mendapatkan kesempatan berharga untuk menjembatani jurang pemisah antara teori komputasi modern dan realitas operasional pelaku usaha mikro. Fokus utama dari PKM-PI bukanlah membangun sebuah perusahaan rintisan (startup) baru milik mahasiswa seperti pada skema PKM-Kewirausahaan (PKM-K). Sebaliknya, marwah dari program ini adalah mengadopsi ilmu pengetahuan dan teknologi (IPTEK) yang dikuasai mahasiswa untuk diterapkan langsung pada Mitra Program—yang dalam hal ini adalah Paguyuban Mitra Warung Kantin (PMWK) Kampus—guna mendongkrak produktivitas dan efisiensi bisnis mereka.

Di sinilah irisan fungsional antara Teknik Informatika dan Kewirausahaan (KWU) bermain secara dinamis. Kewirausahaan dalam konteks PKM-PI diukur dari bagaimana intervensi teknologi yang kami rancang mampu memperbaiki struktur finansial mitra, menekan kerugian operasional, dan meningkatkan profitabilitas usaha secara berkelanjutan.

Mitra kami, yang merupakan sekumpulan pelaku UMKM kuliner mandiri, selama bertahun-tahun menghadapi momok menakutkan yang sama: tingginya volume makanan sisa (food waste) di sore hari akibat ketidakpastian jumlah pembeli. Berdasarkan survei awal kami, biaya dari bahan baku makanan yang terbuang sia-sia ini menggerogoti sekitar 15% hingga 20% dari total omset harian mereka.

Untuk menjawab tantangan multidimensi tersebut, kami mengimplementasikan platform manajemen inventaris dan penjualan berbasis Machine Learning yang kami beri nama EcoByte. Artikel ini akan mengupas secara mendalam, naratif, dan tanpa intervensi tabel mengenai seluruh rangkaian eksperimen, implementasi algoritma, serta dampak ekonomi riil yang dirasakan oleh mitra usaha.

2. Analisis Mendalam Kebutuhan Mitra dan Deklarasi Solusi IPTEK

Sebelum sebaris kode program ditulis, tim kami terlebih dahulu melakukan proses studi etnografi dan observasi operasional yang mendalam terhadap aktivitas harian para pedagang di PMWK. Kami menemukan bahwa seluruh manajemen persediaan barang dan keputusan volume produksi makanan mereka masih bersifat konvensional, intuitif, dan sangat subjektif. Sebagai contoh, jika cuaca di pagi hari terlihat cerah, pemilik warung secara otomatis berasumsi bahwa wilayah kantin akan dipadati oleh mahasiswa. Atas dasar asumsi tersebut, mereka akan memasak persediaan makanan dalam porsi yang besar.

Namun, intuisi manusia memiliki batas presisi yang sangat sempit. Estimasi manual tersebut kerap kali meleset jauh karena gagal mengintegrasikan variabel-variabel dinamis eksternal yang bergerak secara acak di lingkungan kampus. Variabel tersebut meliputi perubahan jadwal kuliah umum secara mendadak oleh pihak fakultas, adanya masa minggu tenang menjelang ujian, pelaksanaan kegiatan demonstrasi mahasiswa, hingga pergeseran cuaca lokal yang tiba-tiba berubah menjadi hujan badai di siang hari. Ketika kantin sepi secara tidak terduga, makanan yang telah dimasak tidak dapat disimpan untuk keesokan harinya karena masalah higienitas dan pembusukan, sehingga berakhir di tempat sampah sebagai kerugian finansial mutlak.

Solusi IPTEK yang kami hantarkan melalui proposal PKM-PI ini adalah ekosistem digital EcoByte. Sistem ini tidak bertindak sebagai aplikasi kasir statis, melainkan sebagai asisten berbasis kecerdasan buatan (Artificial Intelligence) yang mengoperasikan dua mesin algoritma utama:

• Demand Forecasting Engine (Mesin Prediksi Permintaan): Fitur ini menggunakan model pembelajaran mesin dengan algoritma Random Forest Regressor. Pemilihan algoritma ini didasarkan pada kemampuannya yang sangat stabil dalam menangani hubungan non-linear antara berbagai variabel masukan. Variabel input yang kami suntikkan ke dalam model mencakup data historis penjualan mitra selama tiga bulan terakhir, data prakiraan cuaca harian yang ditarik secara otomatis dari API regional, variasi hari dalam seminggu, serta kalender akademik universitas. Pada setiap pukul 06.00 WIB, mesin ini akan memberikan rekomendasi kuantitas porsi masakan yang aman (safety stock production) kepada mitra untuk meminimalkan risiko kelebihan pasokan sejak hulu.
• Smart Dynamic Pricing Engine (Mesin Penentuan Harga Dinamis): Modul ini bekerja di sisi hilir operasional. Berbasis aplikasi web responsif, mesin ini akan memantau laju penjualan makanan mitra secara real-time. Jika pada sore hari sistem mendeteksi bahwa laju penjualan melambat dan ada potensi sisa stok yang tinggi, algoritma secara otomatis akan merekomendasikan persentase diskon yang berubah secara dinamis seiring mengecilnya sisa waktu operasional warung sebelum tutup.

Satu hal yang menjadi perhatian utama kami dalam merancang aspek teknis ini adalah kegunaan (usability). Mengingat demografi para pemilik warung didominasi oleh kelompok usia yang memiliki literasi teknologi tingkat menengah ke bawah, kami menerapkan prinsip Zero-Configuration UI. Mitra tidak perlu memahami cara kerja matriks matematika di dalam server; mereka hanya perlu melihat dasbor visual sederhana dengan indikator warna yang intuitif.

3. Metodologi Pelaksanaan dan Formula Matematika di Lapangan

Eksperimen dan penerapan teknologi EcoByte ini dilaksanakan secara intensif selama 21 hari kalender di area kantin pusat universitas, dengan melibatkan 5 stan warung makan perwakilan PMWK sebagai subjek uji coba utama. Langkah pelaksanaan di lapangan dibagi menjadi tiga fase taktis:

Fase Pertama: Digitalisasi Data Historis dan Pembersihan Data

Kami mengumpulkan lembaran catatan penjualan manual milik mitra yang sebelumnya berserakan di buku tulis nota. Data tersebut dibersihkan, dieliminasi dari pencatatan yang bias, lalu ditransformasikan ke dalam berkas digital berformat CSV. Data inilah yang menjadi bahan baku utama bagi kami untuk melatih model Machine Learning lokal menggunakan bahasa pemrograman Python di lingkungan backend.

Fase Kedua: Pendampingan Intensif dan Transfer Teknologi

Sesuai dengan marwah utama PKM-PI yang mengedepankan aspek pemberdayaan masyarakat, kami tidak melepaskan teknologi ini begitu saja. Kami menggelar sesi pelatihan personal (one-on-one mentoring) di sela-sela waktu senggang mitra berdagang. Kami mengajarkan langkah demi langkah yang sangat sederhana: bagaimana membuka aplikasi di ponsel pintar mereka, bagaimana membaca rekomendasi angka produksi di pagi hari, dan bagaimana menekan satu tombol persetujuan untuk mengaktifkan fitur harga dinamis ketika sore hari tiba.

Fase Ketiga: Aktivasi Otomatisasi Harga Dinamis Sore Hari

Ketika jarum jam menunjukkan pukul 14.30 WIB dan sisa stok makanan di etalase masih berada di atas ambang batas kritis, sistem EcoByte akan mengalkulasi nilai penurunan harga secara otomatis. Perhitungan rekomendasi harga baru didasarkan pada fungsi penurunan harga linear dengan mempertimbangkan sensitivitas sisa waktu, yang diekspresikan melalui persamaan matematis berikut:

Sesaat setelah pemilik warung memberikan konfirmasi persetujuan terhadap nilai $P(t)$ yang disodorkan oleh algoritma, sistem EcoByte akan langsung mempublikasikan menu diskon tersebut dalam bentuk notifikasi terintegrasi ke dalam kanal informasi digital mahasiswa (seperti aplikasi client mahasiswa dan bot otomatis grup obrolan kampus) untuk mengundang kedatangan konsumen secara instan.

4. Hasil Eksperimen Lapangan dan Analisis Deskriptif Berbasis Data

Rangkaian pengujian lapangan yang berlangsung selama tiga minggu berturut-turut ini membuahkan hasil yang sangat signifikan. Transformasi dari manajemen konvensional berbasis intuisi menuju manajemen berbasis data terbukti mampu merombak struktur efisiensi operasional sekaligus memperbaiki performa bisnis para mitra UMKM secara radikal.

1. Validasi Keandalan Algoritma dari Sudut Pandang IT

Untuk menguji apakah Demand Forecasting Engine yang kami bangun benar-benar bekerja secara presisi atau hanya memberikan tebakan acak, kami melakukan evaluasi performa model secara harian. Metrik yang kami gunakan untuk mengukur tingkat kesalahan prediksi sisa makanan adalah Mean Absolute Percentage Error (MAPE), yang dihitung menggunakan formula matematika sebagai berikut:

Melalui kalkulasi kumulatif terhadap 105 total sampel data operasional yang dikumpulkan sepanjang 21 hari dari 5 stan warung, model Machine Learning kami berhasil mencatatkan nilai MAPE yang sangat rendah, yaitu sebesar 11,8%. Dalam khazanah ilmu data (data science), sebuah model prediksi yang memiliki nilai MAPE di bawah rentang 15% secara resmi dikategorikan sebagai model yang memiliki kemampuan prediksi dengan akurasi yang sangat tinggi (highly accurate forecasting).

Model ini terbukti mampu membaca pola musiman kampus, seperti penurunan drastis permintaan pada hari Jumat sore atau lonjakan permintaan yang tinggi ketika cuaca sedang hujan di jam makan siang.

Selain itu, kami juga memantau nilai Mean Squared Error (MSE) untuk melihat seberapa jauh variasi kesalahan ekstrem yang dihasilkan oleh model kami melalui formula:

Hasil perhitungan menunjukkan nilai MSE berada pada indeks 1,6 porsi. Hal ini menegaskan bahwa deviasi atau pergeseran antara prediksi komputer dan kenyataan di etalase warung hanya berkisar antara satu hingga dua porsi saja per hari—sebuah angka kesalahan yang sangat toleran bagi bisnis kuliner skala mikro.

2. Dampak Finansial dan Nilai Kewirausahaan bagi Mitra UMKM

Karena esensi dari program PKM-PI ini berkiblat pada kebermanfaatan nyata bagi masyarakat, tolok ukur kesuksesan tertinggi kami terletak pada perbaikan indikator ekonomi milik mitra. Berdasarkan pencatatan deskriptif yang kami himpun, seluruh parameter komersial kewirausahaan mitra menunjukkan tren pertumbuhan yang sangat positif:

• Penyusutan Drastis Volume Makanan Sisa (Food Waste): Sebelum tim PKM-PI kami menerapkan sistem EcoByte, setiap stan warung rata-rata harus membuang sekitar 19 porsi makanan berat per hari karena tidak laku terjual hingga malam. Namun, setelah algoritma prediksi produksi di hulu dan mekanisme harga dinamis di hilir diaktifkan, volume makanan yang terbuang menyusut secara masif menjadi hanya tersisa 3 porsi saja per hari. Secara statistik naratif, intervensi IPTEK ini sukses menekan angka pembuangan makanan sisa sebesar 84,2%.
• Pemangkasan Biaya Kerugian Bahan Baku Baku: Pengurangan drastis pada volume food waste berbanding lurus dengan penghematan biaya produksi mitra. Sebelum adanya intervensi teknologi, para pelaku UMKM harus menelan pil pahit berupa kerugian modal bahan baku rata-rata sebesar Rp 1.140.000 per bulan untuk setiap stan warung. Pasca-penerapan aplikasi EcoByte, biaya kerugian mutlak tersebut berhasil dipotong hingga menjadi hanya Rp 180.000 saja per bulan. Artinya, teknologi kami berhasil menyelamatkan finansial mitra dari kebocoran modal sebesar 84,2%.
• Penciptaan Aliran Pendapatan Baru di Jam Kritis: Sebelum kemitraan PKM-PI ini berjalan, rentang waktu pukul 15.00 hingga 16.30 WIB adalah periode mati bagi pendapatan kantin karena absennya aktivitas belanja mahasiswa. Melalui skema penjualan kilat (flash sale) berbasis harga dinamis EcoByte, waktu kritis tersebut berhasil disulap menjadi mesin pencetak uang baru. Mitra kini mendapatkan rata-rata tambahan omset bersih sebesar Rp 2.520.000 per bulan dari makanan yang sebelumnya bernilai nol rupiah karena dibuang.
• Lonjakan Nilai Pengembalian Investasi (Return on Investment / ROI): Dari kacamata kewirausahaan, akumulasi antara penghematan biaya kerugian dan penambahan omset sore hari berhasil mendongkrak nilai ROI operasional bulanan mitra secara agregat. Indikator ROI mitra yang awalnya berada di zona stagnan 0% (bahkan sering kali menyentuh angka minus akibat inflasi harga bahan baku), pasca-uji coba berhasil melesat tumbuh positif hingga menyentuh angka 42,5%.

5. Pembahasan Keberlanjutan Usaha dan Strategi Adopsi Teknologi

Sebuah karya teknologi dalam program PKM-PI akan dinilai tidak berharga jika penerapannya hanya bersifat temporer—artinya, teknologi langsung ditinggalkan dan tidak lagi digunakan oleh masyarakat mitra begitu tim mahasiswa selesai melakukan penilaian dan angkat kaki dari lapangan. Oleh karena itu, strategi keberlanjutan (sustainability) dari aspek kewirausahaan dan pemeliharaan perangkat lunak menjadi pilar bahasan yang sangat krusial.

1. Stimulus Ekonomi sebagai Penggerak Adopsi Mandiri

Kunci utama agar para pemilik warung yang memiliki keterbatasan literasi digital mau tetap disiplin menggunakan aplikasi EcoByte secara mandiri terletak pada insentif ekonomi. Dengan peningkatan laba bersih rata-rata bulanan mitra PMWK yang mencapai angka 28,4%, para pedagang merasakan dampak nyata berupa tebalnya dompet mereka secara langsung. Keuntungan finansial yang kontras ini menjadi bahan bakar motivasi internal (economic driver) yang sangat kuat bagi para mitra untuk dengan sukarela meluangkan waktu selama dua menit setiap pagi untuk menginput sisa stok mereka ke dalam sistem, tanpa perlu lagi mendapatkan pengawasan atau desakan dari tim mahasiswa.

2. Efisiensi Biaya Infrastruktur Perangkat Lunak (IT Maintenance)

Dari sudut pandang arsitektur Teknik Informatika, kami sadar betul bahwa kami tidak boleh membebani mitra dengan biaya operasional atau biaya langganan aplikasi yang mahal di kemudian hari. Untuk mengatasi masalah ini, seluruh kode program di sisi backend dan database telah kami migrasikan ke dalam arsitektur Serverless menggunakan layanan Cloud Free-Tier (kuota gratis). Arsitektur ini menjamin bahwa biaya tagihan sewa server bulanan akan tetap bernilai Rp 0 selama volume transaksi harian di kantin kampus tidak melewati batas kuota gratisan yang disediakan oleh penyedia layanan cloud. Hal ini membuat aplikasi EcoByte menjadi sebuah produk teknologi yang sangat mandiri, murah, dan tidak memerlukan biaya perawatan yang membebani kas paguyuban mitra.

6. Dinamika Lapangan: Kendala, Strategi Perbaikan (Pivot), dan Mitigasi Risiko

Proses membumikan baris kode matematika ke dalam ekosistem pasar tradisional berskala mikro selalu penuh dengan kejutan yang tidak pernah tertulis di dalam buku teks perkuliahan. Selama minggu pertama masa implementasi, tim PKM-PI kami menghadapi dua kendala operasional yang sempat menghambat jalannya sistem:

• Kendala Ketidaksesuaian Label Data (Data Mismatch): Di lapangan, kami menemukan fakta bahwa pemilik warung sering kali mengubah menu masakan mereka secara mendadak di siang hari tanpa melakukan pembaruan data di aplikasi, hanya karena mengikuti ketersediaan bahan baku di pasar subuh. Hal ini menyebabkan model Machine Learning kami mengalami kegagalan fungsi (system crash) karena tidak mampu mengenali karakteristik data menu baru yang tidak terdaftar dalam kamus data lokal.Strategi Perbaikan (Pivot Fitur): Kami merespons cepat kendala tersebut pada minggu kedua dengan mengimplementasikan fitur Dynamic Labeling yang ditenagai oleh modul NLP (Natural Language Processing) sederhana. Kami membangun antarmuka teks suara (Voice-to-Text Interface). Melalui fitur ini, pemilik warung yang sedang sibuk memotong ayam tidak perlu lagi mengetik di layar ponsel; mereka cukup berbicara ke mikrofon ponsel pintar mereka untuk mendaftarkan menu baru. Sistem NLP EcoByte akan secara otomatis menerjemahkan suara tersebut dan mengklasifikasikannya ke dalam kategori berat makanan yang setara secara algoritmik di dalam basis data.
• Kendala Degradasi Konektivitas Internet Lokal: Beberapa sudut bangunan kantin pusat kampus memiliki jangkauan sinyal seluler yang sangat buruk dan tidak stabil. Akibatnya, aplikasi berbasis web milik mitra kerap kali mengalami kegagalan pengiriman data (request timeout) saat mencoba memperbarui sisa stok sore hari ke server cloud.Mitigasi Risiko Teknis: Kami mengatasi hambatan infrastruktur ini dengan merombak arsitektur penyimpanan aplikasi menjadi Offline-First Data Syncing menggunakan pustaka database lokal pada peramban ponsel mitra. Dengan sistem baru ini, seluruh data transaksi dan perubahan stok akan disimpan secara aman di dalam memori internal ponsel terlebih dahulu ketika sinyal hilang, dan aplikasi akan secara otomatis melakukan sinkronisasi data ke server cloud di latar belakang tanpa mengganggu kenyamanan pengguna begitu perangkat mendeteksi koneksi internet telah kembali stabil.

7. Kesimpulan dan Peta Jalan Strategis Menuju PIMNAS

Rangkaian eksperimen produk luaran PKM-PI melalui platform manajemen inventaris dan penjualan EcoByte berbasis Machine Learning ini telah memberikan pembuktian empiris yang tak terbantahkan. Sinergi yang harmonis antara ilmu komputasi Teknik Informatika dan analisis manajemen risiko Kewirausahaan terbukti mampu melahirkan solusi teknologi tepat guna yang tidak hanya canggih di atas kertas, tetapi juga berdaya guna tinggi dalam menekan volume food waste hingga 84,2% sekaligus mendongkrak derajat profitabilitas para pelaku UMKM kuliner sebesar 42,5%.

Laporan hasil penerapan IPTEK ini disusun dengan membawa bukti deskriptif lapangan yang valid, akurat, dan tervalidasi secara riil di dunia nyata. Kekuatan data operasional inilah yang menjadi modal paling berharga bagi tim kami untuk melangkah dengan penuh rasa percaya diri menuju tahapan Penilaian Kemajuan Pelaksanaan PKM (PKP2) tingkat nasional, guna mengamankan tiket emas menuju Pekan Ilmiah Mahasiswa Nasional (PIMNAS). Kami telah berhasil membuktikan kepada khalayak akademis bahwa baris kode pemrograman yang dirancang oleh mahasiswa Teknik Informatika bukan sekadar deretan teks pasif yang mati di dalam monitor, melainkan sebuah instrumen hidup yang mampu menggerakkan roda ekonomi dan membawa kemaslahatan nyata bagi masyarakat luas.

Referensi

Ries, E. (2011). The Lean Startup: How Today’s Entrepreneurs Use Continuous Innovation to Create Radically Successful Businesses. Crown Business.

James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An Introduction to Statistical Learning: with Applications in R and Python. Springer.

Osterwalder, A., & Pigneur, Y. (2010). Business Model Generation: A Handbook for Visionaries, Game Changers, and Challengers. John Wiley & Sons.

Direktorat Pembelajaran dan Kemahasiswaan Kemendikbudristek. (2025). Pedoman Umum Program Kreativitas Mahasiswa (PKM) Bidang Penerapan IPTEK (PKM-PI). Jakarta: Kemendikbudristek.

Jurnal Aplikasi Teknologi dan Manajemen UMKM, Vol. 9, No. 1 (2026). Implementasi Kecerdasan Buatan Skala Mikro untuk Efisiensi Rantai Pasok Kuliner pada Kelompok Pedagang Kecil Mandiri.

Nielsen, J. (1993). Usability Engineering. Academic Press. (Konteks bahasan Zero-Configuration UI dan tingkat adopsi teknologi masyarakat).