Kembali ke Karya
Decision Support Berbantuan ML / Operasi Koperasi Kompetisi - Juara 2

SAKTI — Alokasi Penjahit Berbantuan ML & Sistem Manajemen Koperasi

Platform decision support berbasis data untuk meningkatkan alokasi workload, visibilitas inventori, dan koordinasi operasional koperasi penjahit.

SAKTI — Alokasi Penjahit Berbantuan ML & Sistem Manajemen Koperasi interface preview

Ringkasan proyek

GEO 2026
Juara 2
Jaringan mitra penjahit
100+
Layer rekomendasi
3
Mahasiswa multidisiplin
6

01 · Ikhtisar

SAKTI adalah platform alokasi penjahit berbantuan ML dan manajemen koperasi yang dikembangkan pada GEO 2026, program kolaborasi Petra Christian University dan Singapore University of Technology and Design. Dibuat bersama Koperasi Sumber Mulia Barokah, prototype ini menggabungkan profiling penjahit, rekomendasi kontekstual, pemeriksaan workload aktif, inventori, project tracking, pembelian, monitoring produksi, upah, dan analitik operasional.

02 · Tantangan

Admin membagi order ke jaringan penjahit dengan mengandalkan ingatan, kedekatan personal, dan komunikasi manual sehingga workload tidak merata, inventori sulit dipantau, dan bulk order menambah tekanan operasional.

Product discovery

Dari masalah operasional ke keputusan produk

01

Problem framing

Bagaimana membagi setiap project ke penjahit yang tersedia agar koperasi dapat meningkatkan efisiensi produksi sesuai urgensi dan jumlah order?

02

Hipotesis

Jika sistem menggabungkan profil performa historis, konteks order, dan workload aktif, admin dapat beralih dari keputusan berbasis ingatan ke keputusan yang lebih cepat, adil, dan dapat dijelaskan.

Persona utama

Pengguna Utama

Administrator Operasional Koperasi Bertanggung jawab atas order masuk, alokasi penjahit, visibilitas inventori, monitoring produksi, dan koordinasi deadline pada jaringan mitra yang besar.

Pain points

  • Distribusi kerja tidak merata dan bottleneck pada penjahit favorit
  • Sulit mengingat speed, kerapian, dan ketersediaan setiap penjahit
  • Tidak ada tampilan terintegrasi untuk pekerjaan aktif dan sisa material
  • Risiko deadline terlewat dan koordinasi manual yang tinggi

Tujuan

  • Alokasi yang efisien dan adil
  • Decision support berbasis data
  • Visibilitas produksi dan inventori secara real-time
  • Mengurangi pekerjaan manajerial manual

Customer journey & respons produk

  1. 01

    Menerima order besar

    Friction: Admin menerima order volume tinggi tanpa gambaran kapasitas langsung.

    Respons produk: Mencatat kategori, jumlah, dan deadline sebagai input alokasi terstruktur.

  2. 02

    Memeriksa kesiapan material

    Friction: Sisa kain dilacak manual dan dapat menjadi ghost inventory.

    Respons produk: Menampilkan stok, pembelian, dan kebutuhan material dalam sistem manajemen yang sama.

  3. 03

    Membagi workload

    Friction: Admin harus mengingat siapa yang cepat, rapi, dekat, dan sedang tersedia.

    Respons produk: Meranking penjahit lewat profiling, bobot adaptif, aturan logistik, dan status aktif.

  4. 04

    Memantau produksi

    Friction: Pekerjaan aktif dan deadline tersebar di pesan dan catatan manual.

    Respons produk: Menghubungkan assignment dengan progress, status, dan dashboard operasional.

  5. 05

    Menutup dan memakai ulang kapasitas

    Friction: Pekerjaan selesai dan sisa material sulit direkonsiliasi untuk order berikutnya.

    Respons produk: Mengembalikan penjahit selesai ke pool tersedia dan memperbarui sisa stok.

Value Proposition Canvas

Customer profile

Jobs

  • Mengelola bulk order
  • Mengontrol inventori
  • Membagi workload
  • Memantau progress

Pain points

  • Ketergantungan pada ingatan
  • Assignment tidak merata
  • Ghost inventory
  • Bottleneck produksi

Gains

  • Alokasi adil
  • Keputusan lebih cepat
  • Kapasitas terlihat
  • Otomatisasi manajerial

Value map

Produk & layanan

  • Smart Tailor Allocation System
  • Dashboard koperasi terintegrasi

Pain relievers

  • Profiling penjahit berbasis ML
  • Pemeriksaan workload aktif
  • Catatan inventori dan progress

Gain creators

  • Matching berbasis spesialisasi
  • Adaptive scoring
  • Operasi berbasis sistem

Business Model Canvas

Customer segments

  • Koperasi penjahit
  • Admin dan manajer koperasi
  • Mitra penjahit
  • Pemesan seragam skala besar

Value propositions

  • Distribusi kerja adil
  • Rekomendasi adaptif terhadap deadline
  • Visibilitas produksi dan stok terintegrasi

Key resources

  • Profil penjahit terkurasi
  • Logika alokasi
  • Python, Streamlit, SQLite, dan scikit-learn

Key activities

  • Profiling penjahit
  • Assignment algoritmis
  • Tracking inventori
  • Monitoring produksi dan upah

Partners & channels

  • Supplier kain
  • Komunitas penjahit
  • Institusi pemesan bulk order
  • Dashboard web di browser kantor

Cost structure

  • Hosting dan maintenance
  • Pembaruan data skill penjahit
  • Input data inventori operasional

03 · Strategi produk

Strategi produk

Empat prinsip yang menjaga rekomendasi tetap berguna dalam operasi koperasi.

Rekomendasi objektif

Gunakan data performa dan operasional, bukan hanya ingatan pribadi.

Keputusan adaptif

Sesuaikan prioritas dengan urgensi, jumlah, kualitas, dan logistik order.

Distribusi yang lebih adil

Hindari penumpukan pekerjaan pada penjahit favorit atau yang sudah sibuk.

Operasi terintegrasi

Hubungkan alokasi dengan inventori, pembelian, progress, dan upah.

04 · Arsitektur rekomendasi

Arsitektur rekomendasi

Sistem hybrid ini menggabungkan profiling berbasis ML, scoring kontekstual, dan pemeriksaan workload aktif.

01 · ML-assisted profiling

Data historis speed, kerapian, ketepatan waktu, spesialisasi, usia, dan jarak membentuk profil performa yang mudah dipahami.

02 · Adaptive weighted scoring

Urgensi, jumlah, speed, kerapian, spesialisasi, dan jarak mengubah bobot ranking untuk setiap order.

03 · Real-time workload balancing

Assignment aktif dan ketersediaan memberi busy penalty tanpa menyembunyikan kandidat dari admin.

  1. Data historis penjahit
  2. Clustering berbasis ML
  3. Profil performa
  4. Adaptive weighted scoring
  5. Pemeriksaan workload
  6. Ranking rekomendasi
  7. Review & keputusan admin

SAKTI tidak menggantikan keputusan manajerial. Sistem memberikan rekomendasi yang dapat ditinjau, dibandingkan, dan di-override oleh admin.

05 · Modul produk

Modul produk

Prototype dirancang sebagai platform operasi koperasi terintegrasi, bukan model rekomendasi yang berdiri sendiri.

Dashboard

Indikator operasi, progress project, pengeluaran, stok, dan distribusi mitra.

Tailor management

Profil, skill, performa, lokasi, dan ketersediaan penjahit.

Order & project

Pembuatan order, deadline, tracking, dan status assignment.

Smart allocation

Ranking penjahit beserta faktor pembentuk skornya.

Inventory

Stok kain, material masuk-keluar, dan visibilitas stok menipis.

Supplier & purchasing

Data supplier, histori pembelian, dan restocking.

Production & wages

Workload aktif, progress produksi, dan pembayaran penjahit.

Analytics

Distribusi workload, aktivitas supplier, biaya, pendapatan, dan performa.

06 · Nilai bisnis

Admin dan manajer koperasi adalah pengguna utama; mitra penjahit menjadi penerima manfaat dari akses proyek yang lebih transparan. Platform ini dirancang untuk mempercepat alokasi, meningkatkan visibilitas inventori, dan mengurangi ketergantungan pada koordinasi manual.

07 · Kontribusi saya

  • Menyiapkan dan memproses data performa penjahit untuk workflow profiling berbantuan ML.
  • Mengembangkan logika alokasi adaptif dan workload balancing, lalu mengintegrasikan rekomendasi dengan data project operasional.
  • Membangun interface prototype dan visualisasi operasional menggunakan Python dan Streamlit.
  • Menyusun persona, journey map, storyboard, Value Proposition Canvas, dan Business Model Canvas yang membentuk arah produk.
  • Menerjemahkan logika teknis ke presentasi bisnis dan mempertahankan solusi saat evaluasi final.

08 · Hasil

Tim menghasilkan prototype fungsional dan mempresentasikannya kepada evaluator Petra Christian University dan Singapore University of Technology and Design. SAKTI meraih Juara 2 pada GEO 2026 tanpa mengklaim dampak produksi yang belum diuji melalui pilot.

09 · Refleksi & pengembangan berikutnya

Akurasi rekomendasi saja tidak cukup; alat operasional juga harus explainable, maintainable, dan dipercaya pengguna.

  • Validasi bobot scoring dengan hasil project historis.
  • Ukur kualitas rekomendasi terhadap waktu selesai dan kualitas aktual.
  • Tampilkan breakdown skor, alasan override, dan audit log alokasi.
  • Pantau fairness distribusi workload dari waktu ke waktu.
  • Tambahkan role-based access, notifikasi, dan data operasional yang terus diperbarui.
  • Lakukan usability testing bersama admin koperasi sebelum deployment produksi.

Bukti Visual

Teknologi

Python Streamlit Scikit-learn Pandas NumPy SQLite