Spaces:
Sleeping
Sleeping
File size: 7,123 Bytes
0723cc8 ec0fcdf 0723cc8 ec0fcdf | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 | import streamlit as st
import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import PolynomialFeatures
import plotly.graph_objects as go
import math
st.set_page_config(page_title="Prediksi Penjualan Warung", page_icon="🍛", layout="centered")
st.title("Prediksi & Rekomendasi Penjualan - Profitly")
st.markdown("""
Unggah file **CSV** dengan format dari unduhan Dashboard
""")
# FILE UPLOAD
uploaded_file = st.file_uploader("📂 Unggah File CSV Penjualan", type=["csv"])
if uploaded_file is not None:
try:
df = pd.read_csv(uploaded_file)
if "Hari" not in df.columns or "Jumlah Terjual" not in df.columns:
st.error("❌ Format CSV tidak sesuai. Pastikan kolom 'Hari' dan 'Jumlah Terjual' ada.")
else:
# Convert "Day X" to number
df["Hari_Num"] = df["Hari"].str.extract(r"(\d+)").astype(int)
unique_days = df["Hari_Num"].nunique()
if unique_days <= 2:
st.warning("⚠️ Data harus memiliki lebih dari 2 hari agar prediksi bisa dilakukan.")
else:
# Regression type selection
regression_type = "Linear" if unique_days <= 4 else "Polynomial"
st.success(f"✅ Data berhasil dimuat! Menggunakan **{regression_type} Regression**.")
st.subheader("📋 Data Penjualan")
st.dataframe(df, use_container_width=True)
st.markdown("---")
st.header("📈 Prediksi Penjualan per Barang (2 Hari ke Depan)")
predictions = []
fig = go.Figure()
# Loop per item
for item in df["Barang"].unique():
item_df = df[df["Barang"] == item]
X = item_df[["Hari_Num"]]
y = item_df["Jumlah Terjual"]
# Choose regression model
if regression_type == "Linear":
# Linear
model = LinearRegression()
model.fit(X, y)
predict_func = lambda x: model.predict(x)
else:
# Polynomial regression
poly = PolynomialFeatures(degree=2)
X_poly = poly.fit_transform(X)
model = LinearRegression()
model.fit(X_poly, y)
predict_func = lambda x: model.predict(poly.transform(x))
# Generate predictions 2 days
future_days = np.array([max(df["Hari_Num"]) + 1, max(df["Hari_Num"]) + 2]).reshape(-1, 1)
predicted_sales = [max(0, math.floor(p)) for p in predict_func(future_days)]
# Assign consistent color
color = f"hsl({hash(item) % 360}, 70%, 50%)"
# Save for summary
for day, pred in zip(future_days.flatten(), predicted_sales):
predictions.append({
"Barang": item,
"Hari": f"Day {int(day)}",
"Prediksi Terjual": round(pred, 2)
})
# Plot actual line
fig.add_trace(go.Scatter(
x=item_df["Hari_Num"],
y=item_df["Jumlah Terjual"],
mode='lines+markers',
name=f"{item} (Aktual)",
line=dict(color=color, width=3)
))
# Plot predicted line
fig.add_trace(go.Scatter(
x=future_days.flatten(),
y=predicted_sales,
mode='lines+markers',
name=f"{item} (Prediksi)",
line=dict(color=color, dash='dot', width=2)
))
# Plot settings
fig.update_layout(
title=f"Prediksi Penjualan per Barang ({regression_type} Regression)",
xaxis_title="Hari",
yaxis_title="Jumlah Terjual",
template="plotly_white",
height=500
)
st.plotly_chart(fig, use_container_width=True)
# TABEL PREDIKSI CUI
pred_df = pd.DataFrame(predictions)[["Hari", "Barang", "Prediksi Terjual"]]
day_plus1 = pred_df[pred_df["Hari"].str.contains(f"Day {max(df['Hari_Num']) + 1}")]
day_plus2 = pred_df[pred_df["Hari"].str.contains(f"Day {max(df['Hari_Num']) + 2}")]
st.subheader(f"📅 Prediksi Penjualan Hari Berikutnya (Day {max(df['Hari_Num']) + 1})")
st.dataframe(day_plus1, use_container_width=True)
st.subheader(f"📅 Prediksi Penjualan 2 Hari Lagi (Day {max(df['Hari_Num']) + 2})")
st.dataframe(day_plus2, use_container_width=True)
st.markdown("---")
st.header("Analisis & Rekomendasi")
# Find top and bottom performers
avg_sales = df.groupby("Barang")["Jumlah Terjual"].mean().sort_values(ascending=False)
top_items = avg_sales.head(2).index.tolist()
low_items = avg_sales.tail(2).index.tolist()
st.write("**2 Barang dengan Penjualan Tertinggi:**")
st.success(", ".join(top_items))
st.write("**2 Barang dengan Penjualan Terendah:**")
st.warning(", ".join(low_items))
# Smart discount recommendations
st.subheader("Rekomendasi Diskon")
st.markdown("""
Rekomendasi dibuat berdasarkan tren penjualan:
- Barang dengan **penjualan tinggi** bisa diberi diskon kecil untuk menarik lebih banyak pelanggan.
- Barang dengan **penjualan rendah** bisa diberi diskon lebih besar agar stok cepat berputar.
""")
discount_suggestions = []
for item in top_items:
discount_suggestions.append({
"Barang": item,
"Tipe Rekomendasi": "Penjualan Tinggi",
"Saran Diskon": "Diskon ringan (5-10%) untuk menarik loyalitas pelanggan."
})
for item in low_items:
discount_suggestions.append({
"Barang": item,
"Tipe Rekomendasi": "Penjualan Rendah",
"Saran Diskon": "Diskon besar (15-25%) agar penjualan meningkat."
})
st.dataframe(pd.DataFrame(discount_suggestions), use_container_width=True)
st.markdown("✨ _Gunakan prediksi dan rekomendasi ini untuk menyesuaikan strategi penjualan Anda agar semakin menguntungkan!_")
except Exception as e:
st.error(f"Terjadi kesalahan saat memproses file: {e}")
else:
st.info("Silakan unggah file CSV untuk memulai analisis.")
|