Mengubah Sisa Menjadi Data: Decision Support System Horeka

Setiap kali kita scroll media sosial, fyp kita nyaris selalu penuh dengan rekomendasi kafe aesthetic atau restoran viral di berbagai sudut kota Bandung. Kebiasaan berburu kuliner dan work from cafe (WFC) kini sudah menjadi bagian dari gaya hidup. Namun, di balik ramainya tren ini dan cantiknya foto makanan di kamera, ada satu realitas pahit yang jarang disorot: tumpukan sisa makanan yang terbuang sia-sia di meja pengunjung maupun di dapur operasional. Di sektor Hotel, Restoran, dan Kafe (Horeka), sisa makanan ini bukan sekadar pemandangan biasa, melainkan ancaman inefisiensi bisnis yang masif. Permasalahan ini tergambar jelas pada komposisi sampah di Indonesia yang secara konsisten didominasi oleh sisa makanan di kisaran 40–41% dari total timbulan nasional (SIPSN KLHK, 2026). Bahkan, sektor komersial dan jasa boga tercatat sebagai salah satu penyumbang pemborosan pangan terbesar di Indonesia setelah sektor rumah tangga (Bappenas, 2021).

Bagi pelaku usaha F&B, sisa makanan sering kali masih dimaklumi sebagai konsekuensi logis dari operasional harian. Padahal, setiap gram bahan baku yang berakhir di tempat sampah baik berupa sisa produksi dapur (pre-consumer) maupun sisa di piring pelanggan (post-consumer) secara langsung menggerus margin keuntungan. Dalam ekosistem bisnis yang sangat dipengaruhi oleh naik turunnya harga bahan pokok, penumpukan sisa organik ini menciptakan kebocoran finansial (profit leakage) tersembunyi yang terus menekan operasional. Oleh karena itu, diperlukan sebuahsistem pengelolaan food waste berbasis data yang mampu mengubah tumpukan sisa organik menjadi metrik finansial yang terukur, sehingga manajemen dapat mengambil keputusan presisi demi menyelamatkan margin keuntungan bisnis.

Akar Masalah Pencatatan Sisa Makanan Konvensional

Di tengah ritme kerja dapur restoran yang cepat, memantau sisa makanan sering kali menjadi prioritas terakhir. Kajian Bappenas menegaskan bahwa kurang baiknya inventarisir bahan pangan dan tidak adanya pendataan rutin merupakan pemicu utama timbulnya food waste di sektor jasa boga (Bappenas, 2021). Dalam praktiknya, metode pencatatan konvensional yang mengandalkan kertas atau spreadsheet sederhana belum terbukti mampu mengatasi masalah ini dan justru menciptakan fenomena garbage in, garbage out. Berdasarkan apa yang saya analisis, terdapat tiga akar masalah utama mengapa metode manual ini rentan gagal:

Pendataan berbasis asumsi. Lantaran proses menimbang dianggap merepotkan di tengah dapur yang sibuk, staf sering kali hanya menaksir volume sampah tanpa validasi. Buruknya sistem inventarisir dan pendataan yang tidak rutin ini pada akhirnya membuat data kehilangan fungsinya sebagai dasar analisis (Bappenas, 2021).
Ketiadaan kategorisasi penyebab (root cause). Pencatatan manual umumnya tidak membedakan antara pre-consumer waste (kesalahan memasak di dapur) dengan post-consumer waste (makanan sisa pelanggan akibat porsi berlebih). Tanpa mengetahui penyebab pasti, manajemen lumpuh dalam mengambil tindakan perbaikan (Filimonau et al., 2021).
Ketiadaan integrasi dengan metrik finansial. Data sisa makanan biasanya hanya berakhir sebagai laporan volume fisik (kilogram) yang terputus dari sistem keuangan. Akibatnya, pemilik bisnis tidak dapat melihat korelasi langsung antara tumpukan sisa organik tersebut dengan kebocoran Harga Pokok Penjualan (HPP) atau kehilangan ekonomi harian mereka (Bappenas, 2021).

Kelemahan struktural pada fase pengumpulan data inilah yang menyebabkan sisa makanan hanya dianggap sebagai sampah fisik, bukan sebagai kebocoran finansial (profit leakage). Tanpa adanya sistem yang “memaksa” dan memudahkan staf untuk menginput data yang tervalidasi secara real-time, manajemen tidak akan pernah memiliki visibilitas utuh terhadap kebocoran profit di bisnis mereka sendiri.

Lalu, Bagaimana Sistem Informasi Menyelesaikan Kebocoran Ini?

Dari pandangan keilmuan Sistem Informasi, penyelesaian masalah pencatatan manual memerlukan pendekatan rekayasa perangkat lunak yang fokusnya pada integritas data dan kemudahan pengguna. Mengingat lingkungan dapur yang serba cepat, sistem harus dirancang seringkas mungkin agar tidak menambah beban kerja operasional, namun tetap ketat dalam hal validasi. Konsep Decision Support System menjadi landasan teoritis utama dalam perancangan ini, di mana tumpukan data operasional harian tidak hanya direkam sebagai arsip mati, tapi diproses juga secara komputasional menjadi rekomendasi strategis bagi pihak manajemen.

Alur Kerja Sistem Intelijen Operasional

Sebagai alternatif solusi yang implementatif, diperlukan perancangan aplikasi pencatatan sisa pangan berbasis web yang terstruktur. sistem intelijen operasional ini mengintegrasikan seluruh alur kerja dari level dapur (hilir) hingga tingkat manajemen (hulu) melalui tiga fase arsitektur utama:

Fase Input: Validasi Data Lapangan Berbasis Web

Pada tahap awal, antarmuka aplikasi dibangun agar ringan dan sangat responsif saat diakses melalui smartphone atau tablet dapur (memanfaatkan framework Laravel). Staf diwajibkan memasukkan data harian dan memilah sisa makanan berdasarkan penyebabnya (sisa pelanggan atau sisa dapur). Untuk menghilangkan kebiasaan menebak-nebak volume, sistem mewajibkan staf mengunggah foto fisik sisa makanan sebagai bukti validasi sebelum entri data dikirim. Pendekatan audit digital berbasis visual ini diakui lebih efektif dalam meningkatkan akurasi pendataan di dapur operasional dibandingkan metode manual (Filimonau et al., 2022). Hak akses ini dikelola secara ketat hingga ke level pengembang (developer) untuk menjaga keaslian data.

Fase Pemrosesan: Konfigurasi HPP dan Analisis Pola Data

Data mentah yang telah divalidasi ditarik ke dalam server untuk diolah. Di sinilah sistem secara otomatis mengonversi data sampah menjadi metrik keuangan. Pertama, sistem menghitung ulang margin aktual restoran dengan memisahkan sisa makanan pelanggan dan mengalikan volume sisa bahan dapur berdasarkan nilai Harga Pokok Penjualan (HPP) aslinya. Kedua, sistem melakukan evaluasi data untuk mengenali tren pemborosan. Dengan membaca rekam jejak sisa makanan selama beberapa hari, sistem dapat menghitung rata-rata porsi yang terbuang dan secara otomatis menyarankan pengurangan angka belanja (Purchase Order). Langkah digitalisasi inventarisir ini menjawab langsung kebutuhan untuk mencegah pembelian bahan baku berlebih yang berujung pada pembusukan.

Fase Output: Dasbor Keputusan Manajerial

Keluaran akhir dari sistem ini adalah dasbor visual interaktif yang menampilkan angka kebocoran profit (profit leakage) secara real-time. Lebih dari sekadar instrumen pelaporan pasif, dasbor ini bertindak sebagai asisten pintar bagi pihak manajemen. Berdasarkan analisis pola data sebelumnya, sistem memberikan rekomendasi presisi terkait penyesuaian porsi menu dan prediksi volume belanja bahan baku keesokan harinya. Intervensi berbasis data visual ini secara langsung memberikan kontrol kepada pihak manajemen untuk mencegah kelebihan stok dan menghentikan siklus pemborosan pangan tepat di titik hulunya. Efektivitas intervensi semacam ini sangat kuat, riset berskala global membuktikan bahwa rutinitas mengukur dan mendata sisa makanan di restoran mampu menurunkan volume sampah fisik hingga 58% dalam kurun waktu tiga tahun, sekaligus menghasilkan penghematan biaya operasional dengan rasio keuntungan tujuh kali lipat dari nilai investasi (WRI, 2019).

Rancangan Ekosistem Terintegrasi

Sebagai sebuah rancangan solusi yang komprehensif, arsitektur sistem yang disarankan ini didesain untuk mengadopsi kapabilitas Machine Learning (ML) secara utuh. Rencana Pengembangan: Machine Learning untuk Prediksi Food Waste (time-series forecasting) diimplementasikan agar algoritma mampu belajar dari tumpukan data historis dan variabel eksternal yang kompleks seperti kondisi cuaca, musim liburan, hingga tren acara lokal di Bandung. Kapabilitas cerdas ini berpotensi meningkatkan akurasi peramalan volume kebutuhan bahan baku berdasarkan pola historis dan variabel eksternal dalam meramalkan naik turunnya pengunjung, sehingga restoran dapat merumuskan kalibrasi porsi harian tanpa meleset.

Sistem cerdas ini juga menghadirkan fitur Early Warning System (sistem peringatan dini) untuk manajemen inventaris. Mengingat buruknya penerapan prinsip First In First Out (FIFO) dan kelalaian memantau masa pakai bahan di dapur sering kali memicu pemborosan pangan (Bappenas, 2021), sistem akan melacak usia simpan bahan baku secara terpusat. Saat ada stok yang mendekati masa kedaluwarsa atau batas waktu pemakaian yang optimal, dasbor akan otomatis mengirimkan notifikasi. Dengan peringatan ini, manajer atau chef dapat segera mengambil keputusan cepat, misalnya mengolah bahan tersebut menjadi menu promo daripada stok tersebut membusuk dan terbuang sia-sia.

Pada akhirnya, efisiensi operasional tidak boleh berhenti hanya pada langkah pencegahan di dapur. Mengingat akan selalu ada residu organik yang mutlak tidak dapat dihindari seperti kulit buah, tulang, atau sisa persiapan masak. Sistem ini juga diproyeksikan untuk bertransformasi menjadi pusat ekosistem pengelolaan. Melalui pengembangan fitur integrasi pihak ketiga, aplikasi ini akan menghubungkan restoran secara langsung dengan mitra pengolahan limbah lokal, seperti fasilitas pengomposan atau peternakan maggot. Dengan menjembatani pelaku Horeka dan fasilitator daur ulang, gagasan sistem ini tidak hanya menghentikan kebocoran finansial restoran, tetapi juga menutup siklus ekonomi sirkular agar sisa makanan tidak lagi menumpuk di Tempat Pembuangan Akhir (TPA).

Ingin Mengetahui Seberapa Besar Food Waste Menjadi Profit Leakage?

Food waste yang tidak tercatat dapat membuat bisnis kehilangan biaya tanpa terlihat dalam laporan operasional. Melalui pendekatan audit food waste, data sisa makanan dapat diidentifikasi berdasarkan sumbernya, dihitung nilai ekonominya, dan digunakan sebagai dasar untuk meningkatkan efisiensi operasional.

Kesimpulan

Menghadapi tingginya volume sisa makanan yang terus memicu kebocoran finansial di sektor Horeka, pendekatan pencatatan manual memiliki keterbatasan ketika digunakan untuk pengelolaan food waste dalam skala operasional yang membutuhkan data konsisten dan real-time. Kehadiran Sistem Pendukung Keputusan (DSS) berbasis web ini menawarkan jalan keluar terstruktur dengan mengubah tumpukan limbah organik menjadi data analitik yang bernilai secara bisnis. Melalui integrasi pencatatan tervalidasi visual di level dapur, perhitungan Harga Pokok Penjualan (HPP) dinamis, dan dasbor manajerial, pihak manajemen kini memiliki visibilitas utuh dan kendali penuh untuk menekan inefisiensi pengadaan bahan baku secara real-time.

Lebih dari sekadar instrumen penyelamat margin keuntungan, sistem ini dirancang sebagai fondasi digital yang tangguh untuk keberlanjutan industri kuliner. Rencana pengembangan yang mencakup prediksi berbasis Machine Learning, sistem peringatan dini (Early Warning System) masa kedaluwarsa, hingga integrasi langsung dengan mitra pengolah limbah lokal menjadikan inovasi ini sebagai katalisator perubahan yang nyata. Transformasi operasional berbasis data ini memastikan bahwa pelaku usaha Horeka di kawasan Bandung Raya tidak hanya mampu beroperasi dengan tingkat profitabilitas yang optimal, tetapi juga berkontribusi langsung dalam mewujudkan ekosistem ekonomi sirkular yang bebas dari penumpukan sampah di tempat pembuangan akhir.

Referensi

Bappenas. (2021). Laporan Kajian Food Loss & Waste di Indonesia dalam Rangka Mendukung Penerapan Ekonomi Sirkular dan Pembangunan Rendah Karbon. Kementerian Perencanaan Pembangunan Nasional/Bappenas.

Clowes, A., Hanson, C., & Swannell, R. (2019). The Business Case for Reducing Food Loss and Waste: Restaurants. World Resources Institute (WRI) & Champions 12.3.

Filimonau, V., Matyakubov, U., Allonazarov, O., & Ermolaev, V. A. (2021). Food waste and its management in restaurants of a transition economy: An exploratory study of Uzbekistan. Sustainable Production and Consumption.

Filimonau, V., et al. (2022). The role of ‘food waste’ in restaurant management: Towards a digital auditing approach. Journal of Cleaner Production.

Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and Practice (3rd ed.). OTexts.

Kementerian Lingkungan Hidup dan Kehutanan (KLHK). (2026). Sistem Informasi Pengelolaan Sampah Nasional (SIPSN).

Sharda, R., Delen, D., & Turban, E. (2021). Analytics, Data Science, & Artificial Intelligence: Systems for Decision Support (11th ed.). Pearson.

Penulis: Erick Faturahman | Kepala Divisi Media Kreatif Hareudang Bandung