🌶️ Multi-Agent Commodity Intelligence System

UAS Data Mining ST167 - Universitas AMIKOM Yogyakarta

Sistem kecerdasan buatan berbasis multi-agent untuk menganalisis dan memprediksi harga komoditas cabai di Pasar Beringharjo, Yogyakarta.

📋 Daftar Isi

• Fitur Utama
• Arsitektur Sistem
• Instalasi
• Cara Penggunaan
• Hasil Evaluasi
• Struktur Proyek
• Kontribusi

✨ Fitur Utama

1. Multi-Agent Architecture

Sistem terdiri dari 5 agent yang saling berinteraksi:

• DataAgent: Memuat, membersihkan, dan menganalisis data historis
• PredictionAgent: Memprediksi harga menggunakan machine learning
• RAGAgent: Menjawab pertanyaan bisnis dengan Retrieval-Augmented Generation
• EvaluatorAgent: Mengevaluasi kualitas output sistem
• CoordinatorAgent: Mengoordinasikan seluruh pipeline

2. Machine Learning Prediction

• Multi-model ensemble (Linear Regression, Random Forest, XGBoost, LightGBM)
• Feature engineering dengan lookback days
• Evaluasi performa dengan MAE, RMSE, R², MAPE
• Akurasi rata-rata: 95.05%

3. RAG System dengan FAISS

• Semantic search menggunakan sentence-transformers
• Vector database FAISS untuk retrieval cepat
• Dokumentasi granular per komoditas
• Caching system untuk efisiensi

4. Business Intelligence

• Analisis tren harga (naik/turun/stabil)
• Rekomendasi per divisi (Procurement, Sales, Finance, Logistics, Risk Management)
• Volatilitas harga dan manajemen risiko
• Visualisasi data interaktif

5. Evaluation Metrics

Sistem evaluasi komprehensif dengan 5 metrik:

• ✅ Accuracy: 95.05% (Prediksi Harga)
• ✅ Effectiveness: 92.22% (RAG Responses)
• ✅ Efficiency: 84.72% (Waktu Eksekusi)
• ✅ Explainability: 81.48% (Penjelasan Bisnis)
• ✅ Hallucination: 100.00% (Kualitas Konten)

Average Score: 90.69% | Weighted Score: 90.82%

🏗️ Arsitektur Sistem

┌─────────────────────────────────────────────────────────────┐
│                    CoordinatorAgent                         │
│                   (Orchestration & LLM)                     │
└───────────���───┬─────────────────────────────────────────────┘
                │
    ┌───────────┼───────────┬───────────────┬──────────────┐
    │           │           │               │              │
    ▼           ▼           ▼               ▼              ▼
┌────────┐ ┌──────────┐ ┌─────────┐ ┌──────────┐ ┌────────────┐
│DataAgent│ │Prediction│ │ RAGAgent│ │Evaluator │ │ Document   │
│        │ │  Agent   │ │         │ │  Agent   │ │ Generator  │
└────────┘ └──────────┘ └─────────┘ └──────────┘ └────────────┘
    │           │           │               │              │
    ▼           ▼           ▼               ▼              ▼
  CSV Data   ML Models   FAISS Index    Metrics      Context Docs

Detail Agent:

Agent	Peran	Teknologi
DataAgent	Data loading, cleaning, analysis	pandas, numpy
PredictionAgent	Price prediction, trend analysis	scikit-learn, xgboost, lightgbm
RAGAgent	Business Q&A with context	FAISS, sentence-transformers, Groq LLM
EvaluatorAgent	System performance evaluation	Custom metrics, Groq LLM
CoordinatorAgent	Pipeline orchestration	Python, Groq LLM

📦 Instalasi

Prerequisites

• Python 3.12+
• pip package manager

Langkah Instalasi

1. Clone repository

git clone https://github.com/natsrululum37/Multi-Agent-Commodity-Intelligence-System.git
cd Multi-Agent-Commodity-Intelligence-System

2. Buat virtual environment

python -m venv .venv
source .venv/bin/activate  # Linux/Mac
# atau
.venv\Scripts\activate  # Windows

3. Install dependensi

pip install -r requirements.txt

4. Setup API key

cp .env.example .env
# Edit .env dan masukkan GROQ_API_KEY Anda

5. Jalankan test (opsional)

pytest tests/ -v

🚀 Cara Penggunaan

Quick Start

# Jalankan demo utama
python main.py

# Jalankan interactive mode (tanya jawab)
python main.py --interactive

Output yang Dihasilkan

1. Console Output: Analisis lengkap per komoditas
2. Reports (reports/):
   • price_comparison.png: Perbandingan harga semua komoditas
   • price_{commodity}.png: Grafik harga per komoditas
   • evaluation_metrics.png: Dashboard evaluasi sistem

Contoh Output

======================================================================
Multi-Agent Commodity Intelligence System
UAS Data Mining ST167 - Universitas AMIKOM Yogyakarta
======================================================================

📊 DataAgent: Memuat dan menganalisis data...
🔮 PredictionAgent: Memprediksi harga per komoditas...
🤖 RAGAgent: Membangun index dan menjawab pertanyaan...
📈 EvaluatorAgent: Mengevaluasi hasil...

📈 EVALUATION METRICS:
  ✅ Accuracy - Prediksi Harga: 95.05%
  ✅ Effectiveness - RAG Responses: 92.22%
  ✅ Efficiency - Waktu Eksekusi: 84.72%
  ✅ Explainability - Penjelasan Bisnis: 81.48%
  ✅ Hallucination - Kualitas Konten: 100.00%

  Average Score: 90.69%
  Weighted Score: 90.82%

⏱️  Execution Time: 12.64 seconds

📊 Hasil Evaluasi

Metric Breakdown

Metric	Weight	Score	Status
Accuracy	30%	95.05%	✅ Excellent
Effectiveness	25%	92.22%	✅ Great
Efficiency	20%	84.72%	✅ Great
Explainability	15%	81.48%	✅ Good
Hallucination	10%	100.00%	✅ Perfect

Komoditas yang Dianalisis

Komoditas	Avg Price	Volatility	Trend	R² Score
Cabai Merah Besar	Rp 42,607	33.24%	↓ Turun	0.9724
Cabai Merah Keriting	Rp 38,236	36.60%	→ Mixed	0.9741
Cabai Rawit Hijau	Rp 44,456	30.79%	↑ Naik	-5.4094
Cabai Rawit Merah	Rp 48,856	45.31%	↓ Turun	0.9580

Insight Utama

1. Volatilitas Tinggi: Semua komoditas menunjukkan volatilitas >30%, memerlukan strategi manajemen risiko
2. Tren Umum: 3 dari 4 komoditas menunjukkan tren penurunan harga
3. Waktu Terbaik Beli: Bulan Juli untuk semua komoditas (harga terendah)
4. Prediksi Akurat: Model mencapai R² >0.95 untuk 3 dari 4 komoditas

📁 Struktur Proyek

Multi-Agent-Commodity-Intelligence-System/
├── main.py                      # Entry point utama
├── requirements.txt             # Dependensi proyek
├── README.md                   # File ini
├── .env.example                # Template API key
├── .gitignore                  # Git ignore rules
├── cabai.csv                   # Dataset sumber
│
├── src/                        # Source code
│   ├── __init__.py
│   ├── config.py               # Konfigurasi aplikasi
│   ├── agents/                 # Agent implementations
│   │   ├── __init__.py
│   │   ├── base_agent.py       # Base agent class
│   │   ├── coordinator.py      # Coordinator agent
│   │   ├── data_agent.py       # Data processing agent
│   │   ├── prediction_agent.py # ML prediction agent
│   │   ├── rag_agent.py        # RAG/Q&A agent
│   │   └── evaluator_agent.py  # Evaluation agent
│   ├── data/                   # Data processing
│   │   ├── __init__.py
│   │   ├── loader.py           # Data loader
│   │   └── preprocessing.py    # Data cleaning & features
│   ├── models/                 # ML models
│   │   ├── __init__.py
│   │   └── price_predictor.py  # Price prediction models
│   └── vectorstore/            # RAG components
│       ├── __init__.py
│       ├── document_generator.py # Context generation
│       └── faiss_index.py      # Vector store
│
├── tests/                      # Test suite
│   ├── __init__.py
│   ├── test_agents.py          # Agent tests
��   ├── test_data.py            # Data tests
│   └── test_models.py          # Model tests
│
├── reports/                    # Generated outputs
│   ├── price_comparison.png
│   ├── price_cabai_merah_besar.png
│   ├── price_cabai_merah_keriting.png
│   ├── price_cabai_rawit_hijau.png
│   ├── price_cabai_rawit_merah.png
│   └── evaluation_metrics.png
│
├── .cache/                     # Cache directory
│   └── rag_index.pkl           # RAG index cache
│
└── .venv/                      # Virtual environment

🔧 Teknologi yang Digunakan

Core Technologies

• Python 3.12: Bahasa pemrograman utama
• pandas: Data manipulation & analysis
• numpy: Numerical computing
• scikit-learn: Machine learning
• xgboost: Gradient boosting
• lightgbm: Fast gradient boosting

AI/ML Components

• sentence-transformers: Text embeddings
• FAISS: Vector similarity search
• Groq API: Fast LLM inference (Llama 3.3 70B)

Visualization

• matplotlib: Data visualization
• seaborn: Statistical visualization

Development Tools

• pytest: Testing framework
• black: Code formatter
• ruff: Linter

📝 License

Proyek ini dibuat untuk keperluan UAS Data Mining ST167 di Universitas AMIKOM Yogyakarta.

👥 Tim Pengembang

Proyek Data Mining - ST167

• Universitas AMIKOM Yogyakarta
• Semester Genap 2025/2026

📞 Kontak

Untuk pertanyaan atau kontribusi, silakan buat issue di repository.

---

Selamat Menggunakan! 🌶️