BAB 33. RECOMMENDATION ENGINE

Tujuan

Recommendation Engine bertugas memilih tutor terbaik secara bertahap dan adil melalui 5 stage pemrosesan sebelum notifikasi dikirim.

---

Alur 5 Stage

flowchart LR
    S1["Stage 1\n🔍 Filtering"] --> S2["Stage 2\n⚙️ Scoring"]
    S2 --> S3["Stage 3\n📊 Ranking"]
    S3 --> S4["Stage 4\n⚖️ Fairness\nAdjustment"]
    S4 --> S5["Stage 5\n📲 Notification\nCascade"]

    style S1 fill:#1e1b4b,color:#a5b4fc
    style S2 fill:#4c1d95,color:#ddd6fe
    style S3 fill:#2e1065,color:#e9d5ff
    style S4 fill:#1e3a5f,color:#93c5fd
    style S5 fill:#064e3b,color:#a7f3d0

---

Stage 1 — Filtering

Menghapus kandidat yang tidak memenuhi syarat dasar sebelum dihitung skornya (efisiensi komputasi).

Filter yang diterapkan:

Filter	Kondisi
Sekolah sama	school_id harus sama
Status aktif	is_active = true
Skill relevan	Memiliki skill terkait subject_id
Tidak sedang meeting	Tidak ada booking dengan status on_going
Bukan diri sendiri	student_id ≠ request.student_id
Tidak diblokir	Tidak ada relasi blokir

---

Stage 2 — Scoring

Menghitung seluruh komponen skor untuk setiap kandidat yang lolos filtering.

Lihat detail formula di BAB 32 — AI Matching Algorithm.

---

Stage 3 — Ranking

Mengurutkan kandidat berdasarkan matching_score dari tertinggi ke terendah.

$candidates = $candidates->sortByDesc('matching_score');

---

Stage 4 — Fairness Adjustment

Mencegah tutor yang sama selalu dipilih meskipun selalu memiliki skor tertinggi. Ini menjaga distribusi beban yang adil antar tutor.

Formula Adjusted Score:

$$\text{Adjusted Score} = \text{Raw Score} - (\text{Recent Sessions} \times \text{Penalty})$$

Keterangan:

• Recent Sessions = jumlah sesi dalam 7 hari terakhir
• Penalty = 0.5 per sesi

Contoh:

Tutor A memiliki raw score 95.2 tetapi sudah membantu 6 sesi minggu ini:

$$\text{Adjusted Score} = 95.2 - (6 \times 0.5) = 92.2$$

Jika Tutor B memiliki raw score 93.0 dengan 1 sesi minggu ini:

$$\text{Adjusted Score} = 93.0 - (1 \times 0.5) = 92.5$$

✅ Tutor B dipilih karena adjusted score lebih tinggi.

---

Stage 5 — Notification Cascade

Notifikasi dikirim secara bertahap (cascade) — bukan serentak ke semua tutor sekaligus.

Alasan: Memberikan waktu respon dan menghindari notifikasi berlebihan.

Contoh Cascade:

[t=0s]  → Notifikasi ke Tutor #1
[t=30s] → Jika belum ada respon → Notifikasi ke Tutor #2
[t=60s] → Jika belum ada respon → Notifikasi ke Tutor #3
[t=90s] → Jika semua menolak → Notifikasi ke siswa: "Coba lagi nanti"

sequenceDiagram
    participant Sys as System
    participant T1 as Tutor #1
    participant T2 as Tutor #2
    participant T3 as Tutor #3
    participant S as Siswa

    Sys->>T1: Push notification
    Note over T1: Tunggu 30 detik
    T1-->>Sys: Tidak merespons
    Sys->>T2: Push notification
    T2->>Sys: Reject
    Sys->>T3: Push notification
    T3->>Sys: Accept ✅
    Sys->>S: "Tutor ditemukan!"

---

Roadmap Peningkatan AI

flowchart LR
    A["📋 Rule-Based\n(Sekarang)"] --> B["⚖️ Weighted Rule\n(v1.1)"]
    B --> C["🔄 Adaptive Weight\n(v1.5)"]
    C --> D["🤖 ML Ranking\n(v2.0)"]
    D --> E["👥 Collaborative\nFiltering (v2.5)"]
    E --> F["🧠 Deep Learning\n(v3.0)"]

    style A fill:#059669,color:#fff
    style F fill:#7c3aed,color:#fff

Fase	Metode	Keunggulan
v1.0	Rule-Based	Transparan, mudah diimplementasikan
v1.1	Weighted Rule	Bobot dapat dikonfigurasi admin
v1.5	Adaptive Weight	Bobot menyesuaikan data historis
v2.0	ML Ranking	Belajar dari pola pengguna
v2.5	Collaborative Filtering	Rekomendasi berbasis preferensi serupa
v3.0	Deep Learning	Rekomendasi kontekstual yang sangat akurat