BAB 32. AI MATCHING ALGORITHM

Pendekatan

Implementasi awal menggunakan Rule-Based Intelligent Recommendation Engine.

Alasan pemilihan pendekatan ini:

Alasan	Penjelasan
Mudah diimplementasikan	Tidak membutuhkan training data
Transparan	Skor dapat dijelaskan
Tidak butuh dataset besar	Cocok untuk tahap awal
Mudah dievaluasi	Logika dapat diaudit
Mudah ditingkatkan	Dapat migrasi ke ML di masa depan

---

Formula Dasar

$$\text{Matching Score} = \sum_{i=1}^{n} (F_i \times W_i)$$

Di mana $F_i$ adalah nilai faktor ke-$i$ (0–100) dan $W_i$ adalah bobot faktor ke-$i$.

Matching Score =
  (Skill Similarity    × 0.30) +
  (History Success     × 0.20) +
  (Rating              × 0.15) +
  (Availability        × 0.10) +
  (Distance            × 0.10) +
  (Helping Experience  × 0.05) +
  (Same Grade          × 0.05) +
  (Current Workload    × 0.05)
─────────────────────────────
  Total Bobot          = 1.00

---

Detail Perhitungan Per Faktor

1. Skill Similarity — Bobot 30%

Mengukur seberapa relevan skill tutor dengan kebutuhan siswa.

Kondisi	Skor
Materi sama persis	100
Mata pelajaran sama	80
Bidang serumpun (misal: Fisika ↔ Kimia)	60
Tidak relevan	0

2. History Success — Bobot 20%

Mengukur tingkat keberhasilan tutor menyelesaikan masalah siswa.

$$\text{Success Rate} = \frac{\text{Solved Sessions}}{\text{Total Sessions}} \times 100$$

Success Rate	Skor
≥ 95%	95–100
80–94%	80–94
60–79%	60–79
< 60%	Proporsional
Tidak ada histori	50 (neutral)

3. Rating — Bobot 15%

Mengkonversi rating rata-rata menjadi skor 0–100.

$$\text{Rating Score} = \frac{\text{Avg Rating}}{5} \times 100$$

Contoh: Rating 4.9 → 98 poin

4. Availability — Bobot 10%

Mengukur ketersediaan tutor saat ini.

Kondisi	Skor
Tersedia sekarang	100
Tersedia < 30 menit	80
Tersedia < 2 jam	60
Tersedia hari ini	40
Tidak tersedia	0

5. Distance — Bobot 10%

Mengukur jarak tutor dari lokasi yang diinginkan siswa.

Jarak	Skor
< 50 meter	100
< 100 meter	90
< 200 meter	80
< 500 meter	60
> 500 meter	30

6. Helping Experience — Bobot 5%

Mengukur pengalaman tutor berdasarkan total sesi yang pernah dilakukan.

$$\text{Experience Score} = \min\left(\frac{\text{Total Sessions}}{50} \times 100,\ 100\right)$$

7. Same Grade — Bobot 5%

Tutor yang berada di tingkat kelas yang sama atau lebih tinggi mendapat prioritas.

Kondisi	Skor
Kelas sama	100
Kelas lebih tinggi	80
Kelas lebih rendah	40

8. Current Workload — Bobot 5%

Semakin sedikit beban aktif tutor, semakin tinggi skor.

$$\text{Workload Score} = \max\left(100 - (\text{Active Sessions} \times 20),\ 0\right)$$

---

Contoh Perhitungan Lengkap

Skenario: Siswa meminta tutor Integral — ada kandidat Tutor A.

Faktor	Nilai	Bobot	Hasil
Skill Similarity	100	0.30	30.0
History Success	95	0.20	19.0
Rating	98	0.15	14.7
Availability	100	0.10	10.0
Distance	90	0.10	9.0
Helping Experience	80	0.05	4.0
Same Grade	100	0.05	5.0
Current Workload	70	0.05	3.5
TOTAL			95.2

✅ Tutor A dengan skor 95.2 menjadi prioritas pertama.

---

Pseudocode Scoring Engine

function calculateMatchingScore(Student $tutor, Request $request): float
{
    $skillScore     = $this->calculateSkillSimilarity($tutor, $request);
    $successScore   = $this->calculateHistorySuccess($tutor);
    $ratingScore    = $tutor->average_rating / 5 * 100;
    $availScore     = $this->calculateAvailability($tutor, $request);
    $distanceScore  = $this->calculateDistance($tutor, $request);
    $expScore       = min($tutor->total_sessions_as_tutor / 50 * 100, 100);
    $gradeScore     = $this->calculateSameGrade($tutor, $request->student);
    $workloadScore  = max(100 - ($tutor->activeBookings->count() * 20), 0);

    return (
        ($skillScore    * 0.30) +
        ($successScore  * 0.20) +
        ($ratingScore   * 0.15) +
        ($availScore    * 0.10) +
        ($distanceScore * 0.10) +
        ($expScore      * 0.05) +
        ($gradeScore    * 0.05) +
        ($workloadScore * 0.05)
    );
}