BAB 66. AI ROADMAP (RULE-BASED → MACHINE LEARNING)
66.1 Tujuan
AI TemuBelajar dirancang berkembang secara bertahap dari Rule-Based Recommendation Engine menuju Machine Learning dan Deep Learning Recommendation System, seiring bertambahnya data historis pengguna.
66.2 Tahapan Evolusi AI
flowchart LR
L1["📋 Level 1\nRule-Based"] --> L2["⚖️ Level 2\nWeighted\nAdaptive"]
L2 --> L3["📊 Level 3\nStatistical\nLearning"]
L3 --> L4["🤖 Level 4\nML Ranking"]
L4 --> L5["👥 Level 5\nCollaborative\nFiltering"]
L5 --> L6["🧠 Level 6\nGraph &\nDeep Learning"]
style L1 fill:#059669,color:#fff
style L6 fill:#7c3aed,color:#fff
66.3 Detail Setiap Level
Level 1 — Rule-Based (Sekarang)
Teknologi: Algoritma aturan statis dengan bobot tetap
| Input | Output |
|---|---|
| Skill similarity | Matching Score 0–100 |
| Rating historis | Tutor terpilih |
| Jadwal ketersediaan | Confidence level |
| Lokasi | Alasan rekomendasi |
| Pengalaman membantu | — |
Level 2 — Weighted Adaptive (v1.5)
Bobot faktor tidak lagi statis — berubah berdasarkan performa historis sistem.
// Bobot dikalibrasi ulang setiap bulan berdasarkan data
$weights = SchoolMatchingConfig::getWeightsForSchool($schoolId);
// weights: ['skill' => 0.35, 'rating' => 0.20, ...]
Level 3 — Statistical Learning (v2.0)
Menggunakan data historis untuk memprediksi keberhasilan sesi.
Model yang digunakan:
- Logistic Regression (prediksi keberhasilan sesi)
- Decision Tree (segmentasi tutor)
- Random Forest (ensemble prediction)
Level 4 — Machine Learning Ranking (v2.5)
Memprediksi 4 probabilitas sekaligus untuk setiap kandidat tutor:
| Probabilitas | Deskripsi |
|---|---|
| Success Probability | Kemungkinan masalah terselesaikan |
| Response Probability | Kemungkinan tutor merespons notifikasi |
| Completion Probability | Kemungkinan sesi selesai tepat waktu |
| Satisfaction Probability | Kemungkinan rating > 4.0 |
Level 5 — Collaborative Filtering (v3.0)
AI memahami pola koneksi antar pengguna:
Siswa A sering cocok dengan Tutor B
→ Tutor B direkomendasikan ke Siswa yang mirip dengan A
Tutor C selalu berhasil di Matematika Kelas XII
→ Tutor C diprioritaskan untuk kasus serupa
Level 6 — Graph & Deep Learning (v4.0)
Teknologi terdepan:
| Teknologi | Fungsi |
|---|---|
| Graph Neural Network | Memahami relasi antar pengguna sebagai graf |
| User Embedding | Representasi vektor setiap pengguna |
| Topic Embedding | Representasi vektor setiap topik pelajaran |
| Temporal Recommendation | Rekomendasi berdasarkan waktu dan konteks |
| Context-Aware Rec | Rekomendasi berbeda saat ulangan vs belajar biasa |
66.4 Dataset yang Dikumpulkan
Dari Fase 1 (MVP), sistem sudah mulai mengumpulkan data untuk melatih model AI di fase berikutnya:
| Kategori | Data |
|---|---|
| Request Data | Mata pelajaran, materi, deskripsi, waktu, lokasi |
| Session Data | Durasi, kehadiran, penyelesaian, jumlah peserta |
| Outcome Data | Rating, feedback, SIS delta, XP earned |
| Behavioral Data | Response time tutor, acceptance rate, repeat request |
| Academic Data | Histori skill, kelas, nilai (opsional) |
66.5 AI Governance & Prinsip Etika
| Prinsip | Implementasi |
|---|---|
| Transparan | Skor dan alasan rekomendasi ditampilkan |
| Adil | Fairness adjustment mencegah monopoli tutor |
| Tidak diskriminatif | Tidak menggunakan gender, etnis, atau agama |
| Explainable | Setiap keputusan dapat dijelaskan |
| Dapat diaudit | Semua keputusan AI dicatat di AI Matching Log |
| Privasi | Data tidak dijual atau dibagikan ke pihak ketiga |
| Regulasi | Mematuhi ketentuan perlindungan data pelajar |