🎓 EduLaptop Advisor

Aplikasi sederhana berbasis Forward Chaining yang merekomendasikan laptop terbaik untuk mahasiswa berdasarkan jurusan, aktivitas utama, dan budget.
Dibuat menggunakan React (Frontend) dan Flask (Backend).

👨‍💻 Identitas Pembuat

Nama	NPM	Mata Kuliah
Daffa Fathan	4522210082	Intelligent System

🧠 Deskripsi Singkat

EduLaptop Advisor merupakan sistem pakar sederhana yang menggunakan metode forward chaining untuk menentukan rekomendasi laptop yang sesuai kebutuhan pengguna.
Pengguna hanya perlu memilih:

Jurusan (misal: Informatika, DKV, Bisnis, dsb)
Aktivitas utama (misal: Coding, Desain, Office)
Budget (Rp)

Lalu sistem akan menampilkan rekomendasi laptop beserta aturan-aturan (rules) yang digunakan dalam proses inferensi.

⚙️ Teknologi yang Digunakan

Backend

Python 3.x
Flask
Flask-CORS

Frontend

React + Vite
Tailwind CSS

🚀 Cara Menjalankan Project

1. Jalankan Backend (Flask)

cd backend
pip install flask flask-cors
python app.py

Secara default, backend akan berjalan di:

http://localhost:5000

2. Jalankan Frontend (React)

cd frontend
npm install
npm run dev

Frontend akan berjalan di:

http://localhost:5173

🧩 Struktur Project

EduLaptop-Advisor/
├── backend/
│   ├── app.py
│   └── requirements.txt
│
├── frontend/
│   ├── src/
│   │   ├── App.jsx
│   │   ├── App.css
│   │   └── ...
│   └── package.json
│
└── README.md

🧠 Contoh Aturan (Forward Chaining Rules)

Kondisi	Aturan yang Digunakan	Rekomendasi
Jurusan Informatika + Aktivitas Coding + Budget 12jt	Butuh CPU kuat & RAM besar	ASUS ZenBook 14 / Acer Swift X
Jurusan DKV + Aktivitas Desain + Budget 9jt	Butuh GPU Dedicated & Layar IPS	ASUS Vivobook 15 / IdeaPad Slim 3
Jurusan Bisnis + Aktivitas Office + Budget 6jt	Butuh laptop ringan & hemat daya	Acer Swift 1 / Lenovo IdeaPad 1

🧾 API Endpoint

POST /recommend

Request Body:

{
  "jurusan": "informatika",
  "aktivitas": "coding",
  "budget": 12000000
}

Response:

{
  "input_fakta_awal": ["jurusan_informatika", "aktivitas_coding", "budget_mid"],
  "fakta_akhir": [
    "jurusan_informatika",
    "aktivitas_coding",
    "butuh_cpu_i5",
    "butuh_ram_8gb",
    "butuh_ram_16gb",
    "kategori_mid_range",
    "rekomendasi_vivobook_lenovo_ideapad"
  ],
  "log_inferensi": [
    "Rule diterapkan: {'jurusan_informatika'} → butuh_cpu_i5",
    "Rule diterapkan: {'jurusan_informatika'} → butuh_ram_8gb",
    "Rule diterapkan: {'aktivitas_coding'} → butuh_cpu_i5",
    "Rule diterapkan: {'aktivitas_coding'} → butuh_ram_16gb",
    "Rule diterapkan: {'budget_mid'} → kategori_mid_range",
    "Rule diterapkan: {'kategori_mid_range'} → rekomendasi_vivobook_lenovo_ideapad"
  ],
  "rekomendasi": "ASUS Vivobook 15 / Lenovo IdeaPad Slim 3 / HP 14"
}

POST /feedback

Request Body

{
  "jurusan": "informatika",
  "aktivitas": "coding",
  "budget": 9000000,
  "rekomendasi": "ASUS Vivobook 15 / Lenovo IdeaPad Slim 3 / HP 14",
  "feedback": "sesuai"
}

Response

{
  "status": "success",
  "message": "Feedback diterima dan disimpan ke learning_data.json"
}

Catatan:

Nilai feedback dapat berupa "sesuai" atau "tidak_sesuai".
Sistem akan memantau kombinasi yang sering mendapat feedback positif.
Jika pola tertentu muncul berulang kali, sistem otomatis menambah aturan baru agar inferensi berikutnya lebih relevan.

🧬 Mekanisme Learning Agent

Sistem menyimpan setiap kombinasi fakta + hasil rekomendasi + feedback pengguna.
Jika pola tertentu (misal: “jurusan desain + aktivitas editing + budget tinggi”) sering mendapat feedback positif, maka:

IF jurusan_desain AND aktivitas_editing AND budget_high → rekomendasi_macbook_air_m2

akan otomatis ditambahkan ke basis pengetahuan.

Dengan ini, sistem belajar secara adaptif, sehingga rekomendasi berikutnya semakin sesuai dengan preferensi pengguna.

EduLaptop Advisor

Share this project:

Project Overview