recommendation_builder.py

# ======================================================================
# --- recommendation_builder.py (LOGIKA DIPERBAIKI) ---
# ======================================================================
import random
from typing import List, Dict, Any

# --- SENTIMENT CONFIG ---
SENTIMENT_MAP = {
    "IPS_Terakhir": {"rendah": -1, "tinggi": 1},
    "IPK_Terakhir": {"rendah": -1, "tinggi": 1},
    "Jumlah_MK_Gagal": {"rendah": 1, "tinggi": -1},
    "Total_SKS": {"rendah": -1, "tinggi": 1},
    "Tren_IPS_Slope": {"rendah": -1, "tinggi": 1},
    "Rentang_IPS": {"rendah": 1, "tinggi": -1},
    "Total_SKS_Gagal": {"rendah": 1, "tinggi": -1},
}

# --- KLAUSA TEKS (FALLBACK) ---
# Ini digunakan jika tidak ada 'Sanity Check' khusus
CLAUSES_FALLBACK = {
    "IPS_Terakhir": {
        "rendah": "capaian IPS semester terakhir yang berada di bawah standar",
        "tinggi": "capaian IPS semester terakhir yang cukup baik", # Dibuat netral
    },
    "IPK_Terakhir": {
        "rendah": "nilai IPK kumulatif yang masih relatif rendah",
        "tinggi": "rekam IPK kumulatif yang solid",
    },
    "Jumlah_MK_Gagal": {
        "rendah": "rekam jejak mata kuliah yang cukup baik",
        "tinggi": "adanya beban mata kuliah gagal",
    },
    "Total_SKS_Gagal": {
        "rendah": "minimnya SKS yang terbuang",
        "tinggi": "besarnya jumlah SKS yang harus diulang",
    },
    "Tren_IPS_Slope": {
        "rendah": "tren performa yang menurun belakangan ini",
        "tinggi": "tren peningkatan nilai yang konsisten",
    },
    "Total_SKS": {
        "rendah": "jumlah SKS yang masih di bawah target progres studi",
        "tinggi": "kemajuan pengambilan SKS yang sejalan dengan rencana studi",
    },
    "Rentang_IPS": {
        "rendah": "konsistensi performa yang stabil",
        "tinggi": "fluktuasi performa yang tidak stabil"
    }
}

# --- KATA SAMBUNG ---
CONNECTORS = {
    "same_bad": [". Masalah ini diperberat dengan ", ". Selain itu, terdeteksi juga ", ". Sayangnya, hal ini diikuti oleh "],
    "same_good": [". Hal ini didukung pula oleh ", ". Ditambah lagi dengan ", ". Serta adanya "],
    "contrast_bad_to_good": [". Namun kabar baiknya, ", ". Walaupun begitu, Anda memiliki ", ". Untungnya, hal ini diimbangi oleh "],
    "contrast_good_to_bad": [". Namun sayangnya, ", ". Meskipun demikian, perlu diwaspadai adanya ", ". Akan tetapi, sistem mencatat "],
}

# --- TEMPLATE STATIS (FORMATTING DIHAPUS) ---
REKOMENDASI_BANK = {
    "Resiko Tinggi": [
        (
            "🚨 Tindakan Mendesak Diperlukan. Berdasarkan analisis sistem, Anda berada di kategori Resiko Tinggi. "
            "Segera lakukan evaluasi mendalam terhadap kebiasaan belajar, disiplin waktu, dan strategi akademik Anda. "
            "Prioritaskan perbaikan pada mata kuliah dengan nilai rendah, manfaatkan bimbingan dosen, "
            "dan pertimbangkan untuk mengurangi beban SKS sementara agar fokus pada peningkatan performa inti."
        ),
        (
            "⚠️ Perhatian Serius. Performa akademik Anda menunjukkan tanda risiko tinggi. "
            "Usahakan untuk memperbaiki IPK dan IPS dengan memperkuat dasar konsep, "
            "bergabung dalam kelompok belajar, serta mencari mentor akademik. "
            "Manajemen waktu dan pola belajar teratur akan sangat membantu dalam mengembalikan performa Anda."
        )
    ],
    "Resiko Sedang": [
        (
            "⚠️ Waspada & Antisipasi. Anda berada di zona Resiko Sedang. "
            "Hal ini menandakan performa Anda masih fluktuatif. "
            "Pertahankan aspek yang sudah baik, namun segera identifikasi area yang masih lemah. "
            "Disarankan untuk membuat jadwal belajar lebih terstruktur dan melakukan evaluasi kecil tiap minggu."
        ),
        (
            "💡 Perlu Peningkatan. Kinerja akademik Anda stabil namun belum optimal. "
            "Fokuslah pada konsistensi nilai dan hindari penurunan mendadak di semester berikutnya. "
            "Coba tingkatkan interaksi dengan dosen dan teman sekelas untuk memperkuat pemahaman materi."
        )
    ],
    "Resiko Rendah": [
        (
            "✅ Pertahankan Momentum. Anda berada di kategori Resiko Rendah. "
            "Performa Anda sudah cukup baik dan konsisten. "
            "Teruskan pola belajar yang efektif, namun jangan lengah terhadap materi yang sulit. "
            "Pertimbangkan untuk mengambil tantangan baru seperti proyek penelitian atau lomba akademik."
        ),
        (
            "📈 Progres Positif. Anda menunjukkan performa yang solid. "
            "Gunakan kesempatan ini untuk memperkuat area yang masih lemah dan menjaga keseimbangan antara studi dan istirahat. "
            "Tetap evaluasi hasil belajar secara berkala untuk memastikan kestabilan performa."
        )
    ],
    "Aman": [
        (
            "🌟 Luar Biasa! Anda berada di kategori Aman. "
            "Kinerja akademik Anda konsisten dan menunjukkan kedewasaan belajar yang tinggi. "
            "Pertahankan strategi belajar yang sudah terbukti efektif, "
            "dan jangan ragu berbagi pengalaman dengan rekan yang membutuhkan bantuan."
        ),
        (
            "🏆 Prestasi Stabil. Sistem mendeteksi profil akademik Anda sangat kuat. "
            "Anda dapat mulai mengeksplorasi kegiatan tambahan seperti magang, penelitian, atau lomba akademik "
            "untuk memperluas wawasan dan pengalaman profesional."
        )
    ],
    "default": (
        "🔍 Evaluasi Umum. Hasil prediksi Anda menunjukkan area yang perlu diperhatikan. "
        "Tetap jaga semangat belajar dan lakukan refleksi berkala terhadap hasil akademik Anda."
    )
}

# --- [FUNGSI BARU] LOGIC SANITY CHECK ---
def _get_dynamic_clause(feature: str, condition: str, value: float) -> str:
    """
    Logika Cerdas: Menyesuaikan kata sifat berdasarkan NILAI ASLI, 
    bukan hanya label 'tinggi/rendah' dari decision tree.
    """
    
    # --- LOGIKA OVERRIDE (SANITY CHECK) ---
    
    # 1. IPS Terakhir (Skala 0-4)
    if feature == "IPS_Terakhir":
        if condition == "tinggi": # DT bilang "tinggi"
            if value < 2.5:
                return "capaian IPS semester terakhir yang sedikit membaik namun masih rawan"
            elif value < 3.0:
                # Ini akan menangkap 2.62 dan 2.92
                return "capaian IPS semester terakhir yang cukup aman" 
            else:
                return "capaian IPS semester terakhir yang sangat memuaskan"
        else: # DT bilang "rendah"
            return "capaian IPS semester terakhir yang cukup rendah"

    # 2. IPK Terakhir (Skala 0-4)
    elif feature == "IPK_Terakhir":
        if condition == "tinggi": # DT bilang "tinggi"
            if value < 2.5: 
                # Ini akan menangkap 2.15
                return "IPK kumulatif yang baru saja lolos ambang batas kritis"
            elif value < 3.0:
                # Ini akan menangkap 2.78
                return "IPK kumulatif yang tergolong cukup baik"
            else:
                return "IPK kumulatif yang sangat solid"
        else: # DT bilang "rendah"
            if value < 2.0:
                return "IPK kumulatif yang berada di zona bahaya"
            else:
                return "IPK kumulatif yang masih relatif rendah"

    # 3. MK Gagal
    elif feature == "Jumlah_MK_Gagal":
        if condition == "rendah": 
            if value == 0:
                return "rekam jejak mata kuliah yang bersih tanpa kegagalan"
            else:
                return f"jumlah mata kuliah gagal yang masih dalam batas wajar ({int(value)} MK)"
        else: # DT bilang "tinggi"
             if value < 3:
                return f"adanya {int(value)} mata kuliah gagal yang perlu segera diulang"
             else:
                # Ini akan menangkap 4 Gagal
                return f"adanya beban {int(value)} mata kuliah gagal yang menumpuk"
    
    # 4. Tren
    elif feature == "Tren_IPS_Slope":
        if condition == "tinggi":
            if value < 0.1: # Jika naiknya sedikit (kasus 0.066)
                return "tren performa yang cukup membaik"
            else:
                return "tren peningkatan nilai yang konsisten"
        else:
            return "tren performa yang menurun belakangan ini"

    # Jika tidak ada aturan khusus, gunakan Fallback
    fallback = CLAUSES_FALLBACK.get(feature, {}).get(condition)
    if fallback:
        return fallback
    
    # Jika tidak ada fallback, return string kosong
    return ""


def generate_recommendation_paragraph(prediction_val: str, structured_rules: List[Dict[str, Any]]) -> str:
    """
    Menghasilkan rekomendasi personal: Template Statis + Jahitan Dinamis
    """
    
    # 1️⃣ Pilih template dasar (statis) dari REKOMENDASI_BANK
    base_templates = REKOMENDASI_BANK.get(prediction_val)
    if not base_templates:
        base_templates = [REKOMENDASI_BANK["default"]]
        
    if isinstance(base_templates, list):
        base_text = random.choice(base_templates)
    else:
        base_text = base_templates # Handle 'default' yang bukan list

    # 2️⃣ Buat bagian dinamis (berdasarkan fitur dominan)
    active_clauses = []
    features_seen = set()

    for rule in reversed(structured_rules):
        feature = rule["feature"]
        if feature in features_seen: continue
        features_seen.add(feature)
        
        condition = rule["condition"]
        value = rule["value"] # Ambil nilai asli
        
        # [DIUBAH] Panggil helper baru, bukan CLAUSES.get()
        text = _get_dynamic_clause(feature, condition, value) 
        
        sentiment = SENTIMENT_MAP.get(feature, {}).get(condition, 0)
        
        if text: # Hanya tambahkan jika text tidak kosong
            active_clauses.append({"text": text, "sentiment": sentiment})

    if not active_clauses:
        # Jika tidak ada fitur penting, kembalikan template statis saja
        return base_text

    # 3️⃣ Stitching: gabungkan klausa
    dynamic_part = " Dalam penjelasan yang lebih spesifik, profil Anda dipengaruhi oleh "
    current = active_clauses[0]
    dynamic_part += current["text"]
    last_sentiment = current["sentiment"]

    for i in range(1, len(active_clauses)):
        item = active_clauses[i]
        current_sentiment = item["sentiment"]

        if last_sentiment == -1 and current_sentiment == -1:
            connector = random.choice(CONNECTORS["same_bad"])
        elif last_sentiment == 1 and current_sentiment == 1:
            connector = random.choice(CONNECTORS["same_good"])
        elif last_sentiment == -1 and current_sentiment == 1:
            connector = random.choice(CONNECTORS["contrast_bad_to_good"])
        elif last_sentiment == 1 and current_sentiment == -1:
            connector = random.choice(CONNECTORS["contrast_good_to_bad"])
        else:
            connector = ". Selanjutnya, perhatikan juga "

        dynamic_part += connector + item["text"]
        last_sentiment = current_sentiment

    dynamic_part += "."

    # 4️⃣ Gabungkan template + hasil stitching
    # Format: [Paragraf Statis] + [Paragraf Dinamis]
    # \n\n digunakan untuk membuat paragraf baru
    final_text = f"{base_text}{dynamic_part}"
    return final_text