Update recommendation_builder.py

recommendation_builder.py

@@ -1,8 +1,8 @@
 # ======================================================================
-# --- recommendation_builder.py ---
+# --- recommendation_builder.py (LOGIKA DIPERBAIKI) ---
 # ======================================================================
 import random
-from typing import List, Dict
+from typing import List, Dict, Any
 
 # --- SENTIMENT CONFIG ---
 SENTIMENT_MAP = {
@@ -15,15 +15,16 @@ SENTIMENT_MAP = {
     "Total_SKS_Gagal": {"rendah": 1, "tinggi": -1},
 }
 
-# --- KLAUSA TEKS (UNTUK DIJAHIT) ---
-CLAUSES = {
+# --- 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 sangat memuaskan",
+        "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 dan stabil",
+        "tinggi": "rekam IPK kumulatif yang solid",
     },
     "Jumlah_MK_Gagal": {
         "rendah": "rekam jejak mata kuliah yang bersih dari kegagalan",
@@ -112,8 +113,77 @@ REKOMENDASI_BANK = {
     )
 }
 
+# --- [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
+                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 berada di bawah standar"
 
-def generate_recommendation_paragraph(prediction_val: str, structured_rules: List[Dict]) -> str:
+    # 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:
+                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 (Nasakom)"
+            else:
+                return "IPK kumulatif yang masih relatif rendah"
+
+    # 3. MK Gagal
+    elif feature == "Jumlah_MK_Gagal":
+        if condition == "rendah": # Rendah failure itu bagus
+            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:
+                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
+                return "tren performa yang sedikit 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
     """
@@ -138,10 +208,14 @@ def generate_recommendation_paragraph(prediction_val: str, structured_rules: Lis
         features_seen.add(feature)
         
         condition = rule["condition"]
-        text = CLAUSES.get(feature, {}).get(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:
+        if text: # Hanya tambahkan jika text tidak kosong
             active_clauses.append({"text": text, "sentiment": sentiment})
 
     if not active_clauses: