# Revisi Implementasi Decision Tree untuk Penomoran Surat Otomatis

## 1. Latar Belakang

Sistem penomoran surat otomatis saat ini masih menggunakan increment sederhana (`nomor_terakhir + 1`). Untuk meningkatkan akurasi dan memberikan kontribusi akademik yang lebih berbobot, Node 3 (penentuan nomor urut) akan menggunakan **Full Decision Tree (scikit-learn)** dengan multi-feature, bukan counter biasa.

## 2. Ruang Lingkup Perubahan

| Area | File | Perubahan |
|------|------|-----------|
| **eLaDesSkripsiML** | `ml_model.py` | Rombak: tambah DecisionTreeClassifier + fitur multi untuk DecisionTreeRegressor |
| | `elades_mysql.py` | Tambah auto-klasifikasi, kode surat, counter dengan FOR UPDATE, orchestrator |
| | `app.py` | Update endpoint `/api/proses-nomor/<id>`, tambah `/api/retrain` |
| **eLaDesSkripsi** | 3 Migration baru | Tambah kolom ke jenis_surat, pengajuan, dan tabel nomor_surat_counters |

## 3. Decision Tree Flow

```
Root: jenis_surat_id tersedia?
├── Tidak → Error return
└── Ya → Fetch jenis_surat dari MySQL
│
├── Node 1: KLASIFIKASI SURAT
│   ├── Cek jenis_surat.kategori
│   │   ├── Ada → gunakan itu
│   │   └── Tidak → Python keyword matching:
│   │       ├── "pernyataan"  → "Surat Pernyataan"
│   │       ├── "pengantar"   → "Surat Pengantar"
│   │       ├── "keterangan"  → "Surat Keterangan"
│   │       └── default       → "Surat Keterangan"
│   └── Output: klasifikasi_surat
│
├── Node 2: KODE SURAT
│   ├── jenis_surat.kode_surat ada?
│   │   ├── Ya → gunakan kode_surat
│   │   └── Tidak → default:
│   │       ├── Surat Keterangan → "SK"
│   │       ├── Surat Pengantar  → "SP"
│   │       └── Surat Pernyataan → "SPT"
│   └── Output: kode_surat
│
├── Node 3: FULL DECISION TREE — NOMOR URUT
│   ├── Tentukan periode:
│   │   ├── reset_periode = "bulanan" → filter (jenis, klasifikasi, BULAN, TAHUN)
│   │   └── reset_periode = "tahunan" → filter (jenis, klasifikasi, TAHUN)
│   ├── Ambil existing numbers (FOR UPDATE lock)
│   ├── Cek gap: ada nomor yang loncat?
│   │   ├── Ya → pakai nomor gap pertama (isi celah)
│   │   └── Tidak → Full Decision Tree prediction
│   ├── Siapkan fitur training multi-dimensi
│   ├── Train DecisionTreeRegressor
│   ├── Predict nomor berikutnya
│   ├── Validasi: cek duplikat via FOR UPDATE
│   └── Output: nomor_urut
│
├── Node 4: FORMAT NOMOR SURAT
│   ├── format_nomor dari jenis_surat
│   ├── Replace: {NO_URUT} {KODE} {BULAN_ROM} {TAHUN}
│   └── Output: nomor_terformat
│
└── SAVE: UPDATE pengajuan
    ├── nomor_surat = nomor_urut
    ├── klasifikasi_surat = hasil Node 1
    ├── kode_surat = hasil Node 2
    └── tanggal_surat = NOW()
```

## 4. Fitur Multi-Dimensi untuk DecisionTreeRegressor

| Fitur | Keterangan |
|-------|------------|
| `bulan` | Bulan pengajuan (1-12) |
| `tahun` | Tahun pengajuan |
| `index_ke` | Urutan ke berapa dalam sequence |
| `jumlah_dalam_periode` | Total surat dalam periode yang sama |
| `selisih_hari` | Selisih hari dari pengajuan sebelumnya |

## 5. Endpoint API

| Endpoint | Method | Fungsi |
|----------|--------|--------|
| `/api/proses-nomor/<id>` | POST | Decision Tree lengkap: klasifikasi + kode + nomor urut + format |
| `/api/retrain` | POST | Retrain model setelah ada jenis_surat baru |
| `/api/health` | GET | Cek kesehatan server |

## 6. Output Response

```json
{
    "success": true,
    "nomor_surat": "001/SKD/VI/2026",
    "nomor_urut": 1,
    "klasifikasi_surat": "Surat Keterangan",
    "kode_surat": "SKD",
    "message": "Nomor surat berhasil diproses"
}
```