TIF_E41253310/Backend/Model/README.md

🤖 Machine Learning Model

Deskripsi

Model Machine Learning untuk clustering alumni berdasarkan kompetensi menggunakan Text Mining (TF-IDF) dan K-Means Clustering.

Struktur Folder

Model/
├── __init__.py
├── main.py                    # Pipeline utama
├── preprocessing/
│   └── text_preprocessing.py  # Text preprocessing
├── feature_engineering/
│   └── tfidf.py               # TF-IDF extraction
├── clustering/
│   └── kmeans.py              # K-Means clustering
├── utils/
├── data/
│   ├── raw/                   # Data mentah
│   ├── processed/              # Data sudah diproses
│   └── result/                # Hasil clustering
└── README.md

Instalasi Dependencies

pip install pandas scikit-learn nltk sastrawi

Penggunaan Dasar

1. Import Pipeline

import pandas as pd
from Model.main import AlumniClusteringPipeline

# Siapkan data
data = pd.DataFrame({
    'nama': ['Ali', 'Budi', 'Citra'],
    'perusahaan': ['Google', 'Tokopedia', 'Gojek'],
    'jabatan': ['Engineer', 'Analyst', 'Manager']
})

# Jalankan pipeline
pipeline = AlumniClusteringPipeline(n_clusters=3)
result = pipeline.fit_transform(data)

print(result)

2. Auto-Detect K Optimal

pipeline = AlumniClusteringPipeline(n_clusters=3, auto_k=True)
result = pipeline.fit_transform(data)

3. Simpan Hasil

# Simpan ke CSV
result.to_csv('hasil_clustering.csv', index=False)

# Lihat distribusi cluster
print(result['cluster_label'].value_counts())

# Lihat ringkasan
summary = pipeline.get_cluster_summary(result)
print(summary)

Input Model

Model menerima DataFrame dengan kolom:

Kolom	Deskripsi
nama	Nama lengkap alumni
perusahaan	Nama perusahaan/instansi
jabatan	Jabatan/posisi

Output Model

DataFrame dengan kolom tambahan:

Kolom	Deskripsi
cluster	Nomor cluster (0, 1, 2, ...)
cluster_label	Label cluster ("Cluster_0", "Cluster_1", ...)

CLI Usage

cd Model
python main.py [input.csv] [n_clusters] [output.csv]

Contoh:

python main.py ../data/raw/alumni.csv 3 ../data/result/hasil.csv

Integrasi dengan Backend

Model sudah diintegrasikan dengan Backend FastAPI melalui ml_service.py.

Endpoint untuk clustering tersedia di /api/v1/clustering.

Lihat Backend/app/services/ml_service.py untuk detail.

---

Update Progress (2026-08-28)

Pipeline ML Selesai (6 Tahap)

Tahap	Script	Fungsi
1	column_mapping.json	Mapping kolom 2019-2025
2	merge_data.py	Merge data multi-file CSV
3	text_preprocessing.py	Text preprocessing + Sastrawi
4	clustering.py	TF-IDF + K-Means K=4
5	interpretasi.py	Interpretasi C0-C3
6	dashboard.py	Generate visualisasi

Cara Menjalankan Pipeline

cd Model/preprocessing
python merge_data.py           # Tahap 1-2
python text_preprocessing.py  # Tahap 3
python clustering.py          # Tahap 4
python interpretasi.py        # Tahap 5
python dashboard.py           # Tahap 6

Data Sources

Tahun	File CSV	Records
2019	Data_2019_Tracer_study.csv	30
2020	Data_2020_Tracer_study.csv	31
2021	Data_2021_Tracer_study.csv	237
2022	Data_2022_Tracer_study.csv	211
2023	Data_2023_Tracer_study.csv	268
2024	Data_2024_Tracer_study.csv	361
2025	Data_2025_Tracer_study_*.csv (5 file)	458
Total		1596

Hasil

• Total Alumni: 1596
• Data untuk Clustering: 1114
• K-Means K: 4 (sesuai PRD)
• Silhouette Score: 0.1034
• TF-IDF Features: 500

Distribusi Cluster

Cluster	Jumlah	%	Top Terms
0	587	52.7%	perintah, bumn, bnpp, jember, staff
1	146	13.1%	freelance, kerja lepas
2	183	16.4%	wiraswasta, usaha sendiri
3	198	17.8%	swasta, usaha swasta, indonesia

Distribusi Kategori C0-C3

Kategori	Deskripsi	Jumlah	%
C0	Sesuai Profil Lulusan	223	13.97%
C1	Bidang Diketahui (BUMN, pemerintah, dll)	385	24.12%
C2	Bidang Tidak Jelas	506	31.70%
C3	Belum/Tidak Bekerja	482	30.20%

Catatan Hasil

• C0 (14%): Alumni bekerja di bidang sesuai prodi (IT, jaringan, dll)
• C1 (24%): Bekerja di bidang non-teknis (BUMN, pemerintah, dll)
• C2 (32%): Bidang pekerjaan tidak teridentifikasi jelas
• C3 (30%): Alumni belum/tidak bekerja saat tracer study

Distribusi per Prodi

Prodi	Kode	C0	C1	C2	C3
TIF	55301	13	135	365	169
MIF	57401	10	66	226	136
TKK	56401	13	48	217	122

Output Files

Model/data/
├── standardized/
│   └── unified_dataset.csv       # Data setelah merge
├── processed/
│   ├── dataset_untuk_clustering.csv
│   ├── clustering_results.csv
│   ├── model_info.json
│   └── dashboard/
│       └── dashboard.html        # Dashboard interaktif
└── result/
    └── interpretasi_results.csv  # Hasil C0-C3