Fondasi full-stack Tugas Besar Rekayasa Perangkat Lunak. Backend memakai FastAPI, database SQLite, template Jinja2, dan Tailwind CSS melalui CDN. FR-04 memakai hybrid book recommendation engine berbasis TF-IDF dan cosine similarity.
smart-library-recsys/
├── main.py # Entry point FastAPI dan registrasi router
├── database.py # SQLite, schema, koneksi
├── seed_data.py # 50 buku, 10 user, 80 transaksi deterministik
├── services/
│ └── recommender_engine.py # Implementasi FR-04, dimiliki Lead Engineer
├── routers/
│ ├── auth.py # Anggota 4, Rifa
│ ├── books.py # Anggota 3, Dhia
│ ├── circulation.py # Anggota 2, Wildan
│ ├── recommendations.py # Lead Engineer, FR-04
│ └── analytics.py # Anggota 5, Azrur
├── templates/
│ ├── base.html # Layout dan sidebar
│ └── recommendations.html # UI simulasi FR-04
├── static/style.css
├── requirements.txt
└── vercel.json
Setiap anggota bekerja di router atau service yang ditugaskan. main.py, database.py, schema, dan kontrak endpoint menjadi area integrasi Lead Engineer. Perubahan lintas modul dibahas sebelum merge untuk menjaga konflik Git rendah.
Python 3.10+ dibutuhkan.
python -m venv .venv
.\.venv\Scripts\Activate.ps1
python -m pip install -r requirements.txt
python seed_data.py
python -m uvicorn main:app --reloadBuka http://127.0.0.1:8000/rekomendasi. Health check tersedia di http://127.0.0.1:8000/health.
Seed aman dijalankan ulang karena mengisi ulang tiga tabel demo. Database lokal library.db tidak perlu dibuat manual.
GET /api/recommendations/user/{user_id}: rekomendasi personal. User dengan histori memakai profil TF-IDF dari buku yang pernah dipinjam. User tanpa histori memakai fallback buku paling populer.GET /api/recommendations/similar/{book_id}: content-based filtering untuk buku serupa.GET /rekomendasi: halaman interaktif untuk memilih user atau buku, membaca skor cosine similarity, dan melihat alasan rekomendasi.
Feature text engine adalah gabungan kategori + judul + sinopsis. Matrix dibuat saat request agar seed atau perubahan katalog langsung terbaca dan penggunaan RAM tetap ringan untuk laptop lokal.
vercel.json mengarahkan seluruh request ke main.py menggunakan builder Python Vercel. SQLite cocok untuk demo dan tugas lokal. Untuk deployment production multi-instance, database perlu dipindahkan ke storage persisten terkelola karena filesystem serverless tidak menjamin persistensi write.
flowchart LR
Anggota([Aktor: Anggota])
Petugas([Aktor: Petugas])
Pengelola([Aktor: Pengelola])
Auth((Kelola akun dan autentikasi))
Books((Kelola katalog buku))
Circulation((Kelola peminjaman dan pengembalian))
Recs((Lihat rekomendasi buku FR-04))
Analytics((Lihat analitik perpustakaan))
Anggota --> Auth
Anggota --> Books
Anggota --> Circulation
Anggota --> Recs
Petugas --> Auth
Petugas --> Books
Petugas --> Circulation
Petugas --> Recs
Pengelola --> Auth
Pengelola --> Books
Pengelola --> Circulation
Pengelola --> Recs
Pengelola --> Analytics
classDiagram
class User {
+int id
+string name
+string email
+string role
}
class Book {
+int id
+string title
+string author
+string category
+string synopsis
+int stock
}
class Borrowing {
+int id
+int user_id
+int book_id
+date borrowed_at
+date returned_at
+string status
}
class Database {
+get_connection()
+init_db()
}
class RecommenderEngine {
+similar_books(book_id, limit)
+user_recommendations(user_id, limit)
-_load_books()
-_content_matrix(books)
}
class RecommendationRouter {
+recommend_for_user(user_id)
+similar_to_book(book_id)
}
User "1" --> "many" Borrowing : makes
Book "1" --> "many" Borrowing : appears in
Database ..> User : stores
Database ..> Book : stores
Database ..> Borrowing : stores
RecommendationRouter --> RecommenderEngine : calls
RecommenderEngine --> Database : reads
flowchart TD
Start([Mulai]) --> Input{Pilih mode}
Input -->|User| ReadUser[Ambil user dan histori peminjaman]
Input -->|Buku| ReadBook[Ambil buku pilihan]
ReadUser --> HasHistory{Ada histori?}
HasHistory -->|Tidak| Popular[Hitung frekuensi peminjaman]
Popular --> RankPopular[Urutkan Top Popular Books]
HasHistory -->|Ya| Profile[Agregasi profil TF-IDF dari buku yang pernah dipinjam]
Profile --> Candidate[Ambil buku yang belum pernah dipinjam]
Candidate --> Similarity[Hitung cosine similarity]
ReadBook --> Matrix[Gabungkan kategori, judul, sinopsis]
Matrix --> SimilarityBook[Hitung cosine similarity antar buku]
Similarity --> Rank[Urutkan skor menurun]
SimilarityBook --> Rank
RankPopular --> Response[Bangun response dengan skor dan alasan]
Rank --> Response
Response --> End([Tampilkan hasil])
sequenceDiagram
actor Penguji
participant UI as Recommendations UI
participant Router as RecommendationRouter
participant Engine as RecommenderEngine
participant DB as SQLite Database
Penguji->>UI: Pilih User atau Buku
UI->>Router: GET /api/recommendations/{mode}/{id}
Router->>Engine: user_recommendations() atau similar_books()
Engine->>DB: Query users, books, borrowings
DB-->>Engine: Data katalog dan histori
Engine->>Engine: Bangun TF-IDF dan cosine similarity
Engine->>Engine: Ranking kandidat dan susun alasan
Engine-->>Router: JSON recommendations, score, reason
Router-->>UI: HTTP 200 JSON
UI->>UI: Render kartu hasil dan score bar
UI-->>Penguji: Skor kemiripan dan alasan rekomendasi