🛠 Proyek Akhir (Level 3)

📌 Tujuan:

• Membangun Chatbot sederhana dengan NLP (Natural Language Processing).
• Membangun Sistem rekomendasi produk menggunakan Machine Learning.

📌 Durasi: 1-2 bulan

---

1️⃣ Chatbot Sederhana dengan Python

📌 Apa itu Chatbot?
Chatbot adalah program yang bisa menjawab pertanyaan pengguna secara otomatis menggunakan Natural Language Processing (NLP).

📌 Cara Kerja:
✅ Menggunakan pustaka NLTK atau spaCy untuk memproses teks.
✅ Mencocokkan pertanyaan pengguna dengan jawaban yang sudah disediakan.
✅ Bisa dikembangkan menggunakan AI (misalnya GPT API).

---

🔹 Instalasi Library

pip install nltk

---

🔹 Membuat Chatbot Dasar dengan NLTK

import nltk
from nltk.chat.util import Chat, reflections

# Daftar pola pertanyaan & jawaban
pairs = [
    ["halo", ["Halo! Ada yang bisa saya bantu?"]],
    ["siapa namamu?", ["Saya adalah chatbot sederhana!"]],
    ["apa yang bisa kamu lakukan?", ["Saya bisa menjawab pertanyaan sederhana."]],
    ["bye", ["Sampai jumpa!", "Bye!"]],
]

# Membuat chatbot
chatbot = Chat(pairs, reflections)

# Mulai chatbot
print("Chatbot aktif! Ketik 'bye' untuk keluar.")
chatbot.converse()

📌 Penjelasan:
✅ pairs → Berisi daftar pertanyaan & jawaban.
✅ Chat(pairs, reflections) → Membuat chatbot sederhana.
✅ chatbot.converse() → Memulai chatbot di terminal.

🔥 Selanjutnya: Gunakan AI untuk chatbot lebih canggih!

---

2️⃣ Sistem Rekomendasi Produk

📌 Apa itu Sistem Rekomendasi?
Sistem rekomendasi digunakan untuk merekomendasikan produk kepada pelanggan berdasarkan minat atau pembelian sebelumnya.

📌 Jenis Sistem Rekomendasi:
✅ Content-Based Filtering → Rekomendasi berdasarkan deskripsi produk.
✅ Collaborative Filtering → Rekomendasi berdasarkan data pembelian pelanggan lain.

---

🔹 Instalasi Library

pip install pandas scikit-learn

---

🔹 Sistem Rekomendasi dengan Content-Based Filtering

import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity

# Data produk (contoh sederhana)
data = {
    "produk": ["Laptop Gaming", "Laptop Bisnis", "PC Gaming", "Monitor 4K", "Mouse Wireless"],
    "deskripsi": [
        "Laptop untuk gaming dengan spesifikasi tinggi",
        "Laptop untuk bekerja dengan daya tahan baterai lama",
        "PC khusus untuk gaming dengan kartu grafis kuat",
        "Monitor dengan resolusi 4K untuk tampilan tajam",
        "Mouse tanpa kabel dengan teknologi wireless"
    ]
}

df = pd.DataFrame(data)

# Mengubah teks deskripsi menjadi vektor numerik
vectorizer = TfidfVectorizer()
tfidf_matrix = vectorizer.fit_transform(df["deskripsi"])

# Menghitung kemiripan antar produk
similarity_matrix = cosine_similarity(tfidf_matrix)

# Fungsi rekomendasi produk
def rekomendasi_produk(nama_produk, df, similarity_matrix):
    index_produk = df[df["produk"] == nama_produk].index[0]
    scores = list(enumerate(similarity_matrix[index_produk]))
    scores = sorted(scores, key=lambda x: x[1], reverse=True)[1:3]  # Ambil 2 produk teratas
    rekomendasi = [df["produk"][i[0]] for i in scores]
    return rekomendasi

# Contoh rekomendasi untuk "Laptop Gaming"
produk_input = "Laptop Gaming"
hasil_rekomendasi = rekomendasi_produk(produk_input, df, similarity_matrix)
print(f"Rekomendasi untuk {produk_input}: {hasil_rekomendasi}")

📌 Penjelasan:
✅ TfidfVectorizer() → Mengubah teks deskripsi produk menjadi angka.
✅ cosine_similarity() → Menghitung kemiripan antara produk.
✅ Fungsi rekomendasi_produk() → Mencari produk yang mirip dengan produk yang dicari.

🔥 Selanjutnya: Gunakan AI untuk sistem rekomendasi lebih canggih!

---

📌 Kesimpulan

✅ Chatbot Sederhana → Menggunakan NLTK untuk menjawab pertanyaan pengguna.
✅ Sistem Rekomendasi → Menggunakan Content-Based Filtering untuk memberikan rekomendasi produk.

🚀 Selanjutnya: Integrasikan chatbot & sistem rekomendasi ke dalam website atau aplikasi AI penjualan otomatis! 🔥