👻 L-KDI: Latent Knowledge Diffusion Index

"Melacak hantu ide: Ketika pemikiran dari masa lalu tiba-tiba menjadi solusi masa depan."

L-KDI adalah pustaka Python open-source untuk mendeteksi fenomena "Sleeping Beauties" dalam literatur ilmiah—makalah yang awalnya terabaikan lalu menjadi sangat berpengaruh setelah masa dormansi panjang. Library ini menghitung Revival Impact Factor (RIF) dan menganalisis pola difusi pengetahuan melalui graf sitasi temporal.

🎯 Fitur Utama

• 🔍 Deteksi Otomatis Kebangkitan Ide: Identifikasi makalah dengan periode dormansi diikuti lonjakan sitasi
• 📊 Metrik L-KDI & RIF: Kuantifikasi dampak tertunda (delayed impact) dalam sains
• 🕸️ Analisis Graf Sitasi Temporal: Bangun dan analisis jaringan sitasi dengan bobot waktu
• 🌐 Integrasi Data Multi-Sumber: Fetch data dari OpenAlex API dan Semantic Scholar
• 🧠 Ekstraksi Konsep Kunci: NLP-powered extraction untuk identifikasi ide yang di-revive
• 📈 Visualisasi Timeline: Dashboard Streamlit untuk eksplorasi interaktif

💡 Mengapa L-KDI?

Banyak terobosan ilmiah sebenarnya merupakan rediscovery dari konsep lama:

• Backpropagation (1974 → 1986 → 2010s)
• Convolutional Neural Networks (1980s → 2012)
• Attention Mechanism (2014 → 2017)

Metrik tradisional tidak menangkap delayed impact ini. L-KDI mengisi celah tersebut dengan mengukur:

1. Diffusion Distance: Seberapa jauh konsep bergerak melintasi ruang ilmu
2. Latency Time: Durasi periode dormansi sebelum kebangkitan
3. Breakthrough Score: Sejauh mana karya mendobrak batasan bidang

📦 Instalasi Cepat

Prasyarat

• Python 3.9 atau lebih tinggi
• pip (Python package manager)
• Git

Langkah Instalasi (5 Menit)

# 1. Clone repository
git clone https://github.com/stipwunaraha/latent-knowledge-diffusion-index.git
cd latent-knowledge-diffusion-index

# 2. Buat virtual environment (direkomendasikan)
python -m venv venv

# 3. Aktifkan virtual environment
# Linux/Mac:
source venv/bin/activate
# Windows:
# venv\Scripts\activate

# 4. Install semua dependensi
pip install -r requirements.txt

# 5. Verifikasi instalasi dengan menjalankan test suite
python -m pytest tests/ -v

✅ Jika semua 32 test lulus, library siap digunakan!

🚀 Cara Penggunaan

Contoh 1: Analisis Paper dengan DOI

from lkdi import RevivalDetector

# Inisialisasi detector dengan sumber data OpenAlex
detector = RevivalDetector(data_source="openalex")

# Analisis makalah seminal Backpropagation (Rumelhart et al., 1986)
result = detector.analyze(doi="10.1038/323533a0")

print(f"📊 Revival Impact Factor (RIF): {result.rif_score:.2f}")
print(f"⏳ Periode Dormansi: {result.dormant_period}")
print(f"💡 Konsep yang di-revive: {result.key_concepts}")
print(f"📈 Total Sitasi: {result.total_citations}")

Contoh 2: Bangun Graf Sitasi Custom

from lkdi import CitationGraphBuilder

# Inisialisasi builder
builder = CitationGraphBuilder()

# Tambahkan paper ke graf
builder.add_paper("paper_1", year=1980, title="Early Neural Nets")
builder.add_paper("paper_2", year=1986, title="Learning Representations")
builder.add_paper("paper_3", year=2012, title="Deep Learning Revolution")

# Tambahkan edge sitasi
builder.add_edge("paper_2", "paper_1", weight=0.8)  # paper_2 sitasi paper_1
builder.add_edge("paper_3", "paper_2", weight=0.9)

# Bangun graf
graph = builder.build()

# Hitung centrality metrics
centralities = builder.compute_centrality(graph)
print(f"PageRank scores: {centralities['pagerank']}")

Contoh 3: Gunakan Fungsi Metrik Langsung

from lkdi.metrics import detect_dormancy, calculate_rif, diffusion_distance

# Timeline sitasi per tahun
citations = [2, 1, 0, 1, 0, 0, 1, 2, 15, 45, 120, 300]

# Deteksi periode dormansi
dormant = detect_dormancy(citations, min_years=5)
print(f"Dormant period: {dormant}")

# Hitung RIF score
rif = calculate_rif(citations)
print(f"RIF Score: {rif}")

📁 Struktur Repository

latent-knowledge-diffusion-index/
├── lkdi/                      # Package utama
│   ├── __init__.py           # Export modul publik
│   ├── metrics.py            # Fungsi metrik inti (RIF, dormancy, dll)
│   ├── graph_builder.py      # Class CitationGraphBuilder
│   └── detector.py           # Class RevivalDetector
├── tests/                     # Test suite
│   ├── conftest.py           # Konfigurasi pytest
│   ├── test_metrics.py       # Test fungsi metrik
│   ├── test_graph_builder.py # Test graph builder
│   └── test_detector.py      # Test detector
├── requirements.txt          # Daftar dependensi
├── INSTALLATION.md           # Panduan instalasi detail
├── SETUP_LOCALHOST.md        # Setup localhost cepat
└── README.md                 # Dokumentasi ini

🧪 Pengujian

Jalankan seluruh test suite:

# Semua test dengan verbose output
python -m pytest tests/ -v

# Dengan coverage report
python -m pytest tests/ --cov=lkdi --cov-report=html

# Test spesifik
python -m pytest tests/test_metrics.py -v

🛠️ Development Tools

Repository ini menyertakan tools untuk development:

• Black: Code formatting (black lkdi/ tests/)
• Flake8: Linting (flake8 lkdi/ tests/)
• Pytest: Testing framework dengan coverage
• Streamlit: Dashboard visualisasi (opsional)

📚 Dokumentasi Lengkap

• INSTALLATION.md: Panduan instalasi detail dengan troubleshooting
• SETUP_LOCALHOST.md: Setup cepat untuk pengembangan localhost
• Docstrings: Setiap fungsi dan class memiliki docstring lengkap

🔧 Troubleshooting Umum

Masalah	Solusi
ModuleNotFoundError	Pastikan virtual environment aktif dan pip install -r requirements.txt sudah dijalankan
Gagal install dependency	Coba upgrade pip: pip install --upgrade pip
Timeout API OpenAlex	Periksa koneksi internet atau gunakan mode offline dengan data lokal
Test gagal	Pastikan versi Python ≥ 3.9

Untuk panduan troubleshooting lengkap, lihat INSTALLATION.md.

🗺️ Roadmap

• ✅ Implementasi core metrics (RIF, dormancy detection)
• ✅ Graph builder dengan NetworkX
• ✅ RevivalDetector dengan OpenAlex integration
• ✅ Test suite lengkap (32 tests)
• Visualisasi timeline interaktif dengan Streamlit
• Support multiple data sources (Crossref, PubMed)
• CLI interface untuk analisis batch
• Pre-trained models untuk ekstraksi konsep
• Dashboard web untuk eksplorasi data

🤝 Kontribusi

Kami menyambut kontribusi! Cara berkontribusi:

1. Fork repository ini
2. Buat branch fitur (git checkout -b feature/amazing-feature)
3. Commit perubahan (git commit -m 'Add amazing feature')
4. Push ke branch (git push origin feature/amazing-feature)
5. Buka Pull Request

Lihat Issues untuk task yang bisa dikerjakan.

Standar Kode

• Gunakan Black untuk formatting
• Jalankan Flake8 untuk linting
• Pastikan semua test lulus sebelum submit PR
• Tambahkan test untuk fitur baru

📄 Lisensi

Distributed under the MIT License. Lihat LICENSE untuk detail.

🙏 Acknowledgements

• OpenAlex - Sumber data bibliografik terbuka
• Semantic Scholar - API pencarian akademik
• NetworkX - Library graf Python
• Konsep "Sleeping Beauties" dari ilmuometri

📬 Kontak

• Repository: GitHub
• Issues: Laporkan bug atau request fitur

---

Dibuat dengan ❤️ untuk komunitas riset terbuka