GitGraph

A GNN-Powered GitHub Network Analyzer

GitGraph adalah sebuah platform analisis cerdas yang menggunakan Graph Neural Network (GNN) untuk mengungkap wawasan mendalam dari ekosistem GitHub. Alih-alih metrik dangkal seperti jumlah bintang, GitGraph menganalisis hubungan antara developer dan repositori untuk memberikan rekomendasi proyek yang sangat relevan dan memetakan jalur kolaborasi.

---

✨ Fitur Utama

• Rekomendasi Repositori Cerdas: Dapatkan rekomendasi proyek yang dipersonalisasi berdasarkan analisis GNN terhadap minat dan koneksi Anda, bukan hanya berdasarkan tag populer.
• Pencari Ahli (Expert Finder): Temukan developer berpengaruh dalam domain teknologi tertentu berdasarkan kontribusi dan sentralitas mereka di dalam graf.
• Visualisasi Kolaborasi: Masukkan dua username GitHub dan lihat visualisasi graf interaktif yang menunjukkan bagaimana mereka terhubung melalui repositori atau kontributor bersama.

---

🧠 Arsitektur GNN

Model Graph Neural Network (GNN) pada proyek ini dirancang khusus untuk menangani graf heterogen—sebuah graf yang memiliki beberapa tipe node (User, Repository) dan tipe edge (STARS). Karena itu, arsitektur ini menggunakan HeteroConv dari library PyTorch Geometric untuk memproses informasi secara efektif.

Secara konseptual, alur kerja model adalah sebagai berikut:

[Fitur Awal Node] ==> [Layer HeteroConv #1] ==> [Aktivasi ReLU] ==> [Layer HeteroConv #2] ==> [Embedding Akhir]

Komponen Utama:

1. Encoder (HeteroGNN):

   • Inti Model: Model utama bertindak sebagai encoder yang bertugas mengubah fitur awal setiap node menjadi embedding—vektor numerik berdimensi rendah yang kaya akan informasi kontekstual dan topologis.
   • Layer Konvolusi: Inti dari encoder adalah dua lapis HeteroConv. Setiap layer HeteroConv membungkus sebuah layer SAGEConv.
   • SAGEConv: Layer ini bekerja dengan cara mengagregasi informasi fitur dari node-node tetangga untuk memperbarui representasi sebuah node. Ini memungkinkan informasi mengalir dari satu node ke node lain di seluruh graf.
   • Alur Informasi: Informasi mengalir dua arah antara User dan Repository (user -> stars -> repo dan sebaliknya) untuk menghasilkan embedding yang komprehensif.

2. Decoder (Prediksi Link):

   • Setelah encoder menghasilkan embedding akhir untuk semua User dan Repository, sebuah decoder sederhana digunakan untuk tugas prediksi link.
   • Mekanisme: Decoder mengambil embedding dari sepasang User dan Repository, lalu menghitung dot product di antara keduanya.
   • Hasil: Skor dot product yang tinggi mengindikasikan bahwa model memprediksi adanya kemungkinan hubungan STARS yang kuat antara user dan repositori tersebut.

Arsitektur encoder-decoder ini dilatih secara end-to-end untuk meminimalkan kesalahan prediksi link, sehingga menghasilkan embedding yang optimal untuk tugas rekomendasi.

Contoh Struktur & Output Model

Berikut adalah contoh output aktual dari beberapa tahapan dalam proses machine learning, yang menunjukkan struktur data dan model.

• Struktur Graf Input (HeteroData) Objek HeteroData dari PyTorch Geometric digunakan untuk merepresentasikan graf:

  HeteroData(
    user={ x=[2617, 128] },
    repo={ x=[100, 257] },
    (user, stars, repo)={ edge_index=[2, 2693] },
    (repo, rev_stars, user)={ edge_index=[2, 2693] }
  )

• Arsitektur Model GNN Arsitektur model GNN yang terdiri dari dua layer HeteroConv:

  HeteroGNN(
    (conv1): HeteroConv(num_relations=2)
    (conv2): HeteroConv(num_relations=2)
  )

• Output Embedding Final Setelah melewati model, setiap node user dan repo memiliki embedding akhir berukuran 32 dimensi:

  Output model (dictionary of embeddings):
  - Tipe Node: 'repo', Ukuran Embedding: torch.Size([100, 32])
  - Tipe Node: 'user', Ukuran Embedding: torch.Size([2617, 32])
  

---

🛠️ Tech Stack

Tabel di bawah ini menunjukkan teknologi utama yang digunakan dalam proyek ini.

Kategori	Teknologi
Frontend
Backend
Machine Learning
Database
Deployment

---

🚀 Setup & Instalasi Lokal

Untuk menjalankan project di local, ikuti langkah-langkah berikut.

Pre-requisities

• Python 3.9+
• Node.js & npm
• Docker & Docker Desktop

1. Clone Repo

git clone [https://github.com/your-username/gitgraph-project.git](https://github.com/your-username/gitgraph-project.git)
cd gitgraph-project

2. Backend Setup

# Masuk ke direktori backend
cd backend

# Buat dan aktifkan virtual environment
python -m venv venv
# Windows: .\venv\Scripts\activate
# macOS/Linux: source venv/bin/activate

# Install dependencies
pip install -r requirements.txt

3. Database Setup

# Pastikan Docker Desktop sedang berjalan
# Jalankan container Neo4j dari root direktori proyek
# Ganti 'your_secure_password' dengan password Anda
docker run -d --name gitgraph-neo4j -p 7474:7474 -p 7687:7687 -v $PWD/neo4j/data:/data -e NEO4J_AUTH=neo4j/your_secure_password neo4j:latest

4. Frontend Setup

# Buka terminal baru di root direktori proyek
# Masuk ke direktori frontend
cd frontend

# Install dependencies
npm install

---

⚙️ Cara Menggunakan Aplikasi

1. Isi Database:

   • Siapkan file .env di dalam folder backend dengan kredensial GitHub dan Neo4j Anda.
   • Jalankan script scraper untuk mengumpulkan data:

     # Di dalam direktori backend dengan venv aktif
     python scraper.py

2. Jalankan Server Backend:

   # Di dalam direktori backend dengan venv aktif
   uvicorn main:app --reload

   Server akan berjalan di http://localhost:8000.

3. Jalankan Aplikasi Frontend:

   # Di dalam direktori frontend
   npm start

   Aplikasi akan terbuka di browser Anda di http://localhost:3000.

4. Gunakan Aplikasi:

   • Buka http://localhost:3000.
   • Masukkan username GitHub yang ada di dataset Anda.
   • Klik tombol untuk melihat rekomendasi!