File size: 4,795 Bytes
e75f895 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 | """
Aplikasi Gradio — Prediksi Segmen Pelanggan E-commerce
UAS Business Data Science (MN1135)
Memuat model Decision Tree hasil tuning beserta objek pra-pemrosesannya, lalu
menyediakan antarmuka web agar siapa pun dapat mencoba model tanpa membuka notebook.
"""
import joblib
import numpy as np
import pandas as pd
import gradio as gr
# ---------------------------------------------------------------- muat artefak
model = joblib.load("model_segmen.joblib")
scaler = joblib.load("scaler.joblib")
FITUR = joblib.load("feature_names.joblib") # urutan kolom saat pelatihan
META = joblib.load("metadata.joblib")
NUMERIK = META["kolom_numerik"]
KATEGORIKAL = META["kolom_kategorikal"]
SKALA = META["kolom_numerik_scaling"]
PERLU_SCALING = META["perlu_scaling"]
LABEL = META["label_kelas"]
PILIHAN = META["pilihan_kategori"]
RENTANG = META["rentang_input"]
def siapkan_baris(data_mentah: dict) -> pd.DataFrame:
"""Ubah satu baris input mentah menjadi baris fitur yang dikenali model.
Langkahnya harus SAMA PERSIS dengan pra-pemrosesan di notebook: one-hot encoding
dengan drop_first, urutan kolom mengikuti FITUR, dan scaling hanya bila model
dilatih pada data ter-scaling.
Catatan penting: one-hot TIDAK boleh dibuat dengan pd.get_dummies(). Pada satu baris,
setiap kolom kategorikal hanya punya satu nilai, sehingga drop_first membuang kolom itu
dan hasilnya salah tanpa pesan galat. Karena itu kolom dummy dinyalakan satu per satu.
"""
baris = pd.DataFrame(np.zeros((1, len(FITUR))), columns=FITUR)
for kolom in NUMERIK:
baris.at[0, kolom] = data_mentah[kolom]
for kolom in KATEGORIKAL:
nama_dummy = f"{kolom}_{data_mentah[kolom]}"
if nama_dummy in baris.columns:
baris.at[0, nama_dummy] = 1
if PERLU_SCALING:
baris[SKALA] = scaler.transform(baris[SKALA])
return baris
def prediksi(umur, gender, kota, negara_bagian, negara, region, kode_pos, biaya_akuisisi):
data_mentah = {
"customer_age": umur,
"gender": gender,
"customer_city": str(kota).strip(),
"customer_state": negara_bagian,
"customer_country": negara,
"region": region,
"customer_postal_code": kode_pos,
"customer_acquisition_cost": biaya_akuisisi,
}
baris = siapkan_baris(data_mentah)
proba = model.predict_proba(baris.to_numpy(dtype=np.float32))[0]
hasil = {LABEL[str(int(k))]: float(p) for k, p in zip(model.classes_, proba)}
segmen = max(hasil, key=hasil.get)
catatan = (f"Segmen yang diprediksi: {segmen}. "
"Perhatian: pada dataset ini performa model setara tebakan acak "
"(F1 macro sekitar 0,25), sehingga hasil ini hanya demonstrasi alur deployment.")
return hasil, catatan
# ------------------------------------------------------------------ antarmuka
antarmuka = gr.Interface(
fn=prediksi,
inputs=[
gr.Slider(RENTANG["customer_age"][0], RENTANG["customer_age"][1], value=45, step=1,
label="Umur pelanggan (tahun)"),
gr.Radio(PILIHAN["gender"], value=PILIHAN["gender"][0], label="Gender"),
gr.Textbox(value="Laurenland", label="Kota",
info="Ketik nama kota. Kota yang tidak ada di data latih tetap diproses (semua dummy kota = 0)."),
gr.Dropdown(PILIHAN["customer_state"], value=PILIHAN["customer_state"][0], label="Negara bagian / provinsi"),
gr.Dropdown(PILIHAN["customer_country"], value=PILIHAN["customer_country"][0], label="Negara"),
gr.Radio(PILIHAN["region"], value=PILIHAN["region"][0], label="Region"),
gr.Number(value=11253, precision=0, label="Kode pos"),
gr.Number(value=30.0, label="Biaya akuisisi pelanggan"),
],
outputs=[
gr.Label(num_top_classes=4, label="Peluang tiap segmen"),
gr.Textbox(label="Keterangan"),
],
title="Prediksi Segmen Pelanggan E-commerce",
description=(
f"Model: {META['nama_model']} · F1 macro pada data uji: {META['metrik_data_uji']['f1_macro']} · "
f"Accuracy: {META['metrik_data_uji']['accuracy']}. "
"Isi profil pelanggan, lalu tekan Submit."
),
article=(
"**Keterbatasan.** Fitur yang tersedia (umur, biaya akuisisi, gender, lokasi) hampir tidak membedakan segmen, "
"sehingga performa model setara tebakan acak. Jangan dipakai untuk keputusan pemasaran sungguhan. "
"Peluang bernilai 0 atau 1 karena pohon dibiarkan tumbuh penuh (tanpa batas kedalaman)."
),
flagging_mode="never",
)
if __name__ == "__main__":
antarmuka.launch(share=True) # share=True menghasilkan tautan publik sementara
|