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