Download app.py from Lidya17/customer-segment-model: direct link, hf CLI and curl.
- Browser
- Download file 4.8 kB
-
https://huggingface.co/Lidya17/customer-segment-model/resolve/main/app.py
- Command line
-
hf download hf://Lidya17/customer-segment-model/app.py
-
curl -L -o app.py https://huggingface.co/Lidya17/customer-segment-model/resolve/main/app.py
4.8 kB
| """ | |
| 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 | |