Lidya17 commited on
Commit
e75f895
·
verified ·
1 Parent(s): ef547d2

Upload app.py with huggingface_hub

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