""" 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