from fastapi import FastAPI, UploadFile, File, HTTPException from fastapi.middleware.cors import CORSMiddleware import tensorflow as tf import joblib import numpy as np from PIL import Image import io # 1. Inisialisasi Backend FastAPI dengan Dokumentasi Otomatis app = FastAPI( title="API Manajemen Sampah & TPA - 3 Model AI", description="API tunggal untuk melayani 3 model AI: Klasifikasi Sampah (CNN), Clustering TPA (K-Means), dan Prediksi Emisi Metana (Linear Regression).", version="1.0.0" ) # === TAMBAHKAN CORS TEPAT DI SINI (Setelah app dibuat) === app.add_middleware( CORSMiddleware, allow_origins=["*"], allow_credentials=True, allow_methods=["*"], allow_headers=["*"], ) # 2. Status model disiapkan di awal agar endpoint bisa memberi respons jelas jika startup gagal MODEL_CNN = None MODEL_KMEANS = None SCALER_TPA = None MODEL_REGRESSION = None # 3. Optimasi (Lazy Loading): Memuat semua file model dan scaler sekali saja di awal (Global Scope) try: MODEL_CNN = tf.keras.models.load_model("models/waste_classifier_cnn.h5") MODEL_KMEANS = joblib.load("models/clustering_tpa_model.pkl") SCALER_TPA = joblib.load("models/scaler_tpa.pkl") MODEL_REGRESSION = joblib.load("models/methane_regression_model.pkl") print("🚀 SUKSES: Semua 3 model AI dan Scaler berhasil dimuat ke memori server!") except Exception as e: print(f"❌ ERROR: Gagal memuat file model. Periksa folder 'models/'. Detail: {e}") @app.get("/", tags=["Main Route"]) def root(): return { "status": "Online", "message": "API Layanan 3 Model AI (Sampah, TPA, & Metana) aktif dan siap digunakan!" } @app.get("/health", tags=["Main Route"]) def health_check(): models_loaded = all( model is not None for model in (MODEL_CNN, MODEL_KMEANS, SCALER_TPA, MODEL_REGRESSION) ) return { "status": "ok" if models_loaded else "degraded", "models_loaded": models_loaded } # ================= MODEL 1: CNN (KLASIFIKASI JENIS SAMPAH) ================= @app.post("/predict-cnn", tags=["1. Waste Classification (CNN)"]) async def predict_cnn(file: UploadFile = File(...)): """ Endpoint untuk mengklasifikasikan jenis sampah berdasarkan input gambar. Menerima file gambar (.jpg / .png). """ if file.content_type not in ["image/jpeg", "image/png"]: raise HTTPException(status_code=400, detail="Format file tidak didukung. Harus berupa JPG atau PNG.") if MODEL_CNN is None: raise HTTPException(status_code=503, detail="Model CNN belum siap di server.") try: # Membaca data gambar yang diunggah image_bytes = await file.read() image = Image.open(io.BytesIO(image_bytes)).convert("RGB") # Pengujian & Pemrosesan Input: Ubah ukuran ke 150x150 sesuai spesifikasi training kamu image = image.resize((224, 224)) image_array = np.array(image) / 255.0 # Normalisasi nilai pixel gambar image_array = np.expand_dims(image_array, axis=0) # Ubah matriks dimensi menjadi (1, 150, 150, 3) # Eksekusi Prediksi CNN predictions = MODEL_CNN.predict(image_array) pred_class = int(np.argmax(predictions, axis=1)[0]) confidence = float(np.max(predictions)) return { "success": True, "model_type": "Convolutional Neural Network (CNN)", "result": { "predicted_class_index": pred_class, "confidence_score": round(confidence, 4) } } except Exception as e: raise HTTPException(status_code=500, detail=f"Gagal memproses gambar pada model CNN: {str(e)}") # ================= MODEL 2: K-MEANS (CLUSTERING TPA) ================= @app.post("/predict-kmeans", tags=["2. TPA Clustering (K-Means)"]) def predict_kmeans(features: list[float]): """ Endpoint untuk melakukan clustering/pengelompokan kondisi TPA. Masukkan data array numerik linear (fitur) sesuai dengan variabel saat training. Contoh JSON Input Body: [0.45, 1.2, 3.44, 0.12] """ try: if MODEL_KMEANS is None or SCALER_TPA is None: raise HTTPException(status_code=503, detail="Model K-Means atau scaler belum siap di server.") # Konversi list data input menjadi array 2D data_array = np.array([features]) # Jalankan SCALER terlebih dahulu menggunakan data_array scaled_data = SCALER_TPA.transform(data_array) # Pengujian Input: Lakukan transformasi normalisasi menggunakan Scaler bawaan training scaled_data_4_features = scaled_data[:, :4] # Eksekusi Prediksi Cluster K-Means assigned_cluster = int(MODEL_KMEANS.predict(scaled_data_4_features)[0]) return { "success": True, "model_type": "K-Means Clustering", "result": { "assigned_cluster": assigned_cluster } } except Exception as e: raise HTTPException(status_code=400, detail=f"Format input salah atau jumlah fitur tidak cocok dengan scaler/model: {str(e)}") # ================= MODEL 3: LINEAR REGRESSION (PREDIKSI GAS METANA) ================= @app.post("/predict-regression", tags=["3. Methane Emission Prediction (Linear Regression)"]) def predict_regression(features: list[float]): """ Endpoint untuk memprediksi volume emisi gas metana secara kontinu. Masukkan data fitur angka numerik linier sebagai input. Contoh JSON Input Body: [25.5, 400.0, 12.3] """ try: if MODEL_REGRESSION is None: raise HTTPException(status_code=503, detail="Model regresi belum siap di server.") # Konversi input list menjadi array 2D untuk scikit-learn data_array = np.array([features]) # Eksekusi Prediksi Linear Regression regression_result = MODEL_REGRESSION.predict(data_array) predicted_value = float(regression_result[0]) return { "success": True, "model_type": "Linear Regression", "result": { "predicted_methane_value": round(predicted_value, 4) } } except Exception as e: raise HTTPException(status_code=400, detail=f"Format input salah atau tidak sesuai dengan model regresi: {str(e)}")