python-api/README.md

# Python API untuk Klasifikasi Bibit Kelapa Sawit

API server Python ini menggunakan model Hybrid DenseNet-SVM untuk mengklasifikasikan umur bibit kelapa sawit (3 Bulan, 6 Bulan, 9 Bulan).

## 📋 Struktur File

```
python-api/
├── app.py                          # Main Flask application
├── requirements.txt                # Python dependencies
├── Dockerfile                      # Docker configuration
├── .dockerignore                  # Docker ignore rules
└── models/                         # Folder untuk model files
    ├── svm_densenet201_rbf.joblib # Model SVM (ANDA LETAKKAN DI SINI)
    ├── metadata.json              # Model metadata (ANDA LETAKKAN DI SINI)
    └── metadata.json.example      # Contoh format metadata
```

## 🔧 Persiapan

### 1. Letakkan File Model Anda

Setelah training model Anda di Google Colab, letakkan file-file berikut ke folder `models/`:

**File yang diperlukan:**
- `svm_densenet201_rbf.joblib` - File model SVM hasil training
- `metadata.json` - File metadata dengan format:

```json
{
  "class_names": ["3 Bulan", "6 Bulan", "9 Bulan"],
  "img_size": 224,
  "model_type": "DenseNet201 + SVM",
  "description": "Klasifikasi perkembangan bibit kelapa sawit berdasarkan umur"
}
```

### 2. Setup Koneksi Supabase (Optional tapi Recommended)

Python API bisa menyimpan hasil prediksi langsung ke database.

**Set environment variables:**
```env
SUPABASE_URL=https://xyddxrfiacdcnipdclas.supabase.co
SUPABASE_ANON_KEY=your-anon-key
```

📖 **Detail lengkap:** Lihat `SUPABASE_SETUP.md`

### 3. Verifikasi File

Pastikan struktur folder seperti ini:
```
python-api/
├── app.py
├── requirements.txt
├── Dockerfile
├── .env (optional untuk local)
└── models/
    ├── svm_densenet201_rbf.joblib  ← File model Anda
    └── metadata.json                ← Metadata Anda
```

## 🚀 Cara Deploy

### Opsi 1: Deploy ke Hugging Face Spaces (RECOMMENDED - Gratis)

1. **Buat Account di Hugging Face**
   - Daftar di https://huggingface.co/join
   - Buat Space baru (New Space)
   - Pilih Docker sebagai SDK

2. **Upload Files**
   - Upload semua file dari folder `python-api/`
   - Pastikan file model sudah ada di folder `models/`

3. **Setting Environment Variables**
   - Go to Settings → Variables and secrets
   - Add secrets:
     - `SUPABASE_URL`
     - `SUPABASE_ANON_KEY`

4. **Dapatkan URL API**
   - Setelah deploy, Anda akan mendapat URL seperti: `https://username-spacename.hf.space`

### Opsi 2: Deploy ke Railway.app

1. **Install Railway CLI**
   ```bash
   npm install -g @railway/cli
   ```

2. **Login ke Railway**
   ```bash
   railway login
   ```

3. **Deploy dari folder python-api**
   ```bash
   cd python-api
   railway init
   railway up
   ```

4. **Set Environment Variables**
   ```bash
   railway variables set SUPABASE_URL=https://xyddxrfiacdcnipdclas.supabase.co
   railway variables set SUPABASE_ANON_KEY=your-key
   ```

5. **Generate Domain**
   ```bash
   railway domain
   ```

### Opsi 3: Deploy ke Google Cloud Run

1. **Install Google Cloud SDK**

2. **Build dan Push Docker Image**
   ```bash
   cd python-api

   # Build image
   gcloud builds submit --tag gcr.io/PROJECT_ID/palm-classifier

   # Deploy to Cloud Run
   gcloud run deploy palm-classifier \
     --image gcr.io/PROJECT_ID/palm-classifier \
     --platform managed \
     --region asia-southeast2 \
     --allow-unauthenticated \
     --set-env-vars SUPABASE_URL=https://xyddxrfiacdcnipdclas.supabase.co,SUPABASE_ANON_KEY=your-key
   ```

### Opsi 4: Local Testing (Development)

```bash
cd python-api

# Install dependencies
pip install -r requirements.txt

# Run server
python app.py
```

Server akan berjalan di `http://localhost:5000`

## 🔗 Integrasi dengan Aplikasi Web

Setelah API ter-deploy, tambahkan URL API ke Supabase Edge Function:

### Via Supabase Dashboard:

1. Buka Supabase Dashboard
2. Pilih Project Anda
3. Pergi ke **Edge Functions** → **classify-seedling**
4. Klik **Secrets/Environment Variables**
5. Tambahkan secret baru:
   - Name: `PYTHON_API_URL`
   - Value: `https://your-api-url.com` (URL API yang sudah di-deploy)

### Via CLI (jika menggunakan Supabase CLI):

```bash
supabase secrets set PYTHON_API_URL=https://your-api-url.com
```

## 📡 API Endpoints

### 1. Health Check
```bash
GET /health
```

Response:
```json
{
  "status": "healthy",
  "model_loaded": true,
  "device": "cpu",
  "classes": ["3 Bulan", "6 Bulan", "9 Bulan"]
}
```

### 2. Classify Image
```bash
POST /classify
Content-Type: application/json

{
  "image": "data:image/jpeg;base64,/9j/4AAQ..."
}
```

Response:
```json
{
  "predicted_class": "6 Bulan",
  "confidence": 0.8543,
  "probabilities": {
    "3 Bulan": 0.0812,
    "6 Bulan": 0.8543,
    "9 Bulan": 0.0645
  },
  "mode": "real",
  "saved_to_db": true,
  "id": "uuid-here"
}
```

### 3. Reload Model
```bash
POST /reload-model
```

Digunakan jika Anda mengupdate model tanpa restart server.

## 🧪 Testing API

### Test dengan cURL:

```bash
# Health check
curl https://your-api-url.com/health

# Classify (dengan base64 image)
curl -X POST https://your-api-url.com/classify \
  -H "Content-Type: application/json" \
  -d '{"image": "data:image/jpeg;base64,YOUR_BASE64_IMAGE_HERE"}'
```

### Test dengan Python:

```python
import requests
import base64

# Read image
with open('bibit.jpg', 'rb') as f:
    img_data = base64.b64encode(f.read()).decode()

# Send request
response = requests.post(
    'https://your-api-url.com/classify',
    json={'image': f'data:image/jpeg;base64,{img_data}'}
)

print(response.json())
```

## 🐛 Troubleshooting

### Model tidak ditemukan
```
⚠ Model file not found at models/svm_densenet201_rbf.joblib
Using simulation mode until model is uploaded
```

**Solusi:** Pastikan file `svm_densenet201_rbf.joblib` ada di folder `models/`

### Error saat load model
```
Error loading model: ...
```

**Solusi:**
- Pastikan versi scikit-learn sama dengan yang digunakan saat training
- Cek apakah file model tidak corrupt
- Pastikan format file adalah `.joblib`

### API timeout
**Solusi:**
- Tingkatkan timeout di Dockerfile (sudah diset 120 detik)
- Untuk Cloud Run, set `--timeout 300`

### Memory error
**Solusi:**
- Upgrade instance ke memory lebih besar
- Untuk Cloud Run: `--memory 2Gi`
- Untuk Hugging Face: Upgrade ke Space berbayar

## 📊 Mode Operasi

API memiliki 2 mode:

1. **Real Mode** - Menggunakan model asli Anda
   - Response: `"mode": "real"`
   - Memerlukan file model di folder `models/`

2. **Simulation Mode** - Menggunakan random prediction
   - Response: `"mode": "simulation"`
   - Aktif jika model belum diupload
   - Berguna untuk testing integrasi

## 🔐 Security Notes

- API ini tidak memerlukan authentication (sesuai design untuk demo)
- Jika ingin menambah security, tambahkan API key di header
- Untuk production, pertimbangkan rate limiting

## 💡 Tips

1. **Monitoring**: Cek logs untuk melihat performa model
2. **Update Model**: Upload model baru dan panggil `/reload-model`
3. **Scaling**: Gunakan multiple workers di gunicorn untuk handle traffic tinggi
4. **Caching**: Pertimbangkan caching untuk request yang sama

## 📞 Support

Jika ada masalah, cek:
1. Logs dari platform deployment Anda
2. Response dari `/health` endpoint
3. Pastikan semua dependencies terinstall dengan benar