Update app.py

app.py

@@ -1,60 +1,60 @@
-import pickle
-import numpy as np
-from gensim.models import KeyedVectors
-import gradio as gr
-
-# Memuat model FastText pretrained dari file .vec (contoh path: cc.id.300.vec)
-fasttext_model = KeyedVectors.load_word2vec_format(
-    '/content/drive/MyDrive/SKRIPSI/cc.id.300.vec', binary=False
-)
-
-# Memuat model KNN dan SVM yang sudah dioptimalkan (pastikan file pickle ada)
-with open('KNN+GridSearch.pkl', 'rb') as f:
-    knn_model = pickle.load(f)
-
-with open('SVM+GridSearch.pkl', 'rb') as f:
-    svm_model = pickle.load(f)
-
-# Fungsi untuk mendapatkan vektor kalimat dari FastText
-def get_fasttext_vector(text):
-    # Tokenisasi teks menjadi kata-kata
-    words = text.split()
-    
-    # Ambil vektor dari setiap kata menggunakan model FastText
-    word_vectors = [fasttext_model[word] for word in words if word in fasttext_model]
-    
-    # Jika ada kata-kata yang ada dalam model, kita rata-ratakan vektor-vektor tersebut
-    if len(word_vectors) > 0:
-        return np.mean(word_vectors, axis=0)
-    else:
-        # Jika tidak ada kata yang cocok, return vektor nol (kosong)
-        return np.zeros(fasttext_model.vector_size)
-
-# Fungsi prediksi untuk model KNN
-def predict_sentiment_knn(text):
-    vector = get_fasttext_vector(text)  # Mengambil vektor kalimat
-    sentiment = knn_model.predict([vector])  # Prediksi menggunakan KNN
-    return sentiment[0][0]
-
-# Fungsi prediksi untuk model SVM
-def predict_sentiment_svm(text):
-    vector = get_fasttext_vector(text)  # Mengambil vektor kalimat
-    sentiment = svm_model.predict([vector])  # Prediksi menggunakan SVM
-    return sentiment[0]
-
-# Fungsi umum untuk memilih model (KNN atau SVM)
-def predict_sentiment(text, model_type='KNN'):
-    if model_type == 'KNN':
-        return predict_sentiment_knn(text)
-    else:
-        return predict_sentiment_svm(text)
-
-# Membuat antarmuka Gradio
-gr.Interface(
-    fn=predict_sentiment,  # Fungsi yang dipanggil untuk prediksi
-    inputs=[
-        gr.inputs.Textbox(label="Masukkan Teks untuk Analisis Sentimen"),  # Input teks
-        gr.inputs.Radio(['KNN', 'SVM'], label="Pilih Model")  # Pilih model prediksi
-    ],
-    outputs="text"  # Output berupa teks (hasil prediksi)
-).launch()
+import pickle
+import numpy as np
+from gensim.models import KeyedVectors
+import gradio as gr
+
+# Memuat model FastText pretrained dari file .vec (contoh path: cc.id.300.vec)
+fasttext_model = KeyedVectors.load_word2vec_format(
+    'cc.id.300.vec', binary=False
+)
+
+# Memuat model KNN dan SVM yang sudah dioptimalkan (pastikan file pickle ada)
+with open('KNN+GridSearch.pkl', 'rb') as f:
+    knn_model = pickle.load(f)
+
+with open('SVM+GridSearch.pkl', 'rb') as f:
+    svm_model = pickle.load(f)
+
+# Fungsi untuk mendapatkan vektor kalimat dari FastText
+def get_fasttext_vector(text):
+    # Tokenisasi teks menjadi kata-kata
+    words = text.split()
+    
+    # Ambil vektor dari setiap kata menggunakan model FastText
+    word_vectors = [fasttext_model[word] for word in words if word in fasttext_model]
+    
+    # Jika ada kata-kata yang ada dalam model, kita rata-ratakan vektor-vektor tersebut
+    if len(word_vectors) > 0:
+        return np.mean(word_vectors, axis=0)
+    else:
+        # Jika tidak ada kata yang cocok, return vektor nol (kosong)
+        return np.zeros(fasttext_model.vector_size)
+
+# Fungsi prediksi untuk model KNN
+def predict_sentiment_knn(text):
+    vector = get_fasttext_vector(text)  # Mengambil vektor kalimat
+    sentiment = knn_model.predict([vector])  # Prediksi menggunakan KNN
+    return sentiment[0][0]
+
+# Fungsi prediksi untuk model SVM
+def predict_sentiment_svm(text):
+    vector = get_fasttext_vector(text)  # Mengambil vektor kalimat
+    sentiment = svm_model.predict([vector])  # Prediksi menggunakan SVM
+    return sentiment[0]
+
+# Fungsi umum untuk memilih model (KNN atau SVM)
+def predict_sentiment(text, model_type='KNN'):
+    if model_type == 'KNN':
+        return predict_sentiment_knn(text)
+    else:
+        return predict_sentiment_svm(text)
+
+# Membuat antarmuka Gradio
+gr.Interface(
+    fn=predict_sentiment,  # Fungsi yang dipanggil untuk prediksi
+    inputs=[
+        gr.inputs.Textbox(label="Masukkan Teks untuk Analisis Sentimen"),  # Input teks
+        gr.inputs.Radio(['KNN', 'SVM'], label="Pilih Model")  # Pilih model prediksi
+    ],
+    outputs="text"  # Output berupa teks (hasil prediksi)
+).launch()