Update src/streamlit_app.py

src/streamlit_app.py

@@ -9,99 +9,72 @@ import os
 
 # --- KONFIGURASI HALAMAN ---
 st.set_page_config(
-    page_title="EWS Prediksi Dropout Mahasiswa",
+    page_title="EWS Prediksi Dropout",
     page_icon="🎓",
     layout="wide"
 )
 
-# --- JUDUL & DESKRIPSI ---
-st.title("🎓 Early Warning System: Student Dropout Prediction")
-st.markdown("""
-Aplikasi ini menggunakan **Machine Learning (CatBoost)** untuk mendeteksi dini mahasiswa yang berisiko *dropout*.
-Model ini dilatih menggunakan data historis akademik dan demografis dengan akurasi tinggi.
-""")
-
 # --- FUNGSI LOAD MODEL ---
 @st.cache_resource
 def load_resources():
-    # 1. Cari tahu di folder mana script ini (streamlit_app.py) berada
     current_dir = os.path.dirname(os.path.abspath(__file__))
-    
-    # 2. Gabungkan path folder tersebut dengan nama file model
     model_path = os.path.join(current_dir, "catboost_dropout_model.cbm")
     scaler_path = os.path.join(current_dir, "scaler.pkl")
 
-    # --- DEBUGGING (OPSIONAL: Hapus jika sudah jalan) ---
-    # Ini akan memberi tahu kita file apa saja yang dilihat oleh sistem
     if not os.path.exists(model_path):
-        st.error(f"❌ Error: File model tidak ditemukan di jalur: {model_path}")
-        st.warning(f"📂 Isi folder '{current_dir}': {os.listdir(current_dir)}")
+        st.error(f"❌ File model tidak ditemukan di: {model_path}")
         st.stop()
-    # ----------------------------------------------------
 
-    # Load Model dengan jalur absolut yang sudah pasti benar
     model = CatBoostClassifier()
     model.load_model(model_path)
-    
-    # Load Scaler
     scaler = joblib.load(scaler_path)
     return model, scaler
 
 try:
     model, scaler = load_resources()
 except Exception as e:
-    st.error(f"Gagal memuat model. Pastikan file 'catboost_dropout_model.cbm' dan 'scaler.pkl' ada di folder yang sama. Error: {e}")
+    st.error(f"Error loading resources: {e}")
     st.stop()
 
-# --- SIDEBAR: INPUT DATA ---
+# --- JUDUL ---
+st.title("🎓 Early Warning System: Student Dropout Prediction")
+st.markdown("Aplikasi ini menggunakan **Machine Learning (CatBoost)** untuk mendeteksi dini mahasiswa yang berisiko *dropout*.")
+
+# --- SIDEBAR INPUT ---
 st.sidebar.header("📝 Input Data Mahasiswa")
 
 def user_input_features():
-    # Kelompok Data Demografis & Administratif
     st.sidebar.subheader("1. Data Administratif")
-    # Mapping untuk input user agar lebih mudah dibaca
-    jalur_masuk_map = {0: 'SNMPTN', 1: 'SBMPTN', 2: 'Mandiri', 3: 'Lainnya'} # Sesuaikan dengan encoding asli Anda jika perlu
-    provinsi_map = {0: 'Jawa Timur', 1: 'Jawa Tengah', 2: 'Jawa Barat', 3: 'Luar Jawa'} # Contoh mapping
-
-    # Input menggunakan selectbox/number_input
-    # Note: Di model Anda, fitur ini masuk sebagai angka (Label Encoded). 
-    # Di sini user memilih angka/kategori yang sesuai.
     jalur_masuk = st.sidebar.selectbox("Jalur Masuk (Kode)", options=[0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14]) 
     provinsi = st.sidebar.number_input("Kode Provinsi", min_value=0, max_value=50, value=35)
     kurikulum = st.sidebar.selectbox("Kurikulum", options=[0, 1, 2, 3])
     
-    st.sidebar.subheader("2. Riwayat Akademik (Semester 1-4)")
-    
-    # IPS per Semester
+    st.sidebar.subheader("2. Riwayat Akademik")
     ips1 = st.sidebar.slider("IPS Semester 1", 0.0, 4.0, 3.5)
     ips2 = st.sidebar.slider("IPS Semester 2", 0.0, 4.0, 3.4)
     ips3 = st.sidebar.slider("IPS Semester 3", 0.0, 4.0, 3.2)
     ips4 = st.sidebar.slider("IPS Semester 4", 0.0, 4.0, 3.0)
     
-    # Rata-rata Nilai Angka
-    nilai1 = st.sidebar.number_input("Rata-rata Nilai Sem 1", 0.0, 100.0, 80.0)
-    nilai2 = st.sidebar.number_input("Rata-rata Nilai Sem 2", 0.0, 100.0, 78.0)
-    nilai3 = st.sidebar.number_input("Rata-rata Nilai Sem 3", 0.0, 100.0, 75.0)
-    nilai4 = st.sidebar.number_input("Rata-rata Nilai Sem 4", 0.0, 100.0, 70.0)
+    nilai1 = st.sidebar.number_input("Nilai Angka Sem 1", 0.0, 100.0, 80.0)
+    nilai2 = st.sidebar.number_input("Nilai Angka Sem 2", 0.0, 100.0, 78.0)
+    nilai3 = st.sidebar.number_input("Nilai Angka Sem 3", 0.0, 100.0, 75.0)
+    nilai4 = st.sidebar.number_input("Nilai Angka Sem 4", 0.0, 100.0, 70.0)
     
-    # Status Mahasiswa (Aktif/Cuti/dll) - Asumsi 1=Aktif
-    status1 = st.sidebar.selectbox("Status Sem 1", [0, 1], index=1)
-    status2 = st.sidebar.selectbox("Status Sem 2", [0, 1], index=1)
-    status3 = st.sidebar.selectbox("Status Sem 3", [0, 1], index=1)
-    status4 = st.sidebar.selectbox("Status Sem 4", [0, 1], index=1)
+    status1 = st.sidebar.selectbox("Status Sem 1 (1=Aktif)", [0, 1], index=1)
+    status2 = st.sidebar.selectbox("Status Sem 2 (1=Aktif)", [0, 1], index=1)
+    status3 = st.sidebar.selectbox("Status Sem 3 (1=Aktif)", [0, 1], index=1)
+    status4 = st.sidebar.selectbox("Status Sem 4 (1=Aktif)", [0, 1], index=1)
     
     st.sidebar.subheader("3. Beban Studi")
-    jumlah_mk = st.sidebar.number_input("Total MK Diambil", min_value=10, max_value=100, value=40)
-    banyak_mk_ulang = st.sidebar.number_input("Total MK Mengulang", min_value=0, max_value=20, value=2)
+    jumlah_mk = st.sidebar.number_input("Total MK Diambil", min_value=10, max_value=150, value=40)
+    banyak_mk_ulang = st.sidebar.number_input("Total MK Mengulang", min_value=0, max_value=50, value=0)
 
-    # --- FEATURE ENGINEERING OTOMATIS ---
-    # Menghitung fitur turunan sesuai 'data preparation.ipynb'
+    # Feature Engineering
     delta_ips_1_4 = ips4 - ips1
     delta_ips_3_4 = ips4 - ips3
     rata_rata_total = (nilai1 + nilai2 + nilai3 + nilai4) / 4
     rasio_mengulang = banyak_mk_ulang / (jumlah_mk + 1e-5)
 
-    # Menyusun data ke dalam Dictionary
     data = {
         'provinsi': provinsi,
         'jalur masuk': jalur_masuk,
@@ -125,84 +98,66 @@ def user_input_features():
         'rata_rata_total': rata_rata_total,
         'rasio_mengulang': rasio_mengulang
     }
-    
-    # Pastikan urutan kolom sesuai dengan training data
-    features = pd.DataFrame(data, index=[0])
-    return features
+    return pd.DataFrame(data, index=[0])
 
 input_df = user_input_features()
 
-# --- TAMPILAN UTAMA ---
+# --- MAIN LAYOUT ---
 col1, col2 = st.columns([1, 2])
 
 with col1:
-    st.subheader("Data Input Mahasiswa")
-    st.write("Fitur Utama (dari input & kalkulasi):")
-    st.dataframe(input_df.T, height=600)
+    st.info("Pastikan data di sidebar sudah benar sebelum menekan tombol analisis.")
+    st.write("**Preview Data Input:**")
+    st.dataframe(input_df.T, height=400)
 
 with col2:
-    st.subheader("🔍 Hasil Prediksi")
-    
-    # Tombol Prediksi
-    if st.button("Analisis Risiko Dropout"):
-        # Scaling Data
-        try:
-            input_scaled = scaler.transform(input_df)
-            
-            # Prediksi
-            prediction = model.predict(input_scaled)
-            probability = model.predict_proba(input_scaled)
-            
-            # Output Prediksi
-            prob_dropout = probability[0][1] * 100
-            
-            if prediction[0] == 1:
-                st.error(f"⚠️ **PERINGATAN: Berisiko Tinggi DROPOUT**")
-                st.write(f"Probabilitas Dropout: **{prob_dropout:.2f}%**")
-                st.info("Saran: Mahasiswa ini memerlukan intervensi akademik atau konseling segera.")
-            else:
-                st.success(f"✅ **Prediksi: AMAN (Pass)**")
-                st.write(f"Probabilitas Dropout: **{prob_dropout:.2f}%**")
-                st.write("Mahasiswa diprediksi dapat melanjutkan studi dengan baik.")
-            
-            # --- SHAP EXPLAINABILITY ---
-            st.markdown("---")
-            st.subheader("📊 Mengapa model memprediksi demikian?")
-            st.write("Grafik di bawah menunjukkan faktor-faktor yang paling mendorong prediksi ke arah Dropout (Merah) atau Aman (Biru).")
-            
-            # SHAP Calculation
-            explainer = shap.TreeExplainer(model)
-            shap_values = explainer.shap_values(input_scaled)
-            
-            # Force Plot (Visualisasi untuk 1 data spesifik)
-            # Karena Streamlit agak tricky dengan JS SHAP, kita pakai Matplotlib static plot
-            fig, ax = plt.subplots(figsize=(10, 5))
-            shap.force_plot(
-                explainer.expected_value, 
-                shap_values[0], 
-                input_df, 
-                matplotlib=True, 
-                show=False,
-                text_rotation=0
-            )
-            st.pyplot(fig, clear_figure=True)
-            
-            # Waterfall Plot (Alternatif yang lebih detail)
-            st.write("**Detail Kontribusi Fitur:**")
-            fig2, ax2 = plt.subplots()
-            shap.waterfall_plot(
-                shap.Explanation(values=shap_values[0], 
-                                 base_values=explainer.expected_value, 
-                                 data=input_df.iloc[0],
-                                 feature_names=input_df.columns),
-                show=False
-            )
-            st.pyplot(fig2)
-            
-        except Exception as e:
-            st.error(f"Terjadi kesalahan saat pemrosesan: {e}")
-            st.warning("Pastikan urutan fitur pada scaler.pkl sama persis dengan input di aplikasi ini.")
+    if st.button("🚀 Analisis Risiko Dropout", type="primary"):
+        with st.spinner('Sedang menganalisis...'):
+            try:
+                # 1. Transform Data
+                input_scaled = scaler.transform(input_df)
+                
+                # 2. Prediksi
+                prediction = model.predict(input_scaled)
+                proba = model.predict_proba(input_scaled)[0][1]
+                
+                # 3. Tampilkan Hasil
+                st.subheader("Hasil Analisis")
+                
+                if prediction[0] == 1:
+                    st.error(f"⚠️ **STATUS: BERISIKO DROPOUT**")
+                    st.metric("Probabilitas Dropout", f"{proba*100:.1f}%")
+                    st.warning("Mahasiswa ini memerlukan perhatian akademik khusus.")
+                else:
+                    st.success(f"✅ **STATUS: AMAN (Pass)**")
+                    st.metric("Probabilitas Dropout", f"{proba*100:.1f}%")
+                    st.info("Performa akademik mahasiswa terpantau stabil.")
+
+                # 4. Visualisasi SHAP (Waterfall Plot)
+                st.markdown("---")
+                st.subheader("📊 Faktor Penentu Keputusan")
+                st.caption("Grafik ini menunjukkan fitur apa yang paling mendorong (+) atau mengurangi (-) risiko dropout.")
+                
+                explainer = shap.TreeExplainer(model)
+                shap_values = explainer.shap_values(input_scaled)
+                
+                # Menggunakan Waterfall Plot (Lebih stabil & informatif)
+                fig, ax = plt.subplots(figsize=(8, 6))
+                shap.waterfall_plot(
+                    shap.Explanation(
+                        values=shap_values[0], 
+                        base_values=explainer.expected_value, 
+                        data=input_df.iloc[0],
+                        feature_names=input_df.columns
+                    ),
+                    max_display=10,
+                    show=False
+                )
+                st.pyplot(fig) # Menggambar figure waterfall
+                
+            except Exception as e:
+                st.error(f"Terjadi kesalahan: {e}")
 
 # --- FOOTER ---
 st.markdown("---")
-st.caption("Dibuat untuk keperluan Publikasi IEEE - ITS Surabaya")
+st.markdown("© 2025 EWS System | Institut Teknologi Sepuluh Nopember")