Update src/streamlit_app.py

src/streamlit_app.py

@@ -11,344 +11,354 @@ import pandas as pd
 import plotly.express as px
 from ultralytics import YOLO
 
-st.title("EduReflect: Analisis Emosi Kelas")
+# --- PERUBAHAN LAYOUT DI SINI ---
+# Mengubah layout="wide" menjadi layout="centered" agar tampilan lebih fokus ke tengah
+st.set_page_config(page_title="EduReflect", page_icon="🎓", layout="centered")
+
+st.title("EduReflect: Analisis Emosi Kelas 🎓")
+st.markdown("Unggah rekaman video suasana kelas untuk menganalisis metrik emosi siswa menggunakan AI.")
+
+# --- PENINGKATAN 4: CACHING MODEL ---
+# Model hanya di-load 1 kali saat server nyala, menghemat RAM dan Waktu
+@st.cache_resource
+def load_models():
+    # Pastikan file model ada di dalam folder 'src' di repository kamu
+    face = YOLO('src/yolov11n-face.onnx', task='detect') 
+    emotion = YOLO('src/best_int8_openvino_model', task='detect') 
+    return face, emotion
+
+# Load model di awal
+face_model, emotion_model = load_models()
+
+# ==========================================
+# KAMUS WARNA PERMANEN (KONSISTENSI GRAFIK)
+# ==========================================
+emotion_color_map = {
+    'Happy': '#2ecc71',     # Hijau Terang
+    'Neutral': '#95a5a6',   # Abu-abu
+    'Sad': '#3498db',       # Biru
+    'Surprise': '#f1c40f',  # Kuning
+    'Anger': '#e74c3c',     # Merah
+    'Fear': '#9b59b6',      # Ungu
+    'Disgust': '#e67e22'    # Oranye
+}
 
 # 1. Widget Upload Video
 uploaded_video = st.file_uploader("Upload Rekaman Pembelajaran (MP4/MOV)", type=['mp4', 'mov', 'avi'])
 
 if uploaded_video is not None:
     # Simpan ke file sementara agar OpenCV bisa baca
-    tfile = tempfile.NamedTemporaryFile(delete=False) 
+    tfile = tempfile.NamedTemporaryFile(delete=False, suffix='.mp4') 
     tfile.write(uploaded_video.read())
+    tfile.flush() # Pastikan semua data tertulis ke disk
     
     st.video(uploaded_video) # Tampilkan video pratinjau
     
-    if st.button("Mulai Analisis"):
-        # 2. Inisialisasi KEDUA Model & Konfigurasi Video
-        face_model = YOLO('src/yolov11n-face.onnx') 
-        emotion_model = YOLO('src/best_int8_openvino_model') 
-        
-        cap = cv2.VideoCapture(tfile.name)
-        total_frames = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))
-        
-        # --- Ambil FPS dari video untuk perhitungan waktu ---
-        fps = cap.get(cv2.CAP_PROP_FPS)
-        if fps == 0 or fps != fps: # Validasi jika metadata FPS kosong/NaN
-            fps = 30.0 
-        
-        # Inisialisasi hitungan emosi
-        emotion_counts = {
-            "Happy": 0, "Neutral": 0, "Angry": 0, "Contempt": 0,
-            "Sad": 0, "Surprised": 0, "Fear": 0, "Disgust": 0
-        }
-        total_detections = 0
-        timeline_data = []
-        
-        # Set untuk menyimpan ID wajah unik
-        unique_face_ids = set()
-        
-        # List untuk menampung frame hasil deteksi (maksimal 60 frame agar hemat RAM)
-        saved_frames_pool = []
-        
-        # Penanda Progress di Streamlit
-        status_text = st.empty()
-        status_text.write("⏳ Sedang melacak wajah dan menganalisis emosi siswa... Mohon tunggu.")
-        progress_bar = st.progress(0)
-        
-        frame_idx = 0
-        
-        # --- KONFIGURASI OPTIMASI CPU ---
-        FRAME_SKIP = 5  # Analisis 1 dari setiap 5 frame
-        TARGET_WIDTH = 640 # Mengecilkan resolusi frame
-        
-        # 3. PROSES LOOPING VIDEO (TWO-STAGE DETECTION + TRACKING)
-        while cap.isOpened():
-            ret, frame = cap.read()
-            if not ret:
-                break
+    if st.button("Mulai Analisis", type="primary"):
+        # Gunakan block try-finally untuk mencegah MEMORY LEAK
+        try:
+            cap = cv2.VideoCapture(tfile.name)
+            total_frames = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))
             
-            frame_idx += 1
-            progress_bar.progress(min(frame_idx / total_frames, 1.0))
+            # --- Ambil FPS dari video untuk perhitungan waktu ---
+            fps = cap.get(cv2.CAP_PROP_FPS)
+            if fps == 0 or fps != fps: # Validasi jika metadata FPS kosong/NaN
+                fps = 30.0 
             
-            # --- OPTIMASI 1: FRAME SKIPPING ---
-            if frame_idx % FRAME_SKIP != 0:
-                continue 
+            # Inisialisasi hitungan emosi dengan integer 0
+            emotion_counts = {
+                'Surprise': 0, 'Fear': 0, 'Disgust': 0,
+                'Happy': 0, 'Sad': 0, 'Anger': 0, 'Neutral': 0
+            }
             
-            # --- OPTIMASI 2: RESIZE FRAME ---
-            h, w = frame.shape[:2]
-            aspect_ratio = h / w
-            target_height = int(TARGET_WIDTH * aspect_ratio)
-            frame = cv2.resize(frame, (TARGET_WIDTH, target_height))
+            total_detections = 0
+            timeline_data = []
+            unique_face_ids = set()
+            saved_frames_pool = []
             
-            annotated_frame = frame.copy()
-            face_detected_in_this_frame = False
-            time_in_seconds = frame_idx / fps
+            # Penanda Progress di Streamlit
+            status_text = st.empty()
+            status_text.write("⏳ Sedang melacak wajah dan menganalisis emosi siswa... Mohon tunggu.")
+            progress_bar = st.progress(0)
             
-            # --- TAHAP 1: Deteksi & Lacak Wajah ---
-            face_results = face_model.track(frame, conf=0.4, persist=True, verbose=False)
+            frame_idx = 0
             
-            for r_face in face_results:
-                if r_face.boxes is not None and r_face.boxes.id is not None:
-                    boxes = r_face.boxes.xyxy
-                    track_ids = r_face.boxes.id.int().tolist()
-                    
-                    for box, track_id in zip(boxes, track_ids):
-                        unique_face_ids.add(track_id)
-                        
-                        # Ambil koordinat kotak pembatas dan cegah keluar batas frame
-                        x1, y1, x2, y2 = map(int, box)
-                        x1, y1 = max(0, x1), max(0, y1)
-                        x2, y2 = min(TARGET_WIDTH, x2), min(target_height, y2)
-                        
-                        # Potong area wajah dari frame (Crop)
-                        face_crop = frame[y1:y2, x1:x2]
-                        
-                        # Label default jika model emosi kurang yakin (< 0.40)
-                        label_name = "Unknown" 
-                        
-                        if face_crop.size > 0:
-                            # --- TAHAP 2: Klasifikasi Emosi ---
-                            emotion_results = emotion_model(face_crop, conf=0.4, verbose=False)
-                            
-                            for r_emotion in emotion_results:
-                                if len(r_emotion.boxes) > 0:
-                                    top_box = r_emotion.boxes[0]
-                                    cls_id = int(top_box.cls)
-                                    label_name = emotion_model.names[cls_id].capitalize()
-                                    
-                                    if label_name in emotion_counts:
-                                        emotion_counts[label_name] += 1
-                                        total_detections += 1
-                                        face_detected_in_this_frame = True
-                                        timeline_data.append({
-                                            "Waktu (detik)": time_in_seconds,
-                                            "Emosi": label_name
-                                        })
-                        
-                        # Gambar kotak wajah proporsional dan teks emosi
-                        cv2.rectangle(annotated_frame, (x1, y1), (x2, y2), (0, 255, 0), 2)
-                        cv2.putText(annotated_frame, f"ID:{track_id} {label_name}", (x1, y1 - 7),
-                                    cv2.FONT_HERSHEY_SIMPLEX, 0.4, (0, 255, 0), 1, cv2.LINE_AA)
+            # --- KONFIGURASI OPTIMASI CPU ---
+            FRAME_SKIP = 5  # Analisis 1 dari setiap 5 frame
+            TARGET_WIDTH = 640 # Mengecilkan resolusi frame
             
-            # Simpan frame ke pool jika ada emosi yang terdeteksi
-            if face_detected_in_this_frame and len(saved_frames_pool) < 60:
-                # Hitung dan format waktu (MM:SS)
-                minutes = int(time_in_seconds // 60)
-                seconds = int(time_in_seconds % 60)
-                timestamp_text = f"{minutes:02d}:{seconds:02d}"
+            # 3. PROSES LOOPING VIDEO (TWO-STAGE DETECTION + TRACKING)
+            while cap.isOpened():
+                ret, frame = cap.read()
+                if not ret:
+                    break
+                
+                frame_idx += 1
+                
+                # Update progress bar
+                if total_frames > 0:
+                    progress_bar.progress(min(frame_idx / total_frames, 1.0))
                 
-                # Gambar kotak hitam kecil dan teks waktu di pojok kiri atas
-                cv2.rectangle(annotated_frame, (10, 10), (100, 40), (0, 0, 0), -1)
-                cv2.putText(annotated_frame, timestamp_text, (15, 33),
-                            cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 255, 255), 2, cv2.LINE_AA)
+                # --- OPTIMASI 1: FRAME SKIPPING ---
+                if frame_idx % FRAME_SKIP != 0:
+                    continue 
                 
-                # Konversi ke RGB untuk Streamlit
-                rgb_frame = cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB)
-                saved_frames_pool.append(rgb_frame)
+                # --- OPTIMASI 2: RESIZE FRAME ---
+                h, w = frame.shape[:2]
+                aspect_ratio = h / w
+                target_height = int(TARGET_WIDTH * aspect_ratio)
+                frame = cv2.resize(frame, (TARGET_WIDTH, target_height))
+                
+                annotated_frame = frame.copy()
+                face_detected_in_this_frame = False
+                time_in_seconds = frame_idx / fps
+                
+                # --- TAHAP 1: Deteksi & Lacak Wajah ---
+                face_results = face_model.track(frame, conf=0.4, persist=True, verbose=False)
+                
+                for r_face in face_results:
+                    if r_face.boxes is not None and r_face.boxes.id is not None:
+                        boxes = r_face.boxes.xyxy
+                        track_ids = r_face.boxes.id.int().tolist()
+                        
+                        for box, track_id in zip(boxes, track_ids):
+                            unique_face_ids.add(track_id)
+                            
+                            # Ambil koordinat kotak pembatas dan cegah keluar batas frame
+                            x1, y1, x2, y2 = map(int, box)
+                            x1, y1 = max(0, x1), max(0, y1)
+                            x2, y2 = min(TARGET_WIDTH, x2), min(target_height, y2)
+                            
+                            # Potong area wajah dari frame (Crop)
+                            face_crop = frame[y1:y2, x1:x2]
+                            label_name = "Unknown" 
+                            
+                            if face_crop.size > 0:
+                                # --- TAHAP 2: Klasifikasi Emosi ---
+                                emotion_results = emotion_model(face_crop, conf=0.4, verbose=False)
                                 
-        cap.release()
-        
-        # Selesai Proses Scan
-        status_text.empty()
-        progress_bar.empty()
-        st.success("🎉 Analisis Selesai!")
-        st.write("---")
-        
-        # --- 4. TAMPILKAN RINGKASAN DATA ---
-        st.subheader("Ringkasan Hasil Analisis")
-        
-        col1, col2 = st.columns(2)
-        with col1:
-            st.metric(label="Total Wajah/Siswa Terdeteksi", value=f"{len(unique_face_ids)} Orang")
-        with col2:
-            st.metric(label="Total Deteksi Emosi (Sampel Terpilih)", value=f"{total_detections} Kali")
+                                for r_emotion in emotion_results:
+                                    if len(r_emotion.boxes) > 0:
+                                        top_box = r_emotion.boxes[0]
+                                        cls_id = int(top_box.cls)
+                                        label_name = emotion_model.names[cls_id].capitalize()
+                                        
+                                        # Pastikan format kapitalisasi sesuai dengan dictionary
+                                        if label_name in emotion_counts:
+                                            emotion_counts[label_name] += 1
+                                            total_detections += 1
+                                            face_detected_in_this_frame = True
+                                            timeline_data.append({
+                                                "Waktu (detik)": time_in_seconds,
+                                                "Emosi": label_name
+                                            })
+                            
+                            # Gambar kotak wajah proporsional dan teks emosi
+                            cv2.rectangle(annotated_frame, (x1, y1), (x2, y2), (0, 255, 0), 2)
+                            cv2.putText(annotated_frame, f"ID:{track_id} {label_name}", (x1, y1 - 7),
+                                        cv2.FONT_HERSHEY_SIMPLEX, 0.4, (0, 255, 0), 1, cv2.LINE_AA)
+                
+                # Simpan frame ke pool jika ada emosi yang terdeteksi
+                if face_detected_in_this_frame and len(saved_frames_pool) < 60:
+                    minutes = int(time_in_seconds // 60)
+                    seconds = int(time_in_seconds % 60)
+                    timestamp_text = f"{minutes:02d}:{seconds:02d}"
+                    
+                    cv2.rectangle(annotated_frame, (10, 10), (100, 40), (0, 0, 0), -1)
+                    cv2.putText(annotated_frame, timestamp_text, (15, 33),
+                                cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 255, 255), 2, cv2.LINE_AA)
+                    
+                    rgb_frame = cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB)
+                    saved_frames_pool.append(rgb_frame)
+                            
+            cap.release()
             
-        st.write("---")
-        
-        # --- 5. TAMPILKAN 4 KEY FRAMES HASIL ANALISIS ---
-        if len(saved_frames_pool) > 0:
-            st.subheader("Cuplikan Rekaman Analisis (Key Frames)")
-            img_cols = st.columns(4)
+            # Selesai Proses Scan
+            status_text.empty()
+            progress_bar.empty()
+            st.success("🎉 Analisis Selesai!")
+            st.write("---")
             
-            # Ambil 4 gambar secara merata dari awal hingga akhir video
-            pool_size = len(saved_frames_pool)
-            if pool_size >= 4:
-                indices = [0, pool_size // 3, (pool_size * 2) // 3, pool_size - 1]
-                selected_frames = [saved_frames_pool[i] for i in indices]
-            else:
-                selected_frames = saved_frames_pool 
+            # --- 4. TAMPILKAN RINGKASAN DATA ---
+            st.subheader("Ringkasan Hasil Analisis")
+            
+            col1, col2 = st.columns(2)
+            with col1:
+                st.metric(label="Total Wajah/Siswa Terdeteksi", value=f"{len(unique_face_ids)} Orang")
+            with col2:
+                st.metric(label="Total Deteksi Emosi", value=f"{total_detections} Kali")
                 
-            for idx, img_frame in enumerate(selected_frames):
-                with img_cols[idx]:
-                    st.image(img_frame, caption=f"Cuplikan {idx+1}", use_container_width=True)
             st.write("---")
-        
-        # --- 6. HITUNG PERSENTASE & PLOTLY ---
-        if total_detections > 0:
-            labels = []
-            percentages = []
-            counts = []
             
-            for emotion, count in emotion_counts.items():
-                pct = (count / total_detections) * 100
-                labels.append(emotion)
-                percentages.append(round(pct, 1))
-                counts.append(count)
+            # --- 5. TAMPILKAN 4 KEY FRAMES HASIL ANALISIS ---
+            if len(saved_frames_pool) > 0:
+                st.subheader("Cuplikan Rekaman Analisis (Key Frames)")
+                img_cols = st.columns(4)
                 
-            df = pd.DataFrame({
-                "Kategori Emosi": labels,
-                "Persentase (%)": percentages,
-                "Jumlah Terdeteksi (Wajah x Frame)": counts
-            })
-            
-            fig = px.bar(
-                df, 
-                x="Kategori Emosi", 
-                y="Persentase (%)", 
-                text="Persentase (%)",
-                color="Kategori Emosi",
-                title="<b>Mood Breakdown (Profil Emosi Kelas)</b>",
-                color_discrete_sequence=px.colors.qualitative.Pastel,
-                hover_data=["Jumlah Terdeteksi (Wajah x Frame)"]
-            )
-            
-            fig.update_traces(texttemplate='%{text}%', textposition='outside')
-            fig.update_layout(showlegend=False, yaxis_range=[0, 110])
+                pool_size = len(saved_frames_pool)
+                if pool_size >= 4:
+                    indices = [0, pool_size // 3, (pool_size * 2) // 3, pool_size - 1]
+                    selected_frames = [saved_frames_pool[i] for i in indices]
+                else:
+                    selected_frames = saved_frames_pool 
+                    
+                for idx, img_frame in enumerate(selected_frames):
+                    with img_cols[idx]:
+                        st.image(img_frame, caption=f"Cuplikan {idx+1}", use_container_width=True)
+                st.write("---")
             
-            st.subheader("Grafik Analisis")
-            st.plotly_chart(fig, use_container_width=True)
-            st.write("---")
+            # --- 6. HITUNG PERSENTASE & PLOTLY ---
+            if total_detections > 0:
+                labels = []
+                percentages = []
+                counts = []
+                
+                for emotion, count in emotion_counts.items():
+                    pct = (count / total_detections) * 100
+                    labels.append(emotion)
+                    percentages.append(round(pct, 1))
+                    counts.append(count)
+                    
+                df = pd.DataFrame({
+                    "Kategori Emosi": labels,
+                    "Persentase (%)": percentages,
+                    "Jumlah Terdeteksi": counts
+                })
+                
+                fig = px.bar(
+                    df, 
+                    x="Kategori Emosi", 
+                    y="Persentase (%)", 
+                    text="Persentase (%)",
+                    color="Kategori Emosi",
+                    title="<b>Mood Breakdown (Profil Emosi Kelas)</b>",
+                    color_discrete_map=emotion_color_map, # <-- Terapkan Kamus Warna
+                    hover_data=["Jumlah Terdeteksi"]
+                )
+                
+                fig.update_traces(texttemplate='%{text}%', textposition='outside')
+                fig.update_layout(showlegend=False, yaxis_range=[0, 110])
+                
+                st.subheader("Grafik Analisis")
+                st.plotly_chart(fig, use_container_width=True)
+                st.write("---")
 
-            # --- 7. GRAFIK TREN EMOSI BERDASARKAN WAKTU ---
-            if len(timeline_data) > 0:
-                st.subheader("Tren Emosi Berdasarkan Waktu")
+                # --- 7. GRAFIK TREN EMOSI BERDASARKAN WAKTU ---
+                if len(timeline_data) > 0:
+                    st.subheader("Tren Emosi Berdasarkan Waktu")
 
-                df_timeline = pd.DataFrame(timeline_data)
+                    df_timeline = pd.DataFrame(timeline_data)
+                    max_time = df_timeline["Waktu (detik)"].max()
+                    
+                    if max_time <= 120:
+                        bin_size = 10   
+                    elif max_time <= 600:
+                        bin_size = 30   
+                    else:
+                        bin_size = 60   
 
-                # Tentukan ukuran bin otomatis berdasarkan durasi video
-                max_time = df_timeline["Waktu (detik)"].max()
-                if max_time <= 120:
-                    bin_size = 10   # Video pendek: bin 10 detik
-                elif max_time <= 600:
-                    bin_size = 30   # Video sedang: bin 30 detik
-                else:
-                    bin_size = 60   # Video panjang: bin 1 menit
+                    df_timeline["bin"] = (df_timeline["Waktu (detik)"] // bin_size) * bin_size
+                    df_grouped = (
+                        df_timeline
+                        .groupby(["bin", "Emosi"])
+                        .size()
+                        .reset_index(name="Jumlah Deteksi")
+                        .sort_values("bin")
+                    )
 
-                df_timeline["bin"] = (df_timeline["Waktu (detik)"] // bin_size) * bin_size
-                df_grouped = (
-                    df_timeline
-                    .groupby(["bin", "Emosi"])
-                    .size()
-                    .reset_index(name="Jumlah Deteksi")
-                    .sort_values("bin")
-                )
+                    # Konversi ke persentase agar stabil di akhir video
+                    total_per_bin = df_grouped.groupby("bin")["Jumlah Deteksi"].transform('sum')
+                    df_grouped["Persentase (%)"] = (df_grouped["Jumlah Deteksi"] / total_per_bin) * 100
 
-                # Format label sumbu X: detik → MM:SS
-                df_grouped["Waktu"] = df_grouped["bin"].apply(
-                    lambda s: f"{int(s // 60):02d}:{int(s % 60):02d}"
-                )
+                    df_grouped["Waktu"] = df_grouped["bin"].apply(
+                        lambda s: f"{int(s // 60):02d}:{int(s % 60):02d}"
+                    )
 
-                fig_trend = px.line(
-                    df_grouped,
-                    x="Waktu",
-                    y="Jumlah Deteksi",
-                    color="Emosi",
-                    markers=True,
-                    title=f"<b>Tren Emosi Kelas per {bin_size} Detik</b>",
-                    labels={"Jumlah Deteksi": "Jumlah Deteksi", "Waktu": "Waktu (MM:SS)"},
-                    color_discrete_sequence=px.colors.qualitative.Pastel,
-                )
-                fig_trend.update_layout(
-                    xaxis_tickangle=-45,
-                    legend_title_text="Emosi",
+                    fig_trend = px.line(
+                        df_grouped,
+                        x="Waktu",
+                        y="Persentase (%)",
+                        color="Emosi",
+                        markers=True,
+                        title=f"<b>Tren Fluktuasi Emosi Kelas per {bin_size} Detik</b>",
+                        labels={"Persentase (%)": "Persentase (%)", "Waktu": "Waktu (MM:SS)"},
+                        color_discrete_map=emotion_color_map, # <-- Terapkan Kamus Warna
+                    )
+                    fig_trend.update_layout(
+                        xaxis_tickangle=-45,
+                        legend_title_text="Emosi",
+                        yaxis_range=[-5, 105]
+                    )
+                    st.plotly_chart(fig_trend, use_container_width=True)
+                    st.write("---")
+                
+                # --- 8. REKOMENDASI BERBASIS EMOSI DOMINAN ---
+                st.subheader("Rekomendasi Pengajaran")
+                st.caption(
+                    "Rekomendasi disusun berdasarkan **Pekrun's Control-Value Theory of Achievement Emotions (2006)** "
+                    "dan prinsip *affective computing* dalam konteks pembelajaran. "
+                    "Gunakan sebagai bahan refleksi, bukan penilaian tunggal."
                 )
-                st.plotly_chart(fig_trend, use_container_width=True)
-                st.write("---")
-            
-            # --- 8. REKOMENDASI BERBASIS EMOSI DOMINAN ---
-            st.subheader("Rekomendasi Pengajaran")
-            st.caption(
-                "Rekomendasi disusun berdasarkan **Pekrun's Control-Value Theory of Achievement Emotions (2006)** "
-                "dan prinsip *affective computing* dalam konteks pembelajaran. "
-                "Gunakan sebagai bahan refleksi, bukan penilaian tunggal."
-            )
 
-            # Peta tiap emosi → (interpretasi, saran, tipe pesan)
-            EMOTION_GUIDE = {
-                "Happy": (
-                    "Positive Activating Emotion",
-                    "Suasana kelas kondusif dan siswa antusias. "
-                    "Pertahankan ritme dan metode pengajaran saat ini. "
-                    "Manfaatkan momentum ini untuk memperkenalkan materi yang lebih menantang.",
-                    "info"
-                ),
-                "Neutral": (
-                    "Ambiguous State (Focused OR Disengaged)",
-                    "Neutral bisa berarti konsentrasi penuh (flow state) atau kebosanan pasif. "
-                    "Lakukan pengecekan pemahaman (quick poll/pertanyaan lisan) untuk "
-                    "memastikan siswa benar-benar mengikuti, bukan sekadar diam.",
-                    "info"
-                ),
-                "Surprised": (
-                    "Positive/Negative Activating Emotion",
-                    "Kejutan bisa menandakan momen 'aha' (positif) atau kebingungan mendadak (negatif). "
-                    "Perhatikan konteks: apakah muncul saat materi baru diperkenalkan? "
-                    "Jika ya, manfaatkan sebagai jembatan diskusi.",
-                    "info"
-                ),
-                "Sad": (
-                    "Negative Deactivating Emotion",
-                    "Emosi ini mengindikasikan rendahnya motivasi atau rasa tidak mampu. "
-                    "Berikan penguatan positif (positive reinforcement), kecilkan target sementara, "
-                    "dan pastikan siswa merasa aman untuk bertanya.",
-                    "warning"
-                ),
-                "Angry": (
-                    "Negative Activating Emotion (Frustration)",
-                    "Umumnya muncul akibat frustrasi terhadap materi yang terlalu sulit atau "
-                    "merasa tidak diperlakukan adil. Evaluasi kembali tingkat kesulitan soal/materi "
-                    "dan beri ruang bagi siswa untuk mengekspresikan kesulitannya.",
-                    "warning"
-                ),
-                "Fear": (
-                    "Negative Activating Emotion (Anxiety)",
-                    "Kecemasan akademik dapat secara langsung menghambat proses kognitif. "
-                    "Kurangi tekanan evaluasi, normalkan kesalahan sebagai bagian dari belajar, "
-                    "dan pertimbangkan aktivitas low-stakes sebelum penilaian utama.",
-                    "warning"
-                ),
-                "Disgust": (
-                    "Strong Negative Emotion",
-                    "Emosi kuat yang bisa menandakan siswa merasa konten tidak relevan atau "
-                    "pendekatan pengajaran kurang sesuai. Tinjau kembali relevansi materi "
-                    "dengan konteks kehidupan siswa.",
-                    "warning"
-                ),
-                "Contempt": (
-                    "Strong Negative Emotion (Disengagement)",
-                    "Sinyal disengagement yang serius. Pertimbangkan pendekatan yang lebih "
-                    "student-centered, libatkan siswa dalam menentukan arah diskusi, "
-                    "atau cari tahu hambatan non-akademis yang mungkin ada.",
-                    "warning"
-                ),
-            }
+                EMOTION_GUIDE = {
+                    "Happy": (
+                        "Positive Activating Emotion",
+                        "Suasana kelas kondusif dan siswa antusias. Pertahankan ritme dan metode pengajaran saat ini. Manfaatkan momentum ini untuk memperkenalkan materi yang lebih menantang.",
+                        "info"
+                    ),
+                    "Neutral": (
+                        "Ambiguous State (Focused OR Disengaged)",
+                        "Neutral bisa berarti konsentrasi penuh (flow state) atau kebosanan pasif. Lakukan pengecekan pemahaman (quick poll/pertanyaan lisan) untuk memastikan siswa benar-benar mengikuti, bukan sekadar diam.",
+                        "info"
+                    ),
+                    "Surprised": (
+                        "Positive/Negative Activating Emotion",
+                        "Kejutan bisa menandakan momen 'aha' (positif) atau kebingungan mendadak (negatif). Perhatikan konteks: apakah muncul saat materi baru diperkenalkan? Jika ya, manfaatkan sebagai jembatan diskusi.",
+                        "info"
+                    ),
+                    "Sad": (
+                        "Negative Deactivating Emotion",
+                        "Emosi ini mengindikasikan rendahnya motivasi atau rasa tidak mampu. Berikan penguatan positif (positive reinforcement), kecilkan target sementara, dan pastikan siswa merasa aman untuk bertanya.",
+                        "warning"
+                    ),
+                    "Anger": (
+                        "Negative Activating Emotion (Frustration)",
+                        "Umumnya muncul akibat frustrasi terhadap materi yang terlalu sulit atau merasa tidak diperlakukan adil. Evaluasi kembali tingkat kesulitan soal/materi dan beri ruang bagi siswa untuk mengekspresikan kesulitannya.",
+                        "warning"
+                    ),
+                    "Fear": (
+                        "Negative Activating Emotion (Anxiety)",
+                        "Kecemasan akademik dapat secara langsung menghambat proses kognitif. Kurangi tekanan evaluasi, normalkan kesalahan sebagai bagian dari belajar, dan pertimbangkan aktivitas low-stakes sebelum penilaian utama.",
+                        "warning"
+                    ),
+                    "Disgust": (
+                        "Strong Negative Emotion",
+                        "Emosi kuat yang bisa menandakan siswa merasa konten tidak relevan atau pendekatan pengajaran kurang sesuai. Tinjau kembali relevansi materi dengan konteks kehidupan siswa.",
+                        "warning"
+                    )
+                }
 
-            max_emotion = df.loc[df['Persentase (%)'].idxmax()]['Kategori Emosi']
-            max_pct = df['Persentase (%)'].max()
+                max_emotion = df.loc[df['Persentase (%)'].idxmax()]['Kategori Emosi']
+                max_pct = df['Persentase (%)'].max()
 
-            guide = EMOTION_GUIDE.get(max_emotion)
+                guide = EMOTION_GUIDE.get(max_emotion)
 
-            if guide:
-                interpretation, suggestion, msg_type = guide
-                message = (
-                    f"**Emosi Dominan:** **{max_emotion} ({max_pct}%)** "
-                    f"— dikategorikan sebagai *{interpretation}*\n\n"
-                    f"**Saran:** {suggestion}\n\n"
-                    f"**Catatan:** Data dari ±{len(unique_face_ids)} wajah unik yang tertangkap kamera."
-                )
-                if msg_type == "info":
-                    st.info(message)
-                else:
-                    st.warning(message)
-        else:
-            st.error("❌ Tidak ada wajah siswa yang terdeteksi di dalam video. Pastikan kualitas video cukup jelas.")
+                if guide:
+                    interpretation, suggestion, msg_type = guide
+                    message = (
+                        f"**Emosi Dominan:** **{max_emotion} ({max_pct}%)** "
+                        f"— dikategorikan sebagai *{interpretation}*\n\n"
+                        f"**Saran:** {suggestion}\n\n"
+                        f"**Catatan:** Data dari ±{len(unique_face_ids)} wajah unik yang tertangkap kamera."
+                    )
+                    if msg_type == "info":
+                        st.info(message)
+                    else:
+                        st.warning(message)
+            else:
+                st.error("❌ Tidak ada wajah siswa yang terdeteksi di dalam video. Pastikan kualitas video cukup jelas.")
+        
+        # --- PENINGKATAN 1: PENGHAPUSAN FILE SEMENTARA ---
+        finally:
+            if os.path.exists(tfile.name):
+                os.remove(tfile.name)