Update app.py

app.py

@@ -1,130 +1,127 @@
-from flask import Flask, request, jsonify
-from flask_cors import CORS
-import joblib
-import numpy as np 
-import os 
-
-# Inisialisasi aplikasi Flask
-app = Flask(__name__)
-CORS(app) # Mengizinkan Cross-Origin Resource Sharing
-
-# --- TAHAP 1: MUAT SEMUA MODEL ---
-# Kita sekarang memuat SEMUA 4 file .joblib
-try:
-    # 1. Model utama untuk prediksi
-    model = joblib.load("best_model.joblib")
-    
-    # 2. Scaler untuk fitur numerik (umur, tinggi, berat)
-    scaler = joblib.load("scaler.joblib")
-    
-    # 3. Encoder untuk fitur 'Jenis Kelamin' (input)
-    # PERHATIKAN: Nama file pakai spasi, harus sama persis
-    jk_encoder = joblib.load("Jenis Kelamin_encoder.joblib")
-    
-    # 4. Encoder untuk target 'Stunting' (output)
-    stunting_encoder = joblib.load("Stunting_encoder.joblib")
-    
-    print("Semua 4 model (model, scaler, 2 encoder) berhasil dimuat!")
-
-except Exception as e:
-    print(f"Error saat memuat model: {e}")
-    model = None
-    scaler = None
-    jk_encoder = None
-    stunting_encoder = None
-
-# --- TAHAP 2: ENDPOINT PREDIKSI DENGAN PREPROCESSING ---
-# Ini adalah inti dari API Anda.
-@app.route('/predict', methods=['POST'])
-def predict():    
-    # Cek apakah semua model sudah siap
-    if not all([model, scaler, jk_encoder, stunting_encoder]):
-        return jsonify({"error": "Satu atau lebih file model gagal dimuat di server"}), 500
-
-    try:
-        # 1. Ambil data JSON yang dikirim oleh React
-        data = request.get_json()
-
-        # React HARUS mengirim JSON dengan key yang SAMA PERSIS seperti ini:
-        # {
-        #   "jenis_kelamin": "Laki-laki",  // (atau "Perempuan")
-        #   "umur": 24,                  // (angka)
-        #   "tinggi": 85.5,              // (angka)
-        #   "berat": 10.1                // (angka)
-        # }
-
-        # --- MULAI PREPROCESSING ---
-        # Kita harus mengulang langkah yang sama persis seperti saat training
-
-        # 2. Ambil data mentah dari JSON
-        jk_string = data['jenis_kelamin']
-        umur = data['umur']
-        tinggi = data['tinggi']
-        berat = data['berat']
-
-        # 3. ENCODE 'Jenis Kelamin' (String -> Angka)
-        # Input: ["Laki-laki"] -> Output: [0]
-        # Kita ambil elemen pertama [0] untuk mendapatkan angkanya saja
-        jk_encoded = jk_encoder.transform([jk_string])[0]
-
-        # 4. SCALE Fitur Numerik (Angka -> Angka Skala 0-1)
-        # Scaler dilatih dengan urutan: ['Umur (bulan)', 'Tinggi Badan (cm)', 'Berat Badan (kg)']
-        # Kita harus memasukkan data dengan urutan yang SAMA PERSIS.
-        # Input harus 2D array, contoh: [[24, 85.5, 10.1]]
-        numerical_features = [[umur, tinggi, berat]]
-        scaled_features = scaler.transform(numerical_features)
-        
-        # Outputnya adalah 2D array, contoh: [[0.25, 0.4, 0.3]]
-        # Kita ambil baris pertama [0]
-        umur_scaled = scaled_features[0][0]
-        tinggi_scaled = scaled_features[0][1]
-        berat_scaled = scaled_features[0][2]
-
-        # 5. GABUNGKAN SEMUA FITUR
-        # Model utama dilatih dengan urutan: 
-        # ['Jenis Kelamin', 'Umur (bulan)', 'Tinggi Badan (cm)', 'Berat Badan (kg)']
-        # Kita gabungkan fitur yg sudah di-encode dan di-scale sesuai urutan itu
-        
-        final_features_list = [jk_encoded, umur_scaled, tinggi_scaled, berat_scaled]
-        
-        # 6. Ubah jadi 2D Numpy Array
-        # Sesuai format yang diterima model .predict()
-        final_features = [np.array(final_features_list)]
-        
-        # --- SELESAI PREPROCESSING ---
-
-        # 7. Lakukan Prediksi
-        # Input: [[0, 0.25, 0.4, 0.3]]
-        prediction_encoded = model.predict(final_features)
-        # Output: [1] (Contoh)
-
-        # 8. UBAH PREDIKSI (Angka -> String)
-        # Kita pakai stunting_encoder untuk mengubah angka hasil prediksi
-        # kembali menjadi label string yang bisa dibaca manusia.
-        # Input: [1] -> Output: ["Stunted"]
-        prediction_string = stunting_encoder.inverse_transform(prediction_encoded)
-
-        # 9. Ambil hasil string-nya
-        output = prediction_string[0] # "Stunted"
-
-        # 10. Kirim hasil akhir ke React
-        return jsonify({'prediction': output})
-
-    except KeyError as e:
-        # Ini terjadi jika React salah kirim key JSON
-        # (misal: "nama" bukan "jenis_kelamin")
-        return jsonify({"error": f"Key JSON tidak ditemukan: {str(e)}. Pastikan key adalah 'jenis_kelamin', 'umur', 'tinggi', dan 'berat'."}), 400
-    
-    except Exception as e:
-        # Tangkap error lainnya (misal: user kirim "Pria" bukan "Laki-laki")
-        return jsonify({"error": f"Terjadi error saat prediksi: {str(e)}"}), 400
-
-# --- INI BAGIAN PENTING UNTUK HOSTING vs LOCALHOST ---
-# (Tidak perlu diubah, sudah benar)
-
-if __name__ == '__main__':
-    # Ambil port dari environment variable, atau pakai 5000 jika tidak ada
-    port = int(os.environ.get('PORT', 5000))
-    
-    # Jalankan HANYA untuk development di localhost
+from flask import Flask, request, jsonify
+from flask_cors import CORS
+import joblib
+import numpy as np 
+import os 
+
+# Inisialisasi aplikasi Flask
+app = Flask(__name__)
+CORS(app) # Mengizinkan Cross-Origin Resource Sharing
+
+# --- TAHAP 1: MUAT SEMUA MODEL ---
+# Kita sekarang memuat SEMUA 4 file .joblib
+try:
+    # 1. Model utama untuk prediksi
+    model = joblib.load("best_model.joblib")
+    
+    # 2. Scaler untuk fitur numerik (umur, tinggi, berat)
+    scaler = joblib.load("scaler.joblib")
+    
+    # 3. Encoder untuk fitur 'Jenis Kelamin' (input)
+    # PERHATIKAN: Nama file pakai spasi, harus sama persis
+    jk_encoder = joblib.load("Jenis Kelamin_encoder.joblib")
+    
+    # 4. Encoder untuk target 'Stunting' (output)
+    stunting_encoder = joblib.load("Stunting_encoder.joblib")
+    
+    print("Semua 4 model (model, scaler, 2 encoder) berhasil dimuat!")
+
+except Exception as e:
+    print(f"Error saat memuat model: {e}")
+    model = None
+    scaler = None
+    jk_encoder = None
+    stunting_encoder = None
+
+# --- TAHAP 2: ENDPOINT PREDIKSI DENGAN PREPROCESSING ---
+# Ini adalah inti dari API Anda.
+@app.route('/predict', methods=['POST'])
+def predict():    
+    # Cek apakah semua model sudah siap
+    if not all([model, scaler, jk_encoder, stunting_encoder]):
+        return jsonify({"error": "Satu atau lebih file model gagal dimuat di server"}), 500
+
+    try:
+        # 1. Ambil data JSON yang dikirim oleh React
+        data = request.get_json()
+
+        # React HARUS mengirim JSON dengan key yang SAMA PERSIS seperti ini:
+        # {
+        #   "jenis_kelamin": "Laki-laki",  // (atau "Perempuan")
+        #   "umur": 24,                  // (angka)
+        #   "tinggi": 85.5,              // (angka)
+        #   "berat": 10.1                // (angka)
+        # }
+
+        # --- MULAI PREPROCESSING ---
+        # Kita harus mengulang langkah yang sama persis seperti saat training
+
+        # 2. Ambil data mentah dari JSON
+        jk_string = data['jenis_kelamin']
+        umur = data['umur']
+        tinggi = data['tinggi']
+        berat = data['berat']
+
+        # 3. ENCODE 'Jenis Kelamin' (String -> Angka)
+        # Input: ["Laki-laki"] -> Output: [0]
+        # Kita ambil elemen pertama [0] untuk mendapatkan angkanya saja
+        jk_encoded = jk_encoder.transform([jk_string])[0]
+
+        # 4. SCALE Fitur Numerik (Angka -> Angka Skala 0-1)
+        # Scaler dilatih dengan urutan: ['Umur (bulan)', 'Tinggi Badan (cm)', 'Berat Badan (kg)']
+        # Kita harus memasukkan data dengan urutan yang SAMA PERSIS.
+        # Input harus 2D array, contoh: [[24, 85.5, 10.1]]
+        numerical_features = [[umur, tinggi, berat]]
+        scaled_features = scaler.transform(numerical_features)
+        
+        # Outputnya adalah 2D array, contoh: [[0.25, 0.4, 0.3]]
+        # Kita ambil baris pertama [0]
+        umur_scaled = scaled_features[0][0]
+        tinggi_scaled = scaled_features[0][1]
+        berat_scaled = scaled_features[0][2]
+
+        # 5. GABUNGKAN SEMUA FITUR
+        # Model utama dilatih dengan urutan: 
+        # ['Jenis Kelamin', 'Umur (bulan)', 'Tinggi Badan (cm)', 'Berat Badan (kg)']
+        # Kita gabungkan fitur yg sudah di-encode dan di-scale sesuai urutan itu
+        
+        final_features_list = [jk_encoded, umur_scaled, tinggi_scaled, berat_scaled]
+        
+        # 6. Ubah jadi 2D Numpy Array
+        # Sesuai format yang diterima model .predict()
+        final_features = [np.array(final_features_list)]
+        
+        # --- SELESAI PREPROCESSING ---
+
+        # 7. Lakukan Prediksi
+        # Input: [[0, 0.25, 0.4, 0.3]]
+        prediction_encoded = model.predict(final_features)
+        # Output: [1] (Contoh)
+
+        # 8. UBAH PREDIKSI (Angka -> String)
+        # Kita pakai stunting_encoder untuk mengubah angka hasil prediksi
+        # kembali menjadi label string yang bisa dibaca manusia.
+        # Input: [1] -> Output: ["Stunted"]
+        prediction_string = stunting_encoder.inverse_transform(prediction_encoded)
+
+        # 9. Ambil hasil string-nya
+        output = prediction_string[0] # "Stunted"
+
+        # 10. Kirim hasil akhir ke React
+        return jsonify({'prediction': output})
+
+    except KeyError as e:
+        # Ini terjadi jika React salah kirim key JSON
+        # (misal: "nama" bukan "jenis_kelamin")
+        return jsonify({"error": f"Key JSON tidak ditemukan: {str(e)}. Pastikan key adalah 'jenis_kelamin', 'umur', 'tinggi', dan 'berat'."}), 400
+    
+    except Exception as e:
+        # Tangkap error lainnya (misal: user kirim "Pria" bukan "Laki-laki")
+        return jsonify({"error": f"Terjadi error saat prediksi: {str(e)}"}), 400
+
+# --- INI BAGIAN PENTING UNTUK HOSTING vs LOCALHOST ---
+# (Tidak perlu diubah, sudah benar)
+
+if __name__ == '__main__':
+    port = int(os.environ.get('PORT', 5000))
     app.run(debug=True, port=port)