Update app.py

app.py

@@ -9,13 +9,16 @@ from huggingface_hub import hf_hub_download
 # --- KONFIGURASI HF HUB ---
 HF_REPO_ID = "aephidayatuloh/bank-model" 
 HF_MODEL_FILENAME = "random_forest_bank_marketing_pipeline.joblib"
+# app.py (atau index.py)
 
-# --- DEFINISI DATA INPUT (Pydantic) ---
-# [Pastikan ini sama persis dengan yang Anda gunakan sebelumnya]
-class PredictionInput(BaseModel):
+# --- 1. Definisi Skema Fitur (Data Mentah) ---
+# Model ini mendefinisikan struktur objek yang ada di dalam key "features"
+class FeaturesSchema(BaseModel):
+    """Skema Pydantic untuk data fitur internal."""
     age: int
     balance: int
     day: int
+    duration: int
     campaign: int
     pdays: int
     previous: int
@@ -28,43 +31,32 @@ class PredictionInput(BaseModel):
     contact: str
     month: str
     poutcome: str
+    # Pastikan semua 15 fitur ada di sini, sesuai urutan.
 
-# --- SETUP MODEL (DIJALANKAN SEKALI SAAT STARTUP) ---
-app = FastAPI(title="Bank Deposit Prediction (Docker)")
-
-@app.on_event("startup")
-def load_model():
-    global MODEL_PIPELINE
-    try:
-        # Download model dari HF Hub (direkomendasikan)
-        downloaded_model_path = hf_hub_download(
-            repo_id=HF_REPO_ID, 
-            filename=HF_MODEL_FILENAME
-        )
-        MODEL_PIPELINE = joblib.load(downloaded_model_path)
-        print("✅ Model berhasil dimuat dari Hugging Face Hub.")
-    except Exception as e:
-        print(f"❌ Gagal memuat model: {e}")
-        MODEL_PIPELINE = None
-
-
-# --- ENDPOINT PREDIKSI ---
-
-@app.get("/")
-def home():
-    return {"status": "ok", "message": "FastAPI is running inside Docker on HF Spaces."}
+# --- 2. Definisi Skema Payload (Wrapper) ---
+# Model ini mendefinisikan struktur payload keseluruhan (yang memiliki key "features")
+class PredictionPayload(BaseModel):
+    """Skema Pydantic untuk payload yang dikirim."""
+    features: FeaturesSchema # 💡 PERUBAHAN UTAMA DI SINI
 
+# --- 3. Perubahan pada Endpoint ---
 @app.post("/predict")
-def predict(data: PredictionInput):
+# Ganti nama model input di endpoint dari 'PredictionInput' menjadi 'PredictionPayload'
+def predict(payload_data: PredictionPayload): 
+    
     if MODEL_PIPELINE is None:
         raise HTTPException(status_code=500, detail="Model gagal dimuat.")
 
     try:
-        input_df = pd.DataFrame([data.dict()])
-        
+        # 💡 PERUBAHAN PADA PENGAMBILAN DATA
+        # Ambil data fitur dari wrapper 'payload_data'
+        input_dict = payload_data.features.dict() 
+        input_df = pd.DataFrame([input_dict])
+
+        # ... sisa kode prediksi tetap sama ...
         prediction = MODEL_PIPELINE.predict(input_df)[0]
         prediction_proba = MODEL_PIPELINE.predict_proba(input_df)[0].tolist()
-
+        
         return {
             "prediction_class": int(prediction),
             "probability": prediction_proba