02_api_plumber.R

# ============================================================================
# Script 2: Deployment API dengan Plumber dan Vetiver
# ============================================================================

library(plumber)
library(vetiver)
library(pins)
library(dplyr)
library(purrr)
library(jsonlite)
library(RPostgres)
library(tidymodels)
library(ranger)

# Cek apakah file .env ada di folder (biasanya saat di laptop lokal)
# Jika tidak ada (seperti di Hugging Face), lewati saja agar tidak error
if (file.exists(".env")) {
  library(dotenv)
  load_dot_env(".env")
}

source("00_db_helper.R")

# Load model and metadata
model_board <- NULL
v <- NULL
train_stats <- NULL
model_metadata <- NULL

tryCatch({
  model_board <- board_folder("models", versioned = TRUE)
  v <- vetiver_pin_read(model_board, "mpg_highway_model")
  # print(v)

  # 🟢 PENYESUAIAN HUGGING FACE:
  # Karena 03_run_server.R sudah mengunduh file .rds langsung ke folder "models",
  # kita tidak perlu menggunakan board_folder() yang mencari struktur folder timestamp.
  # Kita cukup membaca file RDS-nya secara langsung!
  
  # Membaca model
  # v <- readRDS("models/mpg_highway_model.rds")
  
  # Load training statistics
  if (file.exists("models/train_statistics.rds")) {
    train_stats <- readRDS("models/train_statistics.rds")
  }
  
  # Load model metadata
  if (file.exists("models/model_metadata.rds")) {
    model_metadata <- readRDS("models/model_metadata.rds")
  }
  
  message("✓ Model loaded successfully")
}, error = function(e) {
  message("⚠️  No model found. Please run 01_train_and_version.R first")
  message("   API will start in limited mode")
})

# ============================================================================
# CREATE API
# ============================================================================

#* @apiTitle MPG Highway Prediction API
#* @apiDescription API untuk prediksi highway mileage dengan monitoring

api <- 
  pr() %>%
  
  # --- VETIVER ENDPOINTS (OTOMATIS) ---
  # Ini akan otomatis membuat:
  # - POST /predict : untuk prediksi standar (tanpa row_id)
  # - GET /ping : health check
  vetiver_api(v) %>% 
  
  # 2. PAKSA ubah Judul dan Deskripsi menggunakan fungsi R (Bukan komentar)
  pr_set_api_spec(function(spec) {
    spec$info$title <- "MPG Highway Prediction API"
    spec$info$version <- "1.0.0"
    spec$info$description <- "API untuk prediksi highway mileage dengan monitoring"
    
    # Tambahkan deskripsi untuk endpoint /ping (Health Check)
    if (!is.null(spec$paths$`/ping`$get)) {
      spec$paths$`/ping`$get$summary <- "REST API Health Check"
      spec$paths$`/ping`$get$description <- "Memastikan bahwa server API berjalan dengan baik dan model siap digunakan."
    }
    
    # Tambahkan deskripsi untuk endpoint /predict (Bawaan Vetiver)
    if (!is.null(spec$paths$`/predict`$post)) {
      spec$paths$`/predict`$post$summary <- "Prediksi Standar Vetiver"
      spec$paths$`/predict`$post$description <- "Melakukan prediksi konsumsi bahan bakar (highway) menggunakan skema standar Vetiver tanpa menyertakan row_id."

      # PAKSA masukkan skema parameter JSON Body ke Swagger
      spec$paths$`/predict`$post$requestBody <- list(
        required = TRUE,
        content = list(
          `application/json` = list(
            schema = list(
              type = "object",
              properties = list(
                displ = list(type = "number", example = 2.4, description = "Engine displacement in liters"),
                year  = list(type = "integer", example = 2008, description = "Year of manufacture"),
                cyl   = list(type = "integer", example = 4, description = "Number of cylinders"),
                class = list(type = "string", example = "compact", description = "Vehicle class")
              ),
              required = c("displ", "year", "cyl", "class") # Opsional: Tandai kolom yang wajib diisi
            )
          )
        )
      )
    }

    # ---------------------------------------------------------
    # Deskripsi untuk Endpoint Kustom (DI SINI KUNCINYA!)
    # ---------------------------------------------------------
    if (!is.null(spec$paths$`/predict_custom`$post)) {
      spec$paths$`/predict_custom`$post$summary <- "Prediksi Kustom & Logging ke Database"
      spec$paths$`/predict_custom`$post$description <- "Endpoint khusus untuk melakukan prediksi yang secara otomatis memisahkan 'row_id' sebelum diprediksi dan menyimpannya bersama payload ke log SQLite. Digunakan untuk siklus monitoring penuh."

      spec$paths$`/predict_custom`$post$requestBody <- list(
        required = TRUE,
        content = list(
          `application/json` = list(
            schema = list(
              type = "object",
              properties = list(
                row_id = list(type = "string", example = "1", description = "ID Baris kustom untuk pemetaan data aktual"),
                displ  = list(type = "number", example = 2.4),
                year   = list(type = "integer", example = 2008),
                cyl    = list(type = "integer", example = 4),
                class  = list(type = "string", example = "compact")
              )
            )
          )
        )
      )
    }
    
    if (!is.null(spec$paths$`/metadata`$get)) {
      spec$paths$`/metadata`$get$summary <- "Informasi Detail Model & Metrik Evaluasi"
      spec$paths$`/metadata`$get$description <- "Menampilkan nama model, deskripsi, tanggal training, jumlah baris data latih, dan metrik hasil evaluasi (RMSE, Rsq, MAE)."
    }

    if (!is.null(spec$paths$`/prototype`$get)) {
      spec$paths$`/prototype`$get$summary <- "Akses Dashboard Prototype"
      spec$paths$`/prototype`$get$description <- "Mengembalikan tampilan antarmuka (UI) sederhana untuk mencoba prediksi secara interaktif langsung dari peramban."
    }

    spec
  }) %>%
  
  # --- CUSTOM ENDPOINTS ---
  
  #* Prediksi Kustom dengan Pencatatan row_id ke SQLite
  #* @post /predict_custom
  #* @summary Prediksi Kustom & Logging ke Database
  #* @description Endpoint khusus untuk melakukan prediksi yang secara otomatis memisahkan 'row_id' sebelum diprediksi dan menyimpannya bersama payload ke log SQLite. Digunakan untuk siklus monitoring penuh.
  #* @serializer unboxedJSON
  #* @parser json list(simplifyDataFrame = FALSE)
  pr_post("/predict_custom", function(req) {
      # 1. Parsing body JSON otomatis menjadi Data Frame utuh oleh Plumber
    if(!is.data.frame(req$body)){
      input_data <- as.data.frame(req$body)
    } else {
      input_data <- req$body
    } 
    
      num_rows <- nrow(input_data)
      
      # Generate Request ID Unik
      req_id <- paste0("REQ-", format(Sys.time(), "%y%m%d%H%M%S"), "-", sample(1000:9999, 1))
      
      # Ambil prototype dari objek vetiver
      model_prototype <- v$prototype
      
      # Pisahkan row_id agar tidak ikut divalidasi atau diprediksi
      data_for_pred <- input_data[, names(input_data) %in% names(model_prototype), drop = FALSE]
      
      # 2. Bungkus seluruh proses dalam satu tryCatch (All-or-Nothing)
      response <- tryCatch({
        
        # 🕵️‍♂️ VALIDASI OTOMATIS RESMI: 
        # Kita ambil ptype (prototype) resmi dari objek vetiver
        prototype_data <- v$prototype
        
        # Gunakan vctrs untuk memaksa validasi tipe data secara massal
        # Jika ada kolom yang tipenya salah (misal character ke numeric), ini akan langsung melempar eror!
        valid_data <- vctrs::vec_cast(data_for_pred, prototype_data)
        
        # EKSEKUSI PREDIKSI MASSAL (Menggunakan data yang sudah tervalidasi)
        pred_result <- predict(v, valid_data)
        predictions_vector <- as.numeric(pred_result$.pred)
        
        # 3. Siapkan Data untuk Bulk Insert ke SQLite
        # 3. Siapkan Data untuk Bulk Insert ke SQLite
        # Siapkan Data untuk Bulk Insert ke SQLite
        batch_db_data <- data.frame(
          request_id = paste0(req_id, "-", 1:num_rows),
          timestamp = rep(as.character(Sys.time()), num_rows),
          variant = rep("standard", num_rows),
          version = rep(v$metadata$version[1], num_rows),
          
          # 🔑 Tambahkan ini agar masuk ke database!
          row_id = input_data$row_id, 
          
          input_features = sapply(1:num_rows, function(i) {
            jsonlite::toJSON(as.list(input_data[i, , drop = FALSE]), auto_unbox = TRUE)
          }),
          predicted_value = predictions_vector,
          status = "SUCCESS",
          error_message = NA_character_
        )
        
        # Eksekusi Bulk Insert
        con <- connect_supabase()

        # 1. Pastikan R mengarah ke schema mlops
        DBI::dbExecute(con, "SET search_path TO mlops")

        DBI::dbBegin(con)
        tryCatch({
  
  # 1. Buat Query INSERT Standar secara dinamis
  # Kita susun teks SQL: INSERT INTO predictions (col1, col2) VALUES ($1, $2)
  placeholders <- paste0("$", 1:ncol(batch_db_data), collapse = ", ")
  columns <- paste(names(batch_db_data), collapse = ", ")
  sql_query <- paste0("INSERT INTO mlops.predictions (", columns, ") VALUES (", placeholders, ")")
  
  # 2. Eksekusi query secara aman menggunakan dbExecute
  # Ini mengirimkan data murni tanpa memicu fungsi COPY bawaan RPostgres
  for (i in 1:nrow(batch_db_data)) {
    DBI::dbExecute(con, sql_query, unname(as.list(batch_db_data[i, ])))
  }
  
  DBI::dbCommit(con)
  cat("🎉 Sukses murni! Log berhasil disimpan ke Supabase.\n")
  
}, error = function(e) {
  DBI::dbRollback(con)
  cat("❌ Gagal menyimpan log ke Supabase:", e$message, "\n")
})

DBI::dbDisconnect(con)
        
        # Bentuk respon sukses untuk Client
        results_list <- lapply(1:num_rows, function(i) {
          list(
            row_id = input_data$row_id[i],
            status = "SUCCESS",
            prediction = round(predictions_vector[i], 4)
          )
        })
        
        list(
          request_id = req_id,
          status = "COMPLETED",
          results = results_list
        )
        }, error = function(e) {
        # Ambil pesan error asli
        raw_msg <- e$message
        
        # Deteksi jika error disebabkan oleh ketidakcocokan tipe data (vctrs)
        clean_msg <- if (grepl("Can't convert", raw_msg)) {
          # Ekstrak nama kolom dari pesan error vctrs menggunakan regex
          col_match <- regmatches(raw_msg, regexec("`data_for_pred\\$(.*?)`", raw_msg))[[1]][2]
          
          paste0("❌ Gagal Validasi: Tipe data pada kolom [", col_match, "] tidak sesuai dengan standar model.")
        } else {
          paste0("❌ Kesalahan Sistem: ", raw_msg)
        }
        
        # Kembalikan respon gagal total yang sudah rapi
        list(
          request_id = req_id,
          status = "FAILED",
          message = clean_msg
        )
      })
          
      return(response)
  }) %>% 
  
  #* Model metadata
  #* @get /metadata
  #* @summary Informasi Detail Model & Metrik Evaluasi
  #* @description Menampilkan nama model, deskripsi, tanggal training, jumlah baris data latih, dan metrik hasil evaluasi (RMSE, Rsq, MAE). Membantu Anda mengidentifikasi performa baseline model yang sedang aktif.
  #* @serializer unboxedJSON
  pr_get("/metadata", function() {
    if (is.null(v)) {
      return(list(
        error = "No model loaded",
        message = "Please train model first"
      ))
    }
    
    result <- list(
      model_name = v$model_name,
      description = v$description
    )
    
    if (!is.null(model_metadata)) {
      result$train_date <- as.character(model_metadata$train_date)
      result$train_rows <- model_metadata$train_rows
      result$test_rmse <- model_metadata$test_rmse
      result$test_rsq <- model_metadata$test_rsq
      result$test_mae <- model_metadata$test_mae
    }
    
    return(result)
  }) %>% 
  #* @assets ./index.html /
  #* @get /
  pr_get("/", function(req, res) {
  res$status <- 200
  res$setHeader("Content-Type", "text/html")
  include_html("index.html", res)
})

api