Update app.py

app.py

@@ -1,112 +1,112 @@
-from flask import Flask, render_template, request, jsonify
-import pickle
-import numpy as np
-import requests
-import pandas as pd
-
-app = Flask(__name__)
-
-# Load model dan scaler yang sudah disimpan
-with open('model.pkl', 'rb') as model_file:
-    model = pickle.load(model_file)
-
-with open('scaler.pkl', 'rb') as scaler_file:
-    scaler = pickle.load(scaler_file)
-
-# Halaman utama
-@app.route('/')
-def home():
-    return render_template('index.html')
-
-# Endpoint untuk prediksi berdasarkan input pengguna
-@app.route('/predict', methods=['POST'])
-def predict():
-    try:
-        # Mendapatkan data dari form input
-        input_data = request.get_json()
-
-        # Ambil nilai input (pastikan semuanya adalah angka)
-        sell_1 = float(input_data['features'][2])
-        sell_2 = float(input_data['features'][1])
-        sell_3 = float(input_data['features'][0])
-
-        # Normalisasi data menggunakan scaler
-        last_row = np.array([
-            scaler.transform([[sell_1]]).flatten()[0],
-            scaler.transform([[sell_2]]).flatten()[0],
-            scaler.transform([[sell_3]]).flatten()[0]
-        ]).reshape(1, -1)
-
-        # Buat DataFrame dari nilai yang telah dinormalisasi
-        last_row_df = pd.DataFrame(last_row, columns=['sell-1', 'sell-2', 'sell-3'])
-
-        # Prediksi harga berdasarkan model
-        predicted_value_normalized = model.predict(last_row_df)
-        predicted_value = scaler.inverse_transform(predicted_value_normalized.reshape(-1, 1))
-
-        # Ambil harga emas terakhir untuk perhitungan persentase
-        last_price_inversed = sell_1  # Menggunakan harga hari ketiga (sell_3) sebagai harga terakhir
-
-        # Hitung perubahan persentase
-        percentage_change = ((predicted_value[0][0] - last_price_inversed) / last_price_inversed) * 100
-
-        # Tentukan tanda perubahan (positif atau negatif)
-        change_sign = '+' if percentage_change > 0 else ''
-
-        # Kembalikan hasil prediksi dalam bentuk JSON
-        return jsonify({
-            'last_price': last_price_inversed,
-            'predicted_value': predicted_value[0][0],
-            'percentage_change': f"{change_sign}{percentage_change:.2f}%",
-            'raw_data': input_data
-        })
-
-
-    except Exception as e:
-        return jsonify({'error': str(e)}), 400
-
-# Endpoint untuk prediksi otomatis berdasarkan data API
-@app.route('/auto-predict', methods=['POST'])
-def auto_predict():
-    try:
-        # Mendapatkan data yang dikirimkan dari frontend
-        input_data = request.get_json()
-        print(input_data)
-        # Ambil nilai input (pastikan semuanya adalah angka)
-        price_day_1 = float(input_data['features'][0])
-        price_day_2 = float(input_data['features'][1])
-        price_day_3 = float(input_data['features'][2])
-        last_row = np.array([
-            scaler.transform([[price_day_1]]).flatten()[0],
-            scaler.transform([[price_day_2]]).flatten()[0],
-            scaler.transform([[price_day_3]]).flatten()[0]
-        ]).reshape(1, -1)
-        last_row_df = pd.DataFrame(last_row, columns=['sell-1', 'sell-2', 'sell-3'])
-        # Prediksi harga
-        predicted_value_normalized = model.predict(last_row_df)
-        predicted_value = scaler.inverse_transform(predicted_value_normalized.reshape(-1, 1))
-
-        # Ambil harga emas terakhir untuk perhitungan persentase
-        last_price_inversed = price_day_3
-
-        # Hitung perubahan persentase
-        percentage_change = ((predicted_value[0][0] - last_price_inversed) / last_price_inversed) * 100
-
-        # Tentukan tanda perubahan (positif atau negatif)
-        if percentage_change > 0:
-            change_sign = '+'
-        else:
-            change_sign = ''
-
-        return jsonify({
-            'last_price': last_price_inversed,
-            'predicted_value': predicted_value[0][0],
-            'percentage_change': f"{change_sign}{percentage_change:.2f}%",
-            'raw_data': input_data
-        })
-
-    except Exception as e:
-        return jsonify({'error': str(e)}), 400
-
-if __name__ == '__main__':
-    app.run(debug=True)
+from flask import Flask, render_template, request, jsonify
+import pickle
+import numpy as np
+import requests
+import pandas as pd
+
+app = Flask(__name__)
+
+# Load model dan scaler yang sudah disimpan
+with open('model.pkl', 'rb') as model_file:
+    model = pickle.load(model_file)
+
+with open('scaler.pkl', 'rb') as scaler_file:
+    scaler = pickle.load(scaler_file)
+
+# Halaman utama
+@app.api_route('/')
+def home():
+    return render_template('index.html')
+
+# Endpoint untuk prediksi berdasarkan input pengguna
+@app.api_route('/predict', methods=['POST'])
+def predict():
+    try:
+        # Mendapatkan data dari form input
+        input_data = request.get_json()
+
+        # Ambil nilai input (pastikan semuanya adalah angka)
+        sell_1 = float(input_data['features'][2])
+        sell_2 = float(input_data['features'][1])
+        sell_3 = float(input_data['features'][0])
+
+        # Normalisasi data menggunakan scaler
+        last_row = np.array([
+            scaler.transform([[sell_1]]).flatten()[0],
+            scaler.transform([[sell_2]]).flatten()[0],
+            scaler.transform([[sell_3]]).flatten()[0]
+        ]).reshape(1, -1)
+
+        # Buat DataFrame dari nilai yang telah dinormalisasi
+        last_row_df = pd.DataFrame(last_row, columns=['sell-1', 'sell-2', 'sell-3'])
+
+        # Prediksi harga berdasarkan model
+        predicted_value_normalized = model.predict(last_row_df)
+        predicted_value = scaler.inverse_transform(predicted_value_normalized.reshape(-1, 1))
+
+        # Ambil harga emas terakhir untuk perhitungan persentase
+        last_price_inversed = sell_1  # Menggunakan harga hari ketiga (sell_3) sebagai harga terakhir
+
+        # Hitung perubahan persentase
+        percentage_change = ((predicted_value[0][0] - last_price_inversed) / last_price_inversed) * 100
+
+        # Tentukan tanda perubahan (positif atau negatif)
+        change_sign = '+' if percentage_change > 0 else ''
+
+        # Kembalikan hasil prediksi dalam bentuk JSON
+        return jsonify({
+            'last_price': last_price_inversed,
+            'predicted_value': predicted_value[0][0],
+            'percentage_change': f"{change_sign}{percentage_change:.2f}%",
+            'raw_data': input_data
+        })
+
+
+    except Exception as e:
+        return jsonify({'error': str(e)}), 400
+
+# Endpoint untuk prediksi otomatis berdasarkan data API
+@app.api_route('/auto-predict', methods=['POST'])
+def auto_predict():
+    try:
+        # Mendapatkan data yang dikirimkan dari frontend
+        input_data = request.get_json()
+        print(input_data)
+        # Ambil nilai input (pastikan semuanya adalah angka)
+        price_day_1 = float(input_data['features'][0])
+        price_day_2 = float(input_data['features'][1])
+        price_day_3 = float(input_data['features'][2])
+        last_row = np.array([
+            scaler.transform([[price_day_1]]).flatten()[0],
+            scaler.transform([[price_day_2]]).flatten()[0],
+            scaler.transform([[price_day_3]]).flatten()[0]
+        ]).reshape(1, -1)
+        last_row_df = pd.DataFrame(last_row, columns=['sell-1', 'sell-2', 'sell-3'])
+        # Prediksi harga
+        predicted_value_normalized = model.predict(last_row_df)
+        predicted_value = scaler.inverse_transform(predicted_value_normalized.reshape(-1, 1))
+
+        # Ambil harga emas terakhir untuk perhitungan persentase
+        last_price_inversed = price_day_3
+
+        # Hitung perubahan persentase
+        percentage_change = ((predicted_value[0][0] - last_price_inversed) / last_price_inversed) * 100
+
+        # Tentukan tanda perubahan (positif atau negatif)
+        if percentage_change > 0:
+            change_sign = '+'
+        else:
+            change_sign = ''
+
+        return jsonify({
+            'last_price': last_price_inversed,
+            'predicted_value': predicted_value[0][0],
+            'percentage_change': f"{change_sign}{percentage_change:.2f}%",
+            'raw_data': input_data
+        })
+
+    except Exception as e:
+        return jsonify({'error': str(e)}), 400
+
+if __name__ == '__main__':
+    app.run(debug=True)