Update app.py

app.py

@@ -3,6 +3,7 @@ from asgiref.wsgi import WsgiToAsgi
 from flask import Flask, render_template, request, jsonify
 import pickle
 import numpy as np
+import requests
 import pandas as pd
 from fastapi.middleware.wsgi import WSGIMiddleware
 
@@ -15,116 +16,85 @@ with open('model.pkl', 'rb') as model_file:
 with open('scaler.pkl', 'rb') as scaler_file:
     scaler = pickle.load(scaler_file)
 
-# List untuk menyimpan 7 prediksi terakhir
-predictions_history = []
+# Data contoh untuk windowed_data dan normalized_df, bisa diganti sesuai data nyata
+windowed_data = pd.DataFrame()  # Pastikan windowed_data ada
+normalized_df = pd.DataFrame()  # Pastikan normalized_df ada
+
+# Fungsi prediksi untuk 7 hari ke depan
+def predict_7_days(windowed_data, normalized_df, linear_model, scaler):
+    predictions = []
+    last_row = windowed_data.drop(columns=['sell', 'buy']).iloc[-1].values.reshape(1, -1)
+
+    # Iterasi untuk 7 hari ke depan
+    for _ in range(7):
+        # Prediksi nilai untuk hari berikutnya
+        predicted_value_normalized = linear_model.predict(last_row)
+        predicted_value = scaler.inverse_transform(predicted_value_normalized.reshape(-1, 2))
+        
+        # Simpan prediksi
+        predictions.append(predicted_value[0])
+        
+        # Update input untuk iterasi berikutnya
+        new_row_normalized = np.hstack([last_row[0, 2:], predicted_value_normalized[0]])
+        last_row = new_row_normalized.reshape(1, -1)
+
+    # Transformasikan prediksi menjadi DataFrame untuk visualisasi
+    predictions_df = pd.DataFrame(
+        predictions, 
+        columns=['sell', 'buy'], 
+        index=pd.date_range(start=normalized_df.index[-1] + pd.Timedelta(days=1), periods=7)
+    )
+
+    # Harga terakhir
+    last_price = scaler.inverse_transform(normalized_df[['sell', 'buy']].iloc[-1].values.reshape(-1, 2))
+
+    # Hitung persentase perubahan harian
+    predictions_df['sell_change'] = predictions_df['sell'].pct_change().fillna(0) * 100
+    predictions_df['buy_change'] = predictions_df['buy'].pct_change().fillna(0) * 100
+
+    # Hitung perubahan total dari hari ini ke hari ketujuh
+    total_sell_change = ((predictions_df['sell'].iloc[-1] - last_price[0][0]) / last_price[0][0]) * 100
+    total_buy_change = ((predictions_df['buy'].iloc[-1] - last_price[0][1]) / last_price[0][1]) * 100
+
+    return predictions_df, total_sell_change, total_buy_change, last_price
+
 
 # Halaman utama
 @flask_app.route('/')
 def home():
     return render_template('index.html')
 
-# Endpoint untuk prediksi berdasarkan input pengguna
-@flask_app.route('/predict', methods=['POST'])
+@flask_app.route('/predict', methods=['GET'])
 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 ''
-
-        # Simpan hasil prediksi dalam history (menyimpan 7 prediksi terakhir)
-        predictions_history.append(predicted_value[0][0])
-        if len(predictions_history) > 7:
-            predictions_history.pop(0)
-
-        # 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,
-            'predictions_history': predictions_history  # Tampilkan 7 prediksi terakhir
-        })
-
-    except Exception as e:
-        return jsonify({'error': str(e)}), 400
-
-# Endpoint untuk prediksi otomatis selama 7 hari
-@flask_app.route('/auto-predict', methods=['POST'])
-def predict_seven_days():
-    try:
-        # Mendapatkan data yang dikirimkan dari frontend
-        input_data = request.get_json()
-
-        # 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])
-
-        # Normalisasi data
-        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 selama 7 hari
-        predictions = []
-        current_price = [price_day_1, price_day_2, price_day_3]
-        
-        for day in range(7):
-            # Prediksi harga untuk hari ini
-            predicted_value_normalized = model.predict(last_row_df)
-            predicted_value = scaler.inverse_transform(predicted_value_normalized.reshape(-1, 1))
-
-            # Menyimpan prediksi untuk hari ini
-            predictions.append(predicted_value[0][0])
-
-            # Update data input untuk prediksi hari berikutnya
-            current_price = [current_price[1], current_price[2], predicted_value[0][0]]
-            last_row = np.array([
-                scaler.transform([[current_price[0]]]).flatten()[0],
-                scaler.transform([[current_price[1]]]).flatten()[0],
-                scaler.transform([[current_price[2]]]).flatten()[0]
-            ]).reshape(1, -1)
-            last_row_df = pd.DataFrame(last_row, columns=['sell-1', 'sell-2', 'sell-3'])
-
-        # Kembalikan hasil prediksi selama 7 hari
-        return jsonify({
-            'predictions': predictions,
-            'raw_data': input_data
+    # Prediksi harga untuk 7 hari ke depan
+    predictions_df, total_sell_change, total_buy_change, last_price = predict_7_days(windowed_data, normalized_df, linear_model, scaler)
+
+    # Membuat hasil prediksi untuk respons JSON
+    predictions_result = []
+    for date, (sell, buy, sell_change, buy_change) in predictions_df.iterrows():
+        predictions_result.append({
+            'date': date.strftime('%Y-%m-%d'),
+            'sell': round(sell, 2),
+            'buy': round(buy, 2),
+            'sell_change': round(sell_change, 2),
+            'buy_change': round(buy_change, 2)
         })
 
-    except Exception as e:
-        return jsonify({'error': str(e)}), 400
-
-faapp = FastAPI()
+    # Menambahkan perubahan total
+    result = {
+        'last_price': {
+            'sell': round(last_price[0][0], 2),
+            'buy': round(last_price[0][1], 2)
+        },
+        'predictions': predictions_result,
+        'total_changes': {
+            'sell_change': round(total_sell_change, 2),
+            'buy_change': round(total_buy_change, 2)
+        }
+    }
+
+    return jsonify(result)
+
+# Menjalankan aplikasi Flask
+app = FastAPI()
 app.mount("/", WSGIMiddleware(flask_app))