Update app.py

app.py

@@ -1,32 +1,55 @@
+
 import gradio as gr
 from transformers import pipeline
 from PIL import Image
 
-# Load your model and get all class results
+# Memuat model tetap sama
 model = pipeline("image-classification", model="wellCh4n/tomato-leaf-disease-classification-vit", top_k=10)
 
+# Fungsi klasifikasi tetap sama
 def classify(image):
+    if image is None:
+        # Menambahkan pengecekan untuk gambar kosong untuk stabilitas
+        return None
     if not isinstance(image, Image.Image):
         image = Image.fromarray(image)
-        
-    # The model returns a list of dictionaries, e.g., [{'label': '...', 'score': ...}]
+    
     predictions = model(image)
     
-    # Convert the list of dicts into a single dict that gr.Label expects:
-    # {'label_string': score_float, ...}
+    # Mengubah format output agar sesuai dengan yang diharapkan oleh gr.Label
     confidences = {p['label']: p['score'] for p in predictions}
     
     return confidences
 
-# Define the interface
-app = gr.Interface(
-    fn=classify,
-    inputs=gr.Image(type="pil"),
-    outputs=gr.Label(), 
-    api_name="predict",  # <-- INI ADALAH PERBAIKAN PENTING
-    title="Tomato Leaf Disease Analyzer",
-    description="Upload a tomato leaf image to detect the disease."
-)
+# --- PERUBAHAN UTAMA: Membangun UI dengan gr.Blocks ---
+with gr.Blocks(theme=gr.themes.Soft()) as app:
+    gr.Markdown(
+        """
+        # Analisis Penyakit Tanaman 🍅
+        Unggah gambar daun tanaman untuk mengidentifikasi potensi penyakit.
+        """
+    )
+
+    with gr.Row():
+        with gr.Column():
+            # 1. Definisikan komponen input gambar secara manual
+            image_input = gr.Image(type="pil", label="Unggah Gambar Daun")
+            
+            # 2. Definisikan tombol untuk memulai analisis
+            submit_button = gr.Button("Analisis Gambar", variant="primary")
+            
+        with gr.Column():
+            # 3. Definisikan komponen output label secara manual
+            label_output = gr.Label(label="Hasil Analisis")
+
+    # 4. Hubungkan aksi tombol 'click' dengan fungsi 'classify'
+    # Di sinilah kita mendefinisikan API secara eksplisit dan solid
+    submit_button.click(
+        fn=classify,
+        inputs=image_input,
+        outputs=label_output,
+        api_name="predict"  # Nama API sekarang terikat pada aksi, bukan interface
+    )
 
-# Launch the app
+# Meluncurkan aplikasi tetap sama
 app.launch(show_api=True)