Update app.py

app.py

@@ -1,67 +1,36 @@
-from flask import Flask, request, jsonify
-import joblib
-import numpy as np
+import gradio as gr
+from sklearn.datasets import load_iris
+from sklearn.tree import DecisionTreeClassifier
 import pandas as pd
 
-# Inisialisasi aplikasi Flask
-app = Flask(__name__)
-
-# Muat model yang telah dilatih
-model_filename = 'decision_tree_model.h5'
-model = joblib.load(model_filename)
-
-# Definisikan nama target dari dataset Iris
-# (sesuai dengan urutan dari dataset Scikit-learn)
-iris_target_names = ['setosa', 'versicolor', 'virginica']
-# Definisikan nama fitur untuk validasi
-feature_names = [
-    'sepal length (cm)', 
-    'sepal width (cm)', 
-    'petal length (cm)', 
-    'petal width (cm)'
-]
-
-@app.route('/')
-def home():
-    return "<h1>API Klasifikasi Bunga Iris</h1><p>Gunakan endpoint /predict untuk membuat prediksi.</p>"
-
-@app.route('/predict', methods=['POST'])
-def predict():
-    """
-    Membuat prediksi spesies bunga Iris.
-    Input harus berupa JSON dengan format:
-    {
-        "features": [5.1, 3.5, 1.4, 0.2] 
-    }
-    Urutan fitur: sepal length, sepal width, petal length, petal width (dalam cm)
-    """
-    try:
-        # Ambil data JSON dari request
-        data = request.get_json()
-        
-        # Validasi input
-        if 'features' not in data or not isinstance(data['features'], list) or len(data['features']) != 4:
-            return jsonify({'error': 'Input tidak valid. Harap sediakan JSON dengan key "features" berisi list 4 angka.'}), 400
-
-        features = np.array(data['features']).reshape(1, -1)
-        
-        # Buat DataFrame untuk memastikan nama fitur sesuai saat prediksi
-        # Ini adalah praktik yang baik untuk menghindari error jika urutan fitur berubah
-        features_df = pd.DataFrame(features, columns=feature_names)
-
-        # Lakukan prediksi
-        prediction_idx = model.predict(features_df)[0]
-        predicted_class_name = iris_target_names[prediction_idx]
-
-        # Kembalikan hasil prediksi dalam format JSON
-        return jsonify({
-            'predicted_class': predicted_class_name,
-            'class_index': int(prediction_idx)
-        })
-
-    except Exception as e:
-        return jsonify({'error': str(e)}), 500
-
-if __name__ == '__main__':
-    # Jalankan aplikasi Flask (hanya untuk development lokal)
-    app.run(debug=True, host='0.0.0.0', port=5000)
+# Load iris dataset
+iris = load_iris()
+X = pd.DataFrame(iris.data, columns=iris.feature_names)
+y = iris.target
+
+# Train model
+model = DecisionTreeClassifier()
+model.fit(X, y)
+
+# Define prediction function
+def predict_iris(sepal_length, sepal_width, petal_length, petal_width):
+    input_data = [[sepal_length, sepal_width, petal_length, petal_width]]
+    pred = model.predict(input_data)[0]
+    return iris.target_names[pred]
+
+# Create Gradio interface
+iface = gr.Interface(
+    fn=predict_iris,
+    inputs=[
+        gr.Number(label="Sepal Length (cm)"),
+        gr.Number(label="Sepal Width (cm)"),
+        gr.Number(label="Petal Length (cm)"),
+        gr.Number(label="Petal Width (cm)")
+    ],
+    outputs=gr.Text(label="Predicted Iris Species"),
+    title="Iris Flower Classification",
+    description="Klasifikasi bunga iris menggunakan Decision Tree."
+)
+
+if __name__ == "__main__":
+    iface.launch()