update chromaDB

app.py

@@ -5,7 +5,10 @@ import cv2
 import torch
 import tempfile
 import os
-from chains.rag import generate_narrative
+from src.chains.rag import generate_narrative
+
+import logging
+os.environ["TRANSFORMERS_VERBOSITY"] = "error"
 
 
 st.set_page_config(page_title="ourchamplie", layout="centered")
@@ -14,7 +17,7 @@ st.title("🌿Aplikasi Pendeteksi Penyakit Daun Cabai")
 
 @st.cache_resource
 def load_model():
-    model = YOLO("model/best.pt") 
+    model = YOLO("model/bestv11.pt") 
     return model
 
 model = load_model()
@@ -22,7 +25,7 @@ uploaded_file = st.file_uploader("Unggah gambar daun cabai anda", type=["jpg", "
 
 if uploaded_file is not None:
     image = Image.open(uploaded_file)
-    st.image(image, caption="Gambar yang Diupload", use_container_width=True)
+    # st.image(image, caption="Gambar yang Diupload", use_container_width=True)
 
     with tempfile.NamedTemporaryFile(delete=False, suffix=".jpg") as temp_file:
         image.save(temp_file.name)
@@ -48,14 +51,14 @@ if uploaded_file is not None:
             detected_labels[label] = confidence
 
     for label, confidence in detected_labels.items():
-        st.markdown(f"### 🌱 {label.capitalize()} (skor: {confidence:.2f})")
+        st.markdown(f"Hasil:{label.capitalize()} (skor: {confidence:.2f})")
     
 
   
-        with st.spinner("📖 Menyusun penjelasan..."):
+        with st.spinner("Menyusun penjelasan..."):
             narrative = generate_narrative(label.capitalize())
 
-        st.subheader("🧠 Penjelasan")
+        st.subheader("Penjelasan")
         st.write(narrative)
 
     os.remove(temp_path)

backend/api.py

@@ -4,7 +4,7 @@ from ultralytics import YOLO
 from PIL import Image
 import io
 import uvicorn
-from chains.rag import generate_narrative
+from src.chains.rag import generate_narrative
 
 app = FastAPI(
     title="ChiliCare API",

chains/rag.py

@@ -1,65 +0,0 @@
-import json
-import os
-from langchain_openai import ChatOpenAI
-from langchain_core.prompts import PromptTemplate
-
-# 1. Inisialisasi LLM
-llm = ChatOpenAI(
-    base_url="https://openrouter.ai/api/v1",
-    api_key=os.getenv("OPENROUTER_API_KEY"),
-    model="nvidia/nemotron-3-nano-30b-a3b:free",
-    temperature=0.6,
-    max_tokens=1200
-)
-
-def retrieve_disease_info(disease_name):
-    with open("data/data.json", "r", encoding="utf-8") as f:
-        data = json.load(f)
-    return data.get(disease_name)
-
-# 2. Setup Prompt Template
-prompt_template = PromptTemplate(
-    input_variables=["disease_name", "penyebab", "gejala", "penanganan", "pencegahan"],
-    template="""
-Anda adalah penyuluh pertanian cabai.
-
-Gunakan HANYA informasi berikut.
-Jangan menambahkan fakta baru.
-
-Nama penyakit: {disease_name}
-
-Penyebab:
-- {penyebab}
-
-Gejala:
-- {gejala}
-
-Penanganan:
-- {penanganan}
-
-Pencegahan:
-- {pencegahan}
-
-Gunakan bahasa sederhana untuk petani cabai.
-Jika penyakit adalah sehat, jelaskan bahwa daun dalam kondisi sehat.
-"""
-)
-
-# 3. Gunakan LCEL (LangChain Expression Language) sebagai pengganti LLMChain
-chain = prompt_template | llm
-
-def generate_narrative(disease_name):
-    info = retrieve_disease_info(disease_name)
-    if not info:
-        return "⚠️ Data penyakit tidak ditemukan."
-
-    # 4. Gunakan .invoke() dan ambil kontennya
-    response = chain.invoke({
-        "disease_name": disease_name,
-        "penyebab": "; ".join(info["penyebab"]),
-        "gejala": "; ".join(info["gejala"]),
-        "penanganan": "; ".join(info["penanganan"]),
-        "pencegahan": "; ".join(info["pencegahan"]),
-    })
-    
-    return response.content

chroma_data/1537bc7a-6565-4b48-abe9-26f5ab013a16/data_level0.bin

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:99acbc5e8493d5faef12f11e46065ecfc51823f6315e867c82b0fb04007dd629
+size 423600

chroma_data/1537bc7a-6565-4b48-abe9-26f5ab013a16/header.bin

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:bf12d4486518c7addf488cb4854526902c78e91951990e1e2f4e055cec814e5d
+size 100

chroma_data/1537bc7a-6565-4b48-abe9-26f5ab013a16/length.bin

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:d2ee7cb82599c809ee1967a459779fe297094941684fd31ae0805324957f654d
+size 400

chroma_data/chroma.sqlite3

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:cc3087f1c4cb1a3a703aede6544460ab959e23ff06ade2caf7e0640565572ead
+size 274432

db_setup.py

@@ -0,0 +1,91 @@
+import json
+import os
+from langchain_core.documents import Document
+from langchain_chroma import Chroma
+from langchain_huggingface import HuggingFaceEmbeddings
+
+JSON_FILE_PATH = "data/data.json"
+CHROMA_DB_DIR = "chroma_data"
+
+def main():
+    if not os.path.exists(JSON_FILE_PATH):
+        print(f"Error: File {JSON_FILE_PATH} not found.")
+        return
+    
+    print("Reading JSON data...")
+    with open(JSON_FILE_PATH, "r", encoding="utf-8") as f:
+        chili_data = json.load(f)
+
+    # 3. Konversi ke Format Document LangChain
+    print("Converting nested JSON data into LangChain Document format")
+    documents = []
+    
+    for label, details in chili_data.items():
+        teks_gabungan = f"Penyakit/Kondisi: {label}\n"
+        
+        # Mengecek apakah list ada isinya, lalu digabung dengan newline
+        if details.get("penyebab"):
+            teks_gabungan += "Penyebab:\n- " + "\n- ".join(details["penyebab"]) + "\n"
+        
+        if details.get("gejala"):
+            teks_gabungan += "Gejala:\n- " + "\n- ".join(details["gejala"]) + "\n"
+            
+        if details.get("penanganan"):
+            teks_gabungan += "Penanganan:\n- " + "\n- ".join(details["penanganan"]) + "\n"
+            
+        if details.get("pencegahan"):
+            teks_gabungan += "Pencegahan:\n- " + "\n- ".join(details["pencegahan"]) + "\n"
+
+        # Membungkus teks rakitan dan metadata (label yolo)
+        doc = Document(
+            page_content=teks_gabungan,
+            metadata={"label": label}
+        )
+        documents.append(doc)
+
+    # 4. Setup Embedding Model
+    print("Memuat Embedding Model (all-MiniLM-L6-v2)...")
+    embeddings = HuggingFaceEmbeddings(model_name="Qwen/Qwen3-Embedding-0.6B")
+
+    # 5. Simpan ke ChromaDB via LangChain
+    print("Menyimpan data ke ChromaDB...")
+    vectorstore = Chroma.from_documents(
+        documents=documents,
+        embedding=embeddings,
+        persist_directory=CHROMA_DB_DIR,
+        collection_name="chilicare_kb"
+    )
+    print(f"Berhasil! Database tersimpan di folder: {CHROMA_DB_DIR}\n")
+
+    # ==========================================
+    # --- TESTING HYBRID RETRIEVAL LANGCHAIN ---
+    # ==========================================
+    print("--- UJI COBA RETRIEVAL (LANGCHAIN) ---")
+    
+    # Tes A: Jalur YOLO (Metadata Filter)
+    test_label = "Bercak" # Menguji label Bercak
+    print(f"\n[JALUR YOLO] Mencari data dengan filter label: '{test_label}'")
+    
+    yolo_results = vectorstore.similarity_search(
+        query="berikan penjelasan lengkap", 
+        k=1,
+        filter={"label": test_label} 
+    )
+    if yolo_results:
+        print("✅ Ditemukan Data RAG (Cuplikan):")
+        # Print 200 karakter pertama agar terminal tidak terlalu penuh
+        print(f"{yolo_results[0].page_content[:200]}...") 
+
+    # Tes B: Jalur Teks/Chat (Semantic Similarity Search)
+    test_query = "daunnya melengkung ke atas seperti mangkuk dan kaku"
+    print(f"\n[JALUR TEKS] User bertanya: '{test_query}'")
+    
+    chat_results = vectorstore.similarity_search(query=test_query, k=1)
+    if chat_results:
+        label_terdeteksi = chat_results[0].metadata['label']
+        print(f"✅ Sistem menduga ini penyakit: '{label_terdeteksi}'")
+        print("📄 Cuplikan Penjelasan:")
+        print(f"{chat_results[0].page_content[:200]}...")
+
+if __name__ == "__main__":
+    main()

src/chains/rag.py

@@ -0,0 +1,83 @@
+import os
+from langchain_openai import ChatOpenAI
+from langchain_core.prompts import PromptTemplate
+from langchain_chroma import Chroma
+from langchain_huggingface import HuggingFaceEmbeddings
+
+# 1. Inisialisasi LLM (Tetap sama)
+llm = ChatOpenAI(
+    base_url="https://openrouter.ai/api/v1",
+    api_key=os.getenv("OPENROUTER_API_KEY"),
+    model="nvidia/nemotron-3-nano-30b-a3b:free",
+    temperature=0.6,
+    max_tokens=1500
+)
+
+# 2. Koneksi ke ChromaDB Lokal
+print("Memuat koneksi ke Database...")
+embeddings = HuggingFaceEmbeddings(model_name="Qwen/Qwen3-Embedding-0.6B")
+vectorstore = Chroma(
+    persist_directory="chroma_data", # Pastikan nama foldernya sama dengan di db_setup.py
+    embedding_function=embeddings,
+    collection_name="chilicare_kb"
+)
+
+# 3. Setup Prompt Template (Lebih Ringkas)
+# Kita hanya butuh 'context' karena isi penyebab/gejala sudah dirakit oleh db_setup.py
+prompt_template = PromptTemplate(
+    input_variables=["disease_name", "context"],
+    template="""
+Anda adalah penyuluh pertanian cabai.
+
+Gunakan HANYA informasi referensi berikut. Jangan menambahkan fakta baru di luar referensi.
+
+--- REFERENSI DATABASE ---
+{context}
+--------------------------
+
+Tugas:
+Jelaskan tentang kondisi/penyakit "{disease_name}" berdasarkan referensi di atas.
+Gunakan bahasa yang sederhana, ramah, dan mudah dipahami oleh petani cabai.
+Jika kondisinya adalah "Sehat", berikan apresiasi dan jelaskan bahwa tanaman dalam kondisi prima(generate jika label gambar output adalah "sehat").
+"""
+)
+
+# 4. Buat Chain LCEL
+chain = prompt_template | llm
+
+# 5. Fungsi Generate Narrative Terintegrasi RAG
+def generate_narrative(disease_name):
+    print(f"Mencari data untuk label: {disease_name}...")
+    
+    # RETRIEVAL: Mengambil data dari ChromaDB menggunakan Metadata Filter (Jalur YOLO)
+    # Ini memastikan data yang ditarik 100% akurat sesuai label
+    results = vectorstore.similarity_search(
+        query="berikan penjelasan lengkap", # Query dummy karena kita mengandalkan filter
+        k=1,
+        filter={"label": disease_name}
+    )
+
+    if not results:
+        return f"⚠️ Data penyakit '{disease_name}' tidak ditemukan di database."
+
+    # Ambil teks referensi utuh dari hasil retrieval
+    retrieved_context = results[0].page_content
+
+    print("Data ditemukan. Menghasilkan narasi dengan LLM...")
+    # GENERATION: Kirim konteks dan nama penyakit ke LLM
+    response = chain.invoke({
+        "disease_name": disease_name,
+        "context": retrieved_context
+    })
+    
+    return response.content
+
+# --- TEST SCRIPT ---
+if __name__ == "__main__":
+    # Pastikan OPENROUTER_API_KEY sudah tersetting di environment variables kamu
+    # Contoh penggunaan dari hasil output YOLO
+    label_yolo = "Keriting" 
+    hasil = generate_narrative(label_yolo)
+    
+    print("\n=== HASIL GENERATE ===")
+    print(hasil)