Update app.py

app.py

@@ -1,24 +1,7 @@
 import gradio as gr
-import google.generativeai as genai
 import fitz  # PyMuPDF
 import json
-import os
 import urllib.parse
-import base64 # Diperlukan untuk client-side API call
-
-# --- KONFIGURASI API KEY (TETAP SAMA) ---
-API_CONFIGURED = False
-try:
-    api_key = os.environ.get('GEMINI_API_KEY') 
-    if api_key:
-        genai.configure(api_key=api_key)
-        model = genai.GenerativeModel('gemini-2.5-flash')
-        API_CONFIGURED = True
-        print("✅ Konfigurasi API dan model berhasil.")
-    else:
-        print("🛑 Secret 'GEMINI_API_KEY' tidak ditemukan.")
-except Exception as e:
-    print(f"🛑 Terjadi error saat inisialisasi: {e}")
 
 # --- KONSTANTA BATAS TOKEN OUTPUT ---
 MAX_OUTPUT_TOKENS = 8192
@@ -47,87 +30,70 @@ def generate_search_links(keywords):
     }
     return links
 
-def parse_json_safe(text: str) -> dict:
-    clean = text.strip()
-    if clean.startswith("```"):
-        parts = clean.split("```")
-        for part in parts:
-            candidate = part.lstrip("json").strip()
-            if candidate.startswith("{"):
-                clean = candidate
-                break
-    start = clean.find("{")
-    end   = clean.rfind("}")
-    if start != -1 and end != -1 and end > start:
-        clean = clean[start:end + 1]
-    return json.loads(clean)
-
-def log_token_usage(usage_metadata):
-    """Log penggunaan token dari usage_metadata ke console."""
-    if usage_metadata is None:
-        print("⚠️  Token usage: data tidak tersedia.")
-        return
-    prompt_tokens    = getattr(usage_metadata, 'prompt_token_count',     'N/A')
-    candidate_tokens = getattr(usage_metadata, 'candidates_token_count', 'N/A')
-    total_tokens     = getattr(usage_metadata, 'total_token_count',      'N/A')
-    print("=" * 40)
-    print("📊 TOKEN USAGE")
-    print(f"   🔼 Input  (prompt)  : {prompt_tokens}")
-    print(f"   🔽 Output (response): {candidate_tokens}  [limit: {MAX_OUTPUT_TOKENS}]")
-    print(f"   ➕ Total            : {total_tokens}")
-    print("=" * 40)
+def get_dummy_analysis(nama_kandidat="Kandidat"):
+    """Mengembalikan data analisis karir dummy untuk keperluan testing."""
+    return {
+        "jabatan_ideal": "Software Engineer (Backend)",
+        "alasan_kecocokan": [
+            f"{nama_kandidat} memiliki pengalaman solid dalam pengembangan backend menggunakan Python dan Node.js.",
+            "Portofolio menunjukkan kemampuan merancang arsitektur RESTful API yang scalable.",
+            "Latar belakang pendidikan di bidang Ilmu Komputer mendukung pemahaman algoritma yang kuat.",
+            "Pengalaman berkolaborasi dalam tim Agile menjadikan kandidat siap di lingkungan kerja modern."
+        ],
+        "deskripsi_pekerjaan": [
+            "Merancang, membangun, dan memelihara layanan backend yang efisien dan andal.",
+            "Berkolaborasi dengan tim frontend untuk mendefinisikan dan mengimplementasikan antarmuka API.",
+            "Melakukan code review dan memastikan standar kualitas kode terpenuhi.",
+            "Mengoptimalkan performa aplikasi dan query database untuk skala besar.",
+            "Mendokumentasikan arsitektur sistem dan proses teknis secara berkala."
+        ],
+        "potensi_karir": [
+            "Senior Backend Engineer dalam 2-3 tahun dengan spesialisasi di sistem terdistribusi.",
+            "Tech Lead atau Engineering Manager setelah membangun pengalaman kepemimpinan tim.",
+            "Solution Architect untuk kandidat yang tertarik pada desain sistem skala enterprise.",
+            "Wirausaha teknologi atau CTO di startup bidang teknologi."
+        ],
+        "kisaran_gaji": {
+            "junior": "Rp 6.000.000 - Rp 10.000.000 / bulan",
+            "mid_level": "Rp 12.000.000 - Rp 20.000.000 / bulan",
+            "senior": "Rp 22.000.000 - Rp 40.000.000 / bulan"
+        },
+        "kelebihan_tambahan": [
+            "Kandidat memiliki kontribusi aktif di GitHub yang memperkuat kredibilitas teknis secara publik.",
+            "Kemampuan komunikasi dalam bahasa Inggris membuka peluang karir di perusahaan multinasional atau remote global."
+        ]
+    }
 
 def analyze_career_path(cv_file):
-    """Fungsi utama pipeline: Analisis CV -> Buat Laporan JSON -> Buat Link -> Gabungkan."""
-    if not API_CONFIGURED:
-        raise gr.Error("API Key Gemini belum terkonfigurasi. Periksa Logs aplikasi.")
+    """Fungsi utama pipeline (DUMMY): Ekstrak PDF -> Return JSON dummy -> Tambah Link."""
     if cv_file is None:
         raise gr.Error("Mohon upload file CV (PDF) Anda.")
 
     try:
-        print("--- Memulai Proses Analisis Karir ---")
-        
+        print("--- [DUMMY MODE] Memulai Proses Analisis Karir ---")
+
+        # Tetap ekstrak teks PDF agar input pipeline tetap berjalan normal
         teks_cv = ekstrak_teks_dari_pdf(cv_file.name)
         if not teks_cv:
             raise gr.Error("PDF kosong atau tidak dapat dibaca.")
-        print("✅ Teks berhasil diekstrak.")
-
-        print("2. Mengirim permintaan analisis karir ke Gemini...")
-        prompt_analisis_karir = f"""
-        Anda adalah seorang "Career Analyst AI". Baca teks CV dan buat laporan peluang karir dalam format JSON.
-        Teks CV: --- {teks_cv} ---
-        Struktur JSON yang diinginkan:
-        - "jabatan_ideal": Jabatan paling ideal untuk kandidat.
-        - "alasan_kecocokan": Array (list) berisi 3-4 poin MENGAPA kandidat cocok.
-        - "deskripsi_pekerjaan": Array (list) berisi 5 poin deskripsi pekerjaan umum.
-        - "potensi_karir": Array (list) berisi 3-4 jalur pengembangan karir.
-        - "kisaran_gaji": Objek JSON berisi estimasi gaji untuk level "junior", "mid_level", dan "senior".
-        - "kelebihan_tambahan": Array (list) berisi 1-2 poin saran atau kelebihan unik kandidat.
-        Pastikan output hanya berupa JSON saja.
-        """
-        
-        # ✅ Tambahan: max_output_tokens untuk membatasi token output
-        generation_config = genai.types.GenerationConfig(
-            response_mime_type="application/json",
-            max_output_tokens=MAX_OUTPUT_TOKENS,
-        )
-        response = model.generate_content(prompt_analisis_karir, generation_config=generation_config)
-
-        # ✅ Tambahan: log penggunaan token ke console
-        log_token_usage(getattr(response, 'usage_metadata', None))
-        
-        print(f"📝 Raw response preview: {response.text[:120]!r}")
-        response_json = parse_json_safe(response.text)
-        print("✅ Laporan karir komprehensif berhasil diterima.")
+        print(f"✅ Teks berhasil diekstrak ({len(teks_cv)} karakter). [Tidak dikirim ke API]")
+
+        # Coba ambil nama dari baris pertama teks CV sebagai sentuhan personal
+        nama_kandidat = teks_cv.strip().splitlines()[0].strip() if teks_cv.strip() else "Kandidat"
+        print(f"👤 Nama kandidat terdeteksi: {nama_kandidat}")
+
+        print("2. [DUMMY] Melewati pemanggilan Gemini API, menggunakan data dummy...")
+        response_json = get_dummy_analysis(nama_kandidat)
+        print("✅ Data dummy berhasil disiapkan.")
 
         print("3. Membuat tautan pencarian dari hasil analisis...")
         keywords_from_analysis = response_json.get("jabatan_ideal", "")
         search_links = generate_search_links(keywords_from_analysis)
-        
+
         response_json["tautan_pencarian"] = search_links
         print("✅ Tautan pencarian ditambahkan ke JSON.")
 
-        print("--- Proses Selesai ---")
+        print("--- [DUMMY MODE] Proses Selesai ---")
         return response_json
 
     except Exception as e:
@@ -137,16 +103,19 @@ def analyze_career_path(cv_file):
 # --- MEMBUAT INTERFACE GRADIO ---
 with gr.Blocks(theme=gr.themes.Soft()) as demo:
     gr.Markdown("# 🚀 API Analis Peluang Karir Personal")
-    gr.Markdown("Antarmuka ini dapat digunakan untuk pengujian. Endpoint API publik tersedia di `/run/predict` untuk integrasi ke website Anda.")
-    
+    gr.Markdown(
+        "> ⚠️ **MODE TESTING (DUMMY)** — Output menggunakan data statis, bukan hasil dari Gemini API.\n\n"
+        "Antarmuka ini dapat digunakan untuk pengujian. Endpoint API publik tersedia di `/run/predict` untuk integrasi ke website Anda."
+    )
+
     with gr.Row():
         with gr.Column(scale=1):
             cv_pdf = gr.File(label="Upload CV (PDF) untuk Uji Coba", file_types=[".pdf"])
             analyze_button = gr.Button("🔍 Analisis Karir Saya", variant="primary")
-        
+
         with gr.Column(scale=2):
             output_analysis = gr.JSON(label="Output JSON dari API")
-            
+
     analyze_button.click(
         fn=analyze_career_path,
         inputs=[cv_pdf],