main.py

from fastapi import FastAPI
from pydantic import BaseModel
from typing import Dict, Optional, List
import numpy as np # Untuk operasi np.argmax
import os # Untuk os.environ (Bearer Token)

# Pustaka ML
from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

# Import dari file lokal
from api_client import get_tweets_by_username 
from preprocessing import preprocess_text

app = FastAPI()

# --- KONFIGURASI PATH ---
MODEL_DIR = "./model_assets" 
WEIGHTS_FILE = "./model_assets/best_indobertweet.pth" 
DEVICE = torch.device("cuda" if torch.cuda.is_available() else "cpu")

# --- PEMUATAN MODEL ---
# Logika 3 Tahap: 1. Muat Tokenizer, 2. Muat Struktur Model, 3. Muat Bobot .pth
try:
    print("Mencoba memuat model...")
    # 1. Muat Tokenizer & Struktur
    tokenizer = AutoTokenizer.from_pretrained(MODEL_DIR)
    model = AutoModelForSequenceClassification.from_pretrained(MODEL_DIR, num_labels=2)
    
    # 2. Muat Bobot .pth
    # Setting map_location ke 'cpu' memastikan bisa dimuat bahkan jika server tidak punya GPU
    state_dict = torch.load(WEIGHTS_FILE, map_location=DEVICE) 
    model.load_state_dict(state_dict)
    
    # 3. Finalisasi
    model.to(DEVICE)
    model.eval()
    print(f"Model berhasil dimuat ke device: {DEVICE}")

except Exception as e:
    print(f"FATAL ERROR: Gagal memuat model. Pastikan file di {MODEL_DIR} sudah benar.")
    print(e)
    # Anda bisa memilih untuk raise error di sini untuk menghentikan server jika model gagal dimuat.

# --- DEFINISI PYDANTIC MODELS ---

# 1. Skema Permintaan (DATA YANG DITERIMA DARI Express.js)
class StressRequest(BaseModel):
    x_username: str
    tweet_count: int = 100 

# 2. Skema Data Hasil (DATA YANG DISIMPAN KE DB & DIKIRIM KE Frontend)
class ResultData(BaseModel):
    x_username: str
    total_tweets: int
    stress_level: int       # Skor 0-100 (Probabilitas positif dikalikan 100)
    keywords: Dict[str, float] # Contoh Placeholder: Tren Kata
    stress_status: int      # 0: Aman, 1: Rendah, 2: Sedang, 3: Tinggi

# 3. Skema Respons API Akhir
class APIResponse(BaseModel):
    message: str
    data: Optional[ResultData]

# --- UTILITY FUNCTIONS ---

def calculate_stress_status(stress_level: float) -> int:
    """Mengkonversi skor probabilitas (0-100) menjadi status diskrit."""
    if stress_level >= 75:
        return 3  # Tinggi
    elif stress_level >= 50:
        return 2  # Sedang
    elif stress_level >= 25:
        return 1  # Rendah
    else:
        return 0  # Aman

# --- ENDPOINT UTAMA ---

@app.post("/api/predict_stress", response_model=APIResponse)
def predict_stress(request: StressRequest):
    username = request.x_username
    tweet_count = request.tweet_count
    
    # Cek Bearer Token sebelum memanggil API Twitter
    if not os.environ.get("TWITTER_BEARER_TOKEN"):
        return APIResponse(
            message="Error: TWITTER_BEARER_TOKEN tidak diatur sebagai environment variable.",
            data=None
        )

    # 1. Ambil Tweet
    raw_tweets = get_tweets_by_username(username, tweet_count)

    if not raw_tweets:
        return APIResponse(
            message=f"Gagal mengambil tweet dari @{username}. Akun mungkin private atau tidak ditemukan.",
            data=None
        )

    # 2. Pre-processing dan Inferensi
    cleaned_texts = [preprocess_text(t) for t in raw_tweets]
    
    # Inisialisasi list untuk menyimpan probabilitas stress (kelas 1)
    stress_probabilities = []
    
    with torch.no_grad():
        for text in cleaned_texts:
            # Tokenisasi
            enc = tokenizer(
                text,
                truncation=True,
                padding="max_length",
                max_length=128, # Konsisten dengan training
                return_tensors="pt"
            )
            
            # Pindahkan ke device dan inferensi
            input_ids = enc["input_ids"].to(DEVICE)
            attention_mask = enc["attention_mask"].to(DEVICE)
            
            outputs = model(input_ids=input_ids, attention_mask=attention_mask)
            logits = outputs.logits
            
            # Ambil probabilitas untuk kelas 1 (Stress)
            probs = torch.softmax(logits, dim=1).cpu().numpy()[0]
            stress_probabilities.append(probs[1]) 

    # 3. Agregasi Hasil
    if not stress_probabilities:
        # Jika ada tweets tapi semuanya kosong setelah pre-processing
        avg_stress_score = 0
    else:
        # Hitung rata-rata probabilitas stres dari semua tweet (skor 0.0 - 1.0)
        avg_stress_score = np.mean(stress_probabilities) 

    # Konversi ke skala 0-100
    stress_level_100 = int(round(avg_stress_score * 100))
    status = calculate_stress_status(stress_level_100)
    
    # 4. Susun Respons
    result_data = ResultData(
        x_username=username,
        total_tweets=len(raw_tweets),
        stress_level=stress_level_100,
        keywords={"placeholder": 0.0}, # Implementasi penambangan keyword akan dilakukan belakangan
        stress_status=status
    )
    
    return APIResponse(
        message=f"Analisis stres untuk @{username} berhasil. Ditemukan {result_data.total_tweets} tweets.",
        data=result_data
    )