Upload 4 files

Dockerfile

@@ -0,0 +1,23 @@
+# 1. Tentukan Base Image (Dasar Kontainer)
+# Kami menggunakan Python 3.9 versi ringan (slim) untuk mengurangi ukuran kontainer.
+FROM python:3.9-slim
+
+# 2. Tentukan Direktori Kerja di dalam Kontainer
+# Semua perintah selanjutnya akan dieksekusi dari folder /app
+WORKDIR /app
+
+# 3. Salin File Kebutuhan dan Instal Pustaka
+# Pertama, salin requirements.txt ke kontainer
+COPY requirements.txt .
+# Kemudian, instal semua pustaka yang ada di requirements.txt
+# --no-cache-dir mengurangi ukuran kontainer
+RUN pip install --no-cache-dir -r requirements.txt
+
+# 4. Salin Semua File Proyek Lainnya
+# Salin app.py, predict.py, dan SEMUA file model (.joblib, .h5)
+COPY . .
+
+# 5. Perintah untuk Menjalankan Aplikasi
+# Menjalankan Gunicorn (server produksi yang lebih kuat) pada port 5000
+# Ini akan menjalankan app.py Anda.
+CMD ["gunicorn", "--bind", "0.0.0.0:5000", "app:app"]

app.py

@@ -0,0 +1,50 @@
+# -*- coding: utf-8 -*-
+"""Untitled4.ipynb
+
+Automatically generated by Colab.
+
+Original file is located at
+    https://colab.research.google.com/drive/1EXuvC4UJ8gxvo2IexM6RnsC9uktSij2N
+"""
+
+# app.py
+from flask import Flask, request, jsonify
+from predict import get_credit_score # Import fungsi dari predict.py
+import os
+
+app = Flask(__name__)
+
+@app.route('/')
+def home():
+    # Route sederhana untuk mengecek apakah server hidup
+    return "Credit Score API is running!"
+
+@app.route('/credit_score', methods=['POST'])
+def predict_score():
+    try:
+        # Ambil data JSON dari body request (dari aplikasi mobile)
+        raw_data = request.get_json()
+
+        if not raw_data:
+            return jsonify({"error": "No input data provided."}), 400
+
+        # Panggil fungsi prediksi
+        result = get_credit_score(raw_data)
+
+        # Kembalikan hasil prediksi ke aplikasi mobile
+        return jsonify({
+            "status": "success",
+            "score": result['score'],
+            "keputusan": result['decision']
+        })
+
+    except Exception as e:
+        # Handle error jika ada yang salah (misalnya, data input kurang)
+        print(f"An error occurred: {e}")
+        return jsonify({"error": f"Prediction failed due to an internal error: {str(e)}"}), 500
+
+if __name__ == '__main__':
+    # Pastikan 'predict.py' dan file model/scalers berada di path yang benar
+    # Ganti '0.0.0.0' agar server dapat diakses dari luar (penting untuk deployment)
+    port = int(os.environ.get('PORT', 5000))
+    app.run(host='0.0.0.0', port=port)

predict.py

@@ -0,0 +1,37 @@
+import joblib
+import tensorflow as tf
+from huggingface_hub import hf_hub_download # PENTING
+
+# Tentukan Repositori Model Anda
+REPO_ID = "hexselarchieles/koperasi-ml-models"
+
+def load_models():
+    """Memuat semua model dan scaler dari Hugging Face Hub."""
+    # --- Pemuatan Model Statis (Joblib) ---
+    # Unduh file model dan scaler ke cache lokal
+    lgbm_path = hf_hub_download(repo_id=REPO_ID, filename="lgbm_model.joblib")
+    scaler_static_path = hf_hub_download(repo_id=REPO_ID, filename="scaler_static.joblib")
+
+    lgbm_model = joblib.load(lgbm_path)
+    scaler_static = joblib.load(scaler_static_path)
+
+    # --- Pemuatan Model LSTM (TensorFlow/H5) ---
+    lstm_path = hf_hub_download(repo_id=REPO_ID, filename="lstm_model.h5")
+    scaler_ts_path = hf_hub_download(repo_id=REPO_ID, filename="scaler_ts.joblib")
+
+    # NOTE: Model LSTM biasanya dimuat dari folder, ini mungkin perlu sedikit penyesuaian:
+    # lstm_model = tf.keras.models.load_model(lstm_path) 
+
+    lstm_model = tf.keras.models.load_model(lstm_path)
+    scaler_ts = joblib.load(scaler_ts_path)
+
+    # --- Pemuatan Blending ---
+    blending_params_path = hf_hub_download(repo_id=REPO_ID, filename="blending_params.joblib")
+    blending_params = joblib.load(blending_params_path)
+
+    return lgbm_model, lstm_model, scaler_static, scaler_ts, blending_params
+
+# Sekarang, panggil load_models() di luar fungsi prediksi utama Anda
+LGBM_MODEL, LSTM_MODEL, SCALER_STATIC, SCALER_TS, BLENDING_PARAMS = load_models()
+
+# Hapus kode pemuatan lama dari file lokal di predict.py Anda!

requirements.txt

@@ -0,0 +1,8 @@
+Flask
+gunicorn
+pandas
+numpy
+joblib
+lightgbm
+tensorflow==2.18.0 # Ganti ke versi yang ada di daftar 'found versions'
+scikit-learn