app.py

# =================================================================
# KODE APP.PY (MENGGUNAKAN GRADIO)
# =================================================================
import gradio as gr
import pandas as pd
import pickle
import re
import nltk
import os
nltk.download('punkt')

# --- KONFIGURASI FILE ---
MODEL_PATH = 'chatbot_model.pkl'
FAQ_PATH = 'perpustakaan_faq.csv'

# Unduh resource NLTK (diperlukan untuk tokenisasi)
try:
    nltk.data.find('tokenizers/punkt')
except nltk.downloader.DownloadError:
    nltk.download('punkt')

# --- 1. Muat Model dan Data (Loading Resources) ---
# Fungsi ini dijalankan sekali saat aplikasi startup
def load_resources():
    """Memuat model dan data FAQ."""
    
    # Coba muat Model
    try:
        with open(MODEL_PATH, 'rb') as file:
            model_pipeline = pickle.load(file)
        
    except Exception as e:
        # Jika loading gagal, catat error di log dan kembalikan None
        print(f"FATAL ERROR: Gagal memuat Model atau CSV. Pastikan file ada dan versinya cocok. Error: {e}")
        return None, None

    # Coba muat Data
    try:
        df_faq = pd.read_csv(FAQ_PATH)
    except Exception as e:
        print(f"FATAL ERROR: Gagal memuat/membaca data CSV. Error: {e}")
        return None, None
    
    return model_pipeline, df_faq

model, df_faq = load_resources()

# --- 2. Fungsi Pembersihan Teks dan Logika Chatbot ---

def clean_text(text):
    """Membersihkan teks (sesuai dengan yang digunakan saat pelatihan)."""
    text = re.sub(r'[^\w\s]', '', text)
    return text.lower().strip()

def predict_and_respond(query):
    """Memprediksi Intent dan mengambil Jawaban yang sesuai.
       Menerima query (string) dan mengembalikan respons (string)."""

    # Pastikan model sudah dimuat sebelum memproses query
    if model is None or df_faq is None:
        return "Chatbot tidak tersedia. Terjadi kesalahan pada saat memuat model atau data."

    cleaned_q = clean_text(query)
    
    # Prediksi Intent
    try:
        predicted_intent = model.predict([cleaned_q])[0]
        
        # Ambil Jawaban
        responses = df_faq[df_faq['kategori'] == predicted_intent]['chatbot_response'].tolist()

        if responses:
            return responses[0]
        else:
            return f"Maaf, saya tidak dapat menemukan jawaban yang spesifik. (Intent: {predicted_intent})"
            
    except Exception as e:
        return f"Terjadi kesalahan saat memprediksi. Coba ulangi. Error: {e}"


# --- 3. Antarmuka Gradio ---

# Membuat interface Gradio
iface = gr.Interface(
    fn=predict_and_respond,
    inputs=gr.Textbox(lines=2, placeholder="Tanyakan tentang keanggotaan, peminjaman, atau fasilitas..."),
    outputs="text",
    title="📚 Asisten Virtual Perpustakaan",
    description="Tanyakan apapun tentang layanan perpustakaan kami. Menggunakan model Klasifikasi Teks yang dilatih dengan Scikit-learn.",
    allow_flagging="never"
)

# Menjalankan aplikasi
if __name__ == "__main__":
    iface.launch()