app.py

# app.py - KODE BERSIH DAN SIAP JALAN

import pandas as pd
from sentence_transformers import SentenceTransformer
from sklearn.metrics.pairwise import cosine_similarity
import numpy as np
import gradio as gr
import os 

# --- Konfigurasi ---
MODEL_NAME = 'paraphrase-multilingual-mpnet-base-v2'
FILE_PATH = 'perpustakaan_faq.csv'
THRESHOLD = 0.70 # Batasan similarity

# Inisialisasi model
print(f"Mengunduh/Memuat model: {MODEL_NAME}...")
try:
    model = SentenceTransformer(MODEL_NAME)
    print("Model berhasil dimuat.")
except Exception as e:
    print(f"Gagal memuat model. Error: {e}")
    import sys
    sys.exit(1)

# --- 1. Persiapan Data dan Embeddings ---
def load_and_embed_data(file_path):
    """
    Memuat data FAQ dari file, dan membuat embeddings untuk setiap query.
    """
    if not os.path.exists(file_path):
        print(f"Error: File {file_path} tidak ditemukan. Tidak dapat melanjutkan.")
        return None, None, None
        
    # Memuat data FAQ dari CSV
    df = pd.read_csv(file_path)
    
    # Ambil kolom 'user_query' sebagai basis pengetahuan (Knowledge Base)
    faq_queries = df['user_query'].tolist()
    
    print(f"Membuat embeddings untuk {len(faq_queries)} Knowledge Base items...")
    
    # Encoding semua pertanyaan dari data FAQ
    corpus_embeddings = model.encode(faq_queries, convert_to_tensor=False)
    print("Embeddings Knowledge Base selesai dibuat.")
    
    return df, faq_queries, corpus_embeddings

# Memuat dan memproses data
df_faq, faq_queries, faq_embeddings = load_and_embed_data(FILE_PATH)

if df_faq is None:
    print("Gagal memuat data. Mohon periksa file CSV.")
    import sys
    sys.exit(1)


# --- 2. Fungsi Retrieval Chatbot ---
def chatbot_response(user_input):
    """
    Fungsi utama chatbot yang menerima input pengguna, mencari query paling mirip
    di Knowledge Base, dan mengembalikan jawaban yang relevan.
    """
    if df_faq is None:
        return "Chatbot belum siap. Data FAQ tidak dimuat."
        
    if not user_input or len(user_input.strip()) == 0:
        return "Halo! Saya adalah Chatbot Layanan Perpustakaan. Silakan ajukan pertanyaan (contoh: Syarat buat kartu anggota?)."
    
    # Encoding input pengguna
    query_embedding = model.encode([user_input], convert_to_tensor=False)[0]
    
    # Hitung Cosine Similarity 
    similarities = cosine_similarity([query_embedding], faq_embeddings)[0]
    
    # Temukan indeks dengan similarity tertinggi
    most_similar_index = np.argmax(similarities)
    max_similarity_score = similarities[most_similar_index]
    
    if max_similarity_score >= THRESHOLD:
        # Ambil query terbaik yang cocok
        best_match_query = faq_queries[most_similar_index]
        # Ambil jawaban yang sesuai
        response = df_faq.loc[df_faq['user_query'] == best_match_query, 'chatbot_response'].iloc[0]
        
        return response
    else:
        # Jawaban default jika tidak ada kecocokan yang kuat
        return ("Maaf, saya tidak menemukan jawaban yang relevan di data FAQ saya. "
                "Coba pertanyaan lain yang lebih spesifik atau hubungi meja informasi perpustakaan.")

# --- 3. Antarmuka Pengguna (UI) dengan Gradio ---

iface = gr.Interface(
    fn=chatbot_response,
    inputs=gr.Textbox(
        lines=3, 
        placeholder="Ketik pertanyaan Anda di sini... (Contoh: Berapa denda kalau telat mengembalikan buku?)", 
        label="Pertanyaan Pengunjung"
    ),
    outputs=gr.Textbox(label="Jawaban Chatbot Perpustakaan"),
    title="🤖 Chatbot Layanan Informasi Perpustakaan (FAQ Retrieval)",
    description=(
        "Chatbot ini menggunakan teknik **FAQ Retrieval** berbasis **Similarity Search** "
        "dengan model pra-latih Bahasa Indonesia. Pertanyaan Anda akan dicocokkan dengan pertanyaan di data FAQ "
        "yang paling mirip untuk memberikan jawaban yang relevan. "
        "\n\n**Contoh pertanyaan:** Syarat buat kartu anggota? | Sampai jam berapa perpustakaan buka? | Bagaimana cara perpanjang pinjaman?"
    ),
    live=True,
    theme="soft"
)

# --- 4. Launching Aplikasi ---
# Baris ini menjalankan UI Gradio secara lokal
if __name__ == "__main__":
    iface.launch()