app.py

import pandas as pd
from transformers import pipeline, AutoModelForQuestionAnswering, AutoTokenizer
import gradio as gr
import re
import os

# --- 1. Persiapan Data dan Model ---

# Nama file CSV yang diunggah
CSV_FILE = "perpustakaan_faq.csv"

questions = []
answers = []
MODEL_LOADED = False
qa_pipeline = None

# Memuat data dari CSV
try:
    df = pd.read_csv(CSV_FILE)
    
    # Kolom 'chatbot_response' akan dijadikan Konteks utama (Basis Pengetahuan)
    questions = df['user_query'].tolist()
    answers = df['chatbot_response'].tolist()

except FileNotFoundError:
    print(f"Error: File '{CSV_FILE}' tidak ditemukan. Pastikan file berada di direktori yang sama.")
except Exception as e:
    print(f"Error saat memuat atau memproses data CSV: {e}")
    
# Inisialisasi Model Question Answering Bahasa Indonesia
# Catatan: Jika model ini tetap gagal dimuat, sistem akan otomatis menggunakan fallback.
try:
    model_name = "indobenchmark/indobert-base-uncased-squad" 
    
    # Coba muat model dan tokenizer
    model = AutoModelForQuestionAnswering.from_pretrained(model_name)
    tokenizer = AutoTokenizer.from_pretrained(model_name)

    # Inisialisasi pipeline QA
    qa_pipeline = pipeline(
        "question-answering", 
        model=model,
        tokenizer=tokenizer
    )
    
    MODEL_LOADED = True
    print(f"Model {model_name} berhasil dimuat.")
    
except Exception as e:
    print(f"Error memuat model Question Answering ({model_name}): {e}")
    MODEL_LOADED = False
    print("Menggunakan fallback (pencocokan kata kunci sederhana) karena model gagal dimuat.")
    
# --- 2. Fungsi Logika Chatbot ---

def preprocess_query(query):
    """Membersihkan dan menormalkan query."""
    query = query.lower().strip()
    query = re.sub(r'[^\w\s]', '', query)
    return query

def get_answer_from_qa_model(query):
    """
    Mencari jawaban menggunakan Model Question Answering dari semua konteks (Answers).
    """
    
    best_answer = "Maaf, saya tidak menemukan informasi yang relevan untuk pertanyaan Anda. Silakan coba pertanyaan lain atau hubungi meja informasi perpustakaan."
    best_score = 0.0
    
    for original_answer in answers:
        try:
            result = qa_pipeline(
                question=query, 
                context=original_answer
            )
            
            if result['score'] > best_score:
                best_score = result['score']
                best_answer = result['answer'] 
                
            if best_score > 0.95:
                break
                
        except Exception:
            continue
            
    if best_score < 0.3:
        return "Maaf, saya tidak menemukan informasi yang relevan untuk pertanyaan Anda. Silakan coba pertanyaan lain atau hubungi meja informasi perpustakaan."
    
    return best_answer

def get_answer_fallback(query):
    """
    Fungsi fallback sederhana berdasarkan pencocokan kata kunci.
    """
    if not answers: 
        return "Maaf, data FAQ perpustakaan belum termuat."

    preprocessed_query = preprocess_query(query)
    best_match_answer = "Maaf, saya tidak menemukan informasi yang relevan untuk pertanyaan Anda. Silakan coba pertanyaan lain atau hubungi meja informasi perpustakaan."
    max_matches = 0
    
    query_words = set(word for word in preprocessed_query.split() if len(word) > 3)
    
    for q_data, a_data in zip(questions, answers):
        q_data_words = set(word for word in preprocess_query(q_data).split() if len(word) > 3)
        
        matches = len(query_words.intersection(q_data_words))
        
        if matches > max_matches:
            max_matches = matches
            best_match_answer = a_data
            
    if max_matches < 1: 
        return "Maaf, saya tidak menemukan informasi yang relevan untuk pertanyaan Anda. Silakan coba pertanyaan lain atau hubungi meja informasi perpustakaan."
        
    return best_match_answer


def chatbot_response(user_query, history):
    """
    Fungsi utama yang dipanggil oleh Gradio.
    """
    if not user_query or not user_query.strip():
        return "Halo! Silakan ajukan pertanyaan seputar layanan perpustakaan."
        
    if MODEL_LOADED:
        response = get_answer_from_qa_model(user_query)
    else:
        response = get_answer_fallback(user_query)
        
    return response

# --- 3. Implementasi Gradio Interface ---

# Deskripsi Interface
title = "🤖 Chatbot Layanan Perpustakaan"

# Informasi model untuk ditampilkan di deskripsi
model_info = (
    "Model QA: **" + ("indobenchmark/indobert-base-uncased-squad" if MODEL_LOADED else "Fallback Keyword Match") + "** | "
    "Data Sumber: `perpustakaan_faq.csv`"
)

description = (
    "Ini adalah Chatbot Tanya Jawab (Question Answering) yang dibuat dari data "
    "FAQ Perpustakaan. Silakan ajukan pertanyaan seputar keanggotaan, peminjaman, kunjungan, atau fasilitas."
    f"\n\n---\n\n{model_info}"
)

# Contoh pertanyaan untuk memandu pengguna
examples = [
    ["Berapa lama batas waktu peminjaman buku?"],
    ["Apa syarat utama jika saya mau buat kartu anggota perpustakaan?"],
    ["Apakah ada loker penitipan barang di sini?"],
    ["Bolehkah saya membawa laptop pribadi ke dalam perpustakaan?"]
]

# Pembuatan Gradio Interface
iface = gr.ChatInterface(
    fn=chatbot_response,
    title=title,
    description=description,
    examples=examples,
    chatbot=gr.Chatbot(
        height=400,
        label="Asisten Perpustakaan",
        # --- PERBAIKAN FATAL: Menghapus parameter 'type' yang menyebabkan TypeError ---
        # type="messages", 
    ),
)

if __name__ == "__main__":
    iface.launch()