Update app.py

app.py

@@ -6,7 +6,9 @@ import os
 
 # --- 1. Persiapan Data dan Model ---
 
+# Nama file CSV yang diunggah
 CSV_FILE = "perpustakaan_faq.csv"
+
 questions = []
 answers = []
 MODEL_LOADED = False
@@ -15,86 +17,146 @@ 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 memuat data CSV: {e}")
+    print(f"Error saat memuat atau memproses data CSV: {e}")
     
-# Inisialisasi Model Question Answering
+# 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)
-    qa_pipeline = pipeline("question-answering", model=model, tokenizer=tokenizer)
+
+    # 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 QA: {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()
-    return re.sub(r'[^\w\s]', '', query)
+    query = re.sub(r'[^\w\s]', '', query)
+    return query
 
 def get_answer_from_qa_model(query):
-    best_answer = "Maaf, saya tidak menemukan informasi yang relevan..."
+    """
+    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)
+            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
+                
+            if best_score > 0.95:
+                break
+                
         except Exception:
             continue
-    return best_answer if best_score >= 0.3 else "Maaf, saya tidak menemukan informasi yang relevan..."
+            
+    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):
-    if not answers: return "Maaf, data FAQ perpustakaan belum termuat."
+    """
+    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..."
+    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
             
-    return best_match_answer if max_matches >= 1 else "Maaf, saya tidak menemukan informasi yang relevan..."
+    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,
@@ -103,7 +165,8 @@ iface = gr.ChatInterface(
     chatbot=gr.Chatbot(
         height=400,
         label="Asisten Perpustakaan",
-        type="messages", 
+        # --- PERBAIKAN FATAL: Menghapus parameter 'type' yang menyebabkan TypeError ---
+        # type="messages", 
     ),
 )