export_scaler.py

"""
export_scaler.py
================
Jalankan script ini di LINGKUNGAN yang sama dengan training notebook (misal: Google Colab)
untuk men-export StandardScaler ke file scaler.pkl.

CARA PAKAI:
1. Copy-paste cell ini ke Google Colab DI BAWAH cell Step 5.7 (setelah scaler.fit_transform)
2. Download file scaler.pkl yang dihasilkan
3. Upload ke folder backend/model/ (lokal) DAN ke Hugging Face Space di path model/scaler.pkl

CODE UNTUK DIJALANKAN DI NOTEBOOK (tambahkan setelah Step 5.7):
================================================================

    import pickle
    import os

    # scaler sudah di-fit di Step 5.7: scaler = StandardScaler(); scaler.fit_transform(train_fused)
    scaler_path = 'scaler.pkl'
    with open(scaler_path, 'wb') as f:
        pickle.dump(scaler, f)

    print(f"[OK] scaler.pkl berhasil disimpan!")
    print(f"  Type   : {type(scaler)}")
    print(f"  Features: {scaler.n_features_in_} dimensi (harus 1797)")
    print(f"  Mean[0] : {scaler.mean_[0]:.6f}")
    print(f"  Std[0]  : {scaler.scale_[0]:.6f}")
    print(f"\\nUnduh file scaler.pkl lalu upload ke:")
    print(f"  - backend/model/scaler.pkl  (lokal)")
    print(f"  - Hugging Face Space > Files > model/scaler.pkl")

================================================================
File scaler.pkl ini WAJIB ada agar prediksi backend benar!
Tanpanya, semua gambar akan diprediksi sebagai GLAUCOMA.
"""

# Script verifikasi (jalankan lokal setelah upload scaler.pkl):
if __name__ == '__main__':
    import os, pickle, sys

    scaler_path = os.path.join(os.path.dirname(__file__), 'model', 'scaler.pkl')

    if not os.path.exists(scaler_path):
        print(f"[ERROR] scaler.pkl tidak ditemukan di: {scaler_path}")
        print("Jalankan kode export di notebook Google Colab terlebih dahulu!")
        sys.exit(1)

    with open(scaler_path, 'rb') as f:
        scaler = pickle.load(f)

    print(f"[OK] scaler.pkl berhasil dimuat!")
    print(f"  Type       : {type(scaler)}")
    print(f"  Fitur      : {scaler.n_features_in_} dimensi (harus 1797)")
    print(f"  Mean[0:5]  : {scaler.mean_[:5].round(4)}")
    print(f"  Scale[0:5] : {scaler.scale_[:5].round(4)}")

    if scaler.n_features_in_ != 1797:
        print(f"\n[WARNING] Dimensi scaler ({scaler.n_features_in_}) tidak sesuai!")
        print("Pastikan scaler di-fit pada 1797 dimensi: [CNN(1792) + CDR(4) + QS(1)]")
    else:
        print("\n[READY] Backend siap menerima prediksi yang akurat!")