Upload 3 files

app.py

@@ -0,0 +1,96 @@
+import gradio as gr
+import pandas as pd
+import joblib
+
+# 1. LOAD MODEL
+print("Memuat model Raisin Classification...")
+model = joblib.load('raisin_model.pkl')
+
+# 2. FUNGSI PREDIKSI
+def predict_raisin(area, perimeter, major_axis, minor_axis, eccentricity, convex_area, extent):
+    try:
+        # 1. Susun input user menjadi Dictionary 
+        # PENTING: Sesuaikan ejaan kunci (key) di bawah ini dengan nama kolom dataset di Colab Anda!
+        input_data = {
+            'Area': [area],
+            'Perimeter': [perimeter],
+            'MajorAxisLength': [major_axis],
+            'MinorAxisLength': [minor_axis],
+            'Eccentricity': [eccentricity],
+            'ConvexArea': [convex_area],
+            'Extent': [extent]
+        }
+        
+        # 2. Jadikan DataFrame
+        input_df = pd.DataFrame(input_data)
+        
+        # 3. Trik Jitu: Urutkan kolom otomatis sesuai bawaan model saat di-training
+        if hasattr(model, 'feature_names_in_'):
+            input_df = input_df[model.feature_names_in_]
+        
+        # 4. Lakukan prediksi probabilitas
+        prediction = model.predict(input_df)[0]
+        prob = model.predict_proba(input_df)[0]
+        
+        # Format output probabilitas untuk Progress Bar Gradio
+        # Asumsi model.classes_ berisi ['Besni', 'Kecimen'] atau [0, 1]
+        kelas_0 = str(model.classes_[0])
+        kelas_1 = str(model.classes_[1])
+        
+        # Ganti label angka dengan teks jika model menggunakan Label Encoder (0 dan 1)
+        if kelas_0 == '0': kelas_0 = 'Kecimen' # Sesuaikan dengan mapping Anda
+        if kelas_1 == '1': kelas_1 = 'Besni'
+            
+        confidences = {kelas_0: prob[0], kelas_1: prob[1]}
+        
+        # Tentukan hasil akhir
+        top_kelas = max(confidences, key=confidences.get)
+        
+        return f"### 🍇 Varietas Terdeteksi: **{top_kelas}**", confidences
+        
+    except Exception as e:
+        return f"⚠️ Terjadi error: Pastikan nama kolom di app.py sama dengan dataset Anda. Log: {str(e)}", {}
+
+# 3. ANTARMUKA GRADIO
+with gr.Blocks(theme=gr.themes.Soft()) as demo:
+    gr.Markdown("""
+    <h1 style='text-align: center;'>🍇 AI Raisin Variant Classifier</h1>
+    <p style='text-align: center;'>Sistem <i>Quality Control</i> otomatis berbasis <b>Random Forest</b> untuk mendeteksi varietas kismis (Kecimen vs Besni) berdasarkan pengukuran dimensi fisik.</p>
+    """)
+    
+    with gr.Row():
+        with gr.Column(scale=1):
+            gr.Markdown("**📏 Fitur Ukuran & Dimensi**")
+            area = gr.Number(value=75500, label="Luas Area (Area)")
+            perimeter = gr.Number(value=1050, label="Keliling (Perimeter)")
+            convex_area = gr.Number(value=77000, label="Luas Cembung (ConvexArea)")
+            
+            gr.Markdown("**📐 Fitur Sumbu & Bentuk**")
+            major_axis = gr.Number(value=430, label="Panjang Sumbu Utama (MajorAxisLength)")
+            minor_axis = gr.Number(value=220, label="Panjang Sumbu Minor (MinorAxisLength)")
+            eccentricity = gr.Slider(minimum=0.0, maximum=1.0, value=0.85, step=0.01, label="Tingkat Kelonjongan (Eccentricity)")
+            extent = gr.Slider(minimum=0.0, maximum=1.0, value=0.70, step=0.01, label="Kepadatan Rasio (Extent)")
+            
+            btn_predict = gr.Button("🔍 Identifikasi Varietas", variant="primary")
+            
+        with gr.Column(scale=1):
+            gr.Markdown("**📊 Hasil Deteksi AI**")
+            out_kesimpulan = gr.Markdown()
+            out_label = gr.Label(label="Tingkat Keyakinan (Confidence Score)")
+            
+            gr.Markdown("""
+            ---
+            **💡 Penjelasan Varietas:**
+            * **Kecimen:** Umumnya ditanam di Turki, ukurannya sedikit lebih kecil dan bentuknya tidak terlalu memanjang.
+            * **Besni:** Juga dari Turki, namun memiliki ukuran Area dan Panjang Sumbu yang lebih besar dibanding Kecimen.
+            """)
+            
+    # Hubungkan tombol
+    btn_predict.click(
+        fn=predict_raisin,
+        inputs=[area, perimeter, major_axis, minor_axis, eccentricity, convex_area, extent],
+        outputs=[out_kesimpulan, out_label]
+    )
+
+if __name__ == "__main__":
+    demo.launch()

raisin_model.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:ae54f207c06856f1a15c66abad23623c7403b207dcff62517101c53cf25c8755
+size 3276345

requirements.txt

@@ -0,0 +1,3 @@
+pandas
+scikit-learn
+joblib