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()