Update app.py

app.py

@@ -9,26 +9,30 @@ model = joblib.load('real_estate_model.pkl')
 # 2. FUNGSI PREDIKSI REGRESI
 def predict_price(luas_bangunan, luas_tanah, kamar_mandi, kamar_tidur):
     try:
-        # 1. Masukkan ke dalam format Dictionary agar nama kolom terjamin benar
+        # Susun data input
         input_data = {
             'Luas_Bangunan_m2': [luas_bangunan],
             'Luas_Tanah_m2': [luas_tanah],
             'kamar_mandi': [kamar_mandi],
             'kamar_tidur': [kamar_tidur]
         }
-        
-        # 2. Ubah menjadi DataFrame
         input_df = pd.DataFrame(input_data)
         
-        # 3. TRIK JITU: Otomatis menyusun ulang urutan kolom sesuai yang diinginkan model
+        # Urutkan kolom sesuai model
         if hasattr(model, 'feature_names_in_'):
             input_df = input_df[model.feature_names_in_]
         
-        # 4. Lakukan prediksi
-        predicted_price = model.predict(input_df)[0]
+        # Prediksi hasil mentah (Contoh output model: 1.38 atau 2.15)
+        predicted_raw = model.predict(input_df)[0]
+        
+        # ========================================================
+        # PERBAIKAN: KARENA MODEL DILATIH DENGAN 'Harga_Miliar', 
+        # MAKA KITA KALIKAN 1 MILIAR (1.000.000.000)
+        # ========================================================
+        predicted_price = predicted_raw * 1_000_000_000
         
-        # Format output sebagai harga Rupiah
-        return f"### 🏡 Estimasi Harga Properti: \n# **Rp {predicted_price:,.0f}**"
+        # Format output sebagai harga Rupiah dengan pemisah ribuan
+        return f"### 🏡 Estimasi Harga Rumah di Bandung: \n# **Rp {predicted_price:,.0f}**"
         
     except Exception as e:
         return f"⚠️ Terjadi error saat prediksi: {str(e)}"
@@ -36,15 +40,15 @@ def predict_price(luas_bangunan, luas_tanah, kamar_mandi, kamar_tidur):
 # 3. ANTARMUKA GRADIO
 with gr.Blocks(theme=gr.themes.Soft()) as demo:
     gr.Markdown("""
-    <h1 style='text-align: center;'>🏙️ AI Real Estate Valuation</h1>
-    <p style='text-align: center;'>Aplikasi Machine Learning (Regresi) untuk memprediksi harga properti berdasarkan spesifikasi luas dan fasilitas ruangan.</p>
+    <h1 style='text-align: center;'>🏙️ AI Real Estate Valuation (Bandung)</h1>
+    <p style='text-align: center;'>Aplikasi Machine Learning (Regresi) untuk memprediksi harga rumah di area Bandung berdasarkan spesifikasi luas dan fasilitas ruangan.</p>
     """)
     
     with gr.Row():
         with gr.Column(scale=1):
             gr.Markdown("**📏 Spesifikasi Luas**")
-            luas_tanah = gr.Number(value=100, label="Luas Tanah (m2)")
-            luas_bangunan = gr.Number(value=80, label="Luas Bangunan (m2)")
+            luas_tanah = gr.Number(value=176, label="Luas Tanah (m2)")
+            luas_bangunan = gr.Number(value=176, label="Luas Bangunan (m2)")
             
             gr.Markdown("**🛏️ Fasilitas Ruangan**")
             kamar_tidur = gr.Slider(minimum=1, maximum=10, value=3, step=1, label="Jumlah Kamar Tidur")
@@ -56,12 +60,6 @@ with gr.Blocks(theme=gr.themes.Soft()) as demo:
             gr.Markdown("**📊 Hasil Analisis AI**")
             out_price = gr.Markdown()
             
-            gr.Markdown("""
-            ---
-            **💡 Info Model:**
-            Model ini menggunakan algoritma Machine Learning untuk menemukan pola harga di pasaran berdasarkan kombinasi ukuran luas tanah/bangunan serta jumlah ruangan utama.
-            """)
-            
     # Hubungkan tombol
     btn_predict.click(
         fn=predict_price,