Update app.py

app.py

@@ -1,92 +1,80 @@
-import pandas as pd
-import numpy as np
-from sklearn.feature_extraction.text import TfidfVectorizer
-from sklearn.metrics.pairwise import cosine_similarity
 import gradio as gr
+import pandas as pd
 
-# 1. LOAD DATA DARI GITHUB
-def load_data():
-    books_url = "https://raw.githubusercontent.com/zygmuntz/goodbooks-10k/master/books.csv"
-    df = pd.read_csv(books_url, on_bad_lines='skip')
-    # Ambil kolom yang penting & bersihkan data kosong
-    df = df[['book_id', 'original_title', 'authors', 'average_rating', 'image_url']].fillna('')
-    df = df[df['original_title'] != ''].reset_index(drop=True)
-    
-    # Batasi 3000 buku agar aplikasi berjalan sangat cepat di Free Tier Hugging Face
-    df = df.head(3000)
-    return df
-
-# Memuat data saat aplikasi pertama kali dijalankan
-df_books = load_data()
+# ==========================================
+# 1. Dummy Data (Ganti dengan dataset asli)
+# ==========================================
+data = {
+    'Judul': ['Bumi Manusia', 'Laskar Pelangi', 'Dune', 'Sapiens', 'Atomic Habits', '1984', 'Filosofi Teras'],
+    'Genre': ['Fiksi Sejarah', 'Drama', 'Sci-Fi', 'Sejarah', 'Self-Improvement', 'Sci-Fi', 'Filsafat'],
+    'Penulis': ['Pramoedya A. Toer', 'Andrea Hirata', 'Frank Herbert', 'Yuval Noah Harari', 'James Clear', 'George Orwell', 'Henry Manampiring']
+}
+df = pd.DataFrame(data)
+daftar_buku = df['Judul'].tolist()
+daftar_genre = df['Genre'].unique().tolist()
 
-# 2. NLP: CONTENT-BASED FILTERING (TF-IDF)
-df_books['content'] = df_books['original_title'] + " " + df_books['authors']
-tfidf = TfidfVectorizer(stop_words='english')
-tfidf_matrix = tfidf.fit_transform(df_books['content'])
+# ==========================================
+# 2. Fungsi Logika Sistem Rekomendasi
+# ==========================================
+def rekomen_tab1_nlp(buku_favorit):
+    if not buku_favorit:
+        return "⚠️ Silakan pilih satu buku terlebih dahulu."
+    # TODO: Masukkan model NLP/TF-IDF Anda di sini
+    return f"✅ Rekomendasi berbasis NLP untuk pembaca '{buku_favorit}':\n1. [Buku Mirip 1]\n2. [Buku Mirip 2]"
 
-# Menghitung kemiripan antar buku menggunakan Cosine Similarity
-cosine_sim = cosine_similarity(tfidf_matrix, tfidf_matrix)
+def rekomen_tab2_collab(buku_dibaca):
+    if not buku_dibaca or len(buku_dibaca) == 0:
+        return "⚠️ Silakan pilih minimal 1 buku."
+    # TODO: Masukkan model Collaborative Filtering Anda di sini
+    buku_terpilih_str = ", ".join(buku_dibaca)
+    return f"✅ Berdasarkan pola pembaca yang menyukai {buku_terpilih_str}:\n1. [Buku Rekomendasi Collab 1]\n2. [Buku Rekomendasi Collab 2]"
 
-def recommend_books(book_title):
-    try:
-        # Cari ID buku berdasarkan judul
-        idx = df_books.index[df_books['original_title'] == book_title].tolist()[0]
-    except IndexError:
-        return "<p style='color:red;'>⚠️ Buku tidak ditemukan.</p>"
+def rekomen_tab3_coldstart(genre):
+    # TODO: Ganti dengan logika sorting rating tertinggi per genre
+    if genre == "Semua Genre":
+        return "✅ Top 3 Buku Populer Semua Kategori:\n1. Bumi Manusia\n2. Sapiens\n3. Dune"
+    else:
+        buku_genre = df[df['Genre'] == genre]['Judul'].tolist()
+        hasil = "\n".join([f"{i+1}. {b}" for i, b in enumerate(buku_genre)])
+        return f"✅ Top Buku untuk Genre '{genre}':\n{hasil}"
 
-    # Ambil skor kemiripan untuk buku tersebut
-    sim_scores = list(enumerate(cosine_sim[idx]))
-    # Urutkan dari yang paling mirip (Skor tertinggi)
-    sim_scores = sorted(sim_scores, key=lambda x: x[1], reverse=True)
-    
-    # Ambil Top 5 buku (Lewati index 0 karena itu adalah buku itu sendiri)
-    sim_scores = sim_scores[1:6]
-    book_indices = [i[0] for i in sim_scores]
-    
-    # 3. UI/UX: INJEKSI HTML & CSS UNTUK TAMPILAN GALERI 
-    html_content = "<div style='display: flex; gap: 20px; flex-wrap: wrap; justify-content: center; margin-top: 20px;'>"
-    for i in book_indices:
-        book = df_books.iloc[i]
-        html_content += f"""
-        <div style='width: 160px; background: white; border: 1px solid #e0e0e0; border-radius: 12px; padding: 15px; text-align: center; box-shadow: 0 4px 6px rgba(0,0,0,0.05); transition: transform 0.2s;'>
-            <img src='{book['image_url']}' style='width: 120px; height: 170px; object-fit: cover; border-radius: 6px; margin-bottom: 12px; box-shadow: 0 2px 4px rgba(0,0,0,0.1);' onerror="this.src='https://via.placeholder.com/120x170?text=No+Cover'">
-            <h4 style='font-size: 14px; color: #333; margin: 0 0 5px 0; display: -webkit-box; -webkit-line-clamp: 2; -webkit-box-orient: vertical; overflow: hidden; height: 38px;' title="{book['original_title']}">{book['original_title']}</h4>
-            <p style='font-size: 12px; color: #7f8c8d; margin: 0 0 8px 0; white-space: nowrap; overflow: hidden; text-overflow: ellipsis;'>{book['authors']}</p>
-            <div style='background: #f1f8ff; color: #0366d6; padding: 4px 8px; border-radius: 20px; display: inline-block; font-size: 12px; font-weight: bold;'>
-                ⭐ {book['average_rating']}
-            </div>
-        </div>
-        """
-    html_content += "</div>"
-    return html_content
+# ==========================================
+# 3. Membangun Antarmuka Gradio
+# ==========================================
+with gr.Blocks(theme=gr.themes.Soft()) as demo:
+    gr.Markdown("# 📚 Smart Recommender System")
+    gr.Markdown("Sistem rekomendasi buku hybrid dengan tiga pendekatan berbeda.")
 
-# Ambil daftar judul buku untuk dropdown (diurutkan abjad agar rapi)
-book_list = sorted(df_books['original_title'].tolist())
+    # TAB 1: NLP / Content-Based
+    with gr.Tab("1. Content-Based (NLP)"):
+        gr.Markdown("**Pilih 1 buku favorit Anda, sistem akan mencari buku dengan tema/sinopsis serupa.**")
+        with gr.Row():
+            in_nlp = gr.Dropdown(choices=daftar_buku, label="Buku Favorit")
+        btn_nlp = gr.Button("Cari Kemiripan Tema", variant="primary")
+        out_nlp = gr.Textbox(label="Hasil Rekomendasi", lines=3)
+        btn_nlp.click(fn=rekomen_tab1_nlp, inputs=in_nlp, outputs=out_nlp)
 
-# AMAN: Ambil buku urutan pertama dari dataset secara dinamis sebagai default value
-default_book = "The Hunger Games" if "The Hunger Games" in book_list else book_list[0]
+    # TAB 2: Collaborative Filtering
+    with gr.Tab("2. Collaborative Filtering"):
+        gr.Markdown("**Pilih beberapa buku yang pernah Anda baca untuk menemukan apa yang dibaca oleh orang dengan selera seperti Anda.**")
+        with gr.Row():
+            # multiselect=True memungkinkan pemilihan banyak buku sekaligus
+            in_collab = gr.Dropdown(choices=daftar_buku, multiselect=True, label="Buku yang Sudah Dibaca")
+        btn_collab = gr.Button("Analisis Pola Pembaca", variant="primary")
+        out_collab = gr.Textbox(label="Hasil Rekomendasi", lines=3)
+        btn_collab.click(fn=rekomen_tab2_collab, inputs=in_collab, outputs=out_collab)
 
-# --- UI GRADIO ---
-# Peringatan Gradio 6.0 diselesaikan dengan menghapus theme= di sini
-with gr.Blocks(title="SmartLib AI") as app:
-    gr.Markdown("<h1 style='text-align: center; color: #2c3e50;'>📚 SmartLib: AI-Powered Recommender</h1>")
-    gr.Markdown("<p style='text-align: center; font-size: 16px; color: #7f8c8d;'>Sistem rekomendasi buku cerdas berbasis <b>Machine Learning (NLP TF-IDF)</b>. AI akan menganalisis konteks judul dan gaya penulis untuk menemukan bacaan yang paling sesuai dengan selera Anda.</p>")
-    
-    with gr.Row():
-        with gr.Column(scale=3):
-            in_book = gr.Dropdown(choices=book_list, value=default_book, 
-                                  label="🔍 Ketik atau Pilih Buku Favorit Anda", interactive=True)
-        with gr.Column(scale=1):
-            btn = gr.Button("✨ Berikan Rekomendasi", variant="primary")
-            
-    gr.Markdown("### 🎯 Rekomendasi Teratas Untuk Anda:")
-    out_html = gr.HTML()
-    
-    # Interaksi: Bisa dengan klik tombol, atau langsung ganti dropdown
-    btn.click(recommend_books, inputs=in_book, outputs=out_html)
-    in_book.change(recommend_books, inputs=in_book, outputs=out_html)
-    
-    app.load(recommend_books, inputs=in_book, outputs=out_html)
+    # TAB 3: Cold Start / Genre
+    with gr.Tab("3. Pengguna Baru (Genre)"):
+        gr.Markdown("**Belum ada riwayat bacaan? Pilih genre favorit Anda untuk melihat buku paling populer.**")
+        with gr.Row():
+            in_coldstart = gr.Dropdown(choices=["Semua Genre"] + daftar_genre, value="Semua Genre", label="Genre Favorit")
+        btn_coldstart = gr.Button("Tampilkan Buku Populer", variant="primary")
+        out_coldstart = gr.Textbox(label="Hasil Rekomendasi", lines=3)
+        btn_coldstart.click(fn=rekomen_tab3_coldstart, inputs=in_coldstart, outputs=out_coldstart)
 
-# Theme dipindahkan ke launch() sesuai aturan baru
-app.launch(theme=gr.themes.Soft())
+# ==========================================
+# 4. Jalankan Aplikasi
+# ==========================================
+if __name__ == "__main__":
+    demo.launch()