Update app.py

app.py

@@ -2,37 +2,40 @@ import gradio as gr
 import tensorflow as tf
 import numpy as np
 
-# 1. Load model TFLite Anda (pastikan file .tflite ada di folder yang sama)
-interpreter = tf.lite.Interpreter(model_path="tiny_sentiment_model_imdb.tflite")
-interpreter.allocate_tensors()
+# 1. Load model TFLite (Pastikan nama file sesuai dengan yang Anda upload)
+# Jika file model Anda bernama lain, ganti "model.tflite" di bawah ini
+try:
+    interpreter = tf.lite.Interpreter(model_path="tiny_sentiment_model_imdb.tflite")
+    interpreter.allocate_tensors()
+except Exception as e:
+    print(f"Error loading model: {e}")
 
 def predict_sentiment(text):
-    # --- BAGIAN PENTING: PROSES TEXT ---
-    # TFLite memerlukan teks diubah ke angka (tokenizing) sesuai cara Anda melatih model.
-    # Contoh di bawah ini adalah placeholder logika inferensi:
-    
-    input_details = interpreter.get_input_details()
-    output_details = interpreter.get_output_details()
+    # Logika inferensi (Sederhana sebagai contoh)
+    # Catatan: Anda perlu menambahkan tokenizer di sini agar teks bisa dibaca model
+    try:
+        input_details = interpreter.get_input_details()
+        output_details = interpreter.get_output_details()
+        
+        # Placeholder: Proses input text ke tensor di sini
+        # interpreter.set_tensor(input_details[0]['index'], input_data)
+        
+        interpreter.invoke()
+        output_data = interpreter.get_tensor(output_details[0]['index'])
+        
+        # Contoh logika output (sesuaikan dengan output model Anda)
+        prediction = output_data[0][0] 
+        return "Positive" if prediction > 0.5 else "Negative"
+    except Exception as e:
+        return f"Error saat prediksi: {str(e)}"
 
-    # (Opsional) Tambahkan kode tokenizing teks Anda di sini agar sesuai input_details
-    # input_data = tokenizer(text) 
-    
-    # Jalankan model (contoh dummy input)
-    # interpreter.set_tensor(input_details[0]['index'], input_data)
-    interpreter.invoke()
-    
-    output_data = interpreter.get_tensor(output_details[0]['index'])
-    prediction = output_data[0] # Misal: 0 untuk Negative, 1 untuk Positive
-
-    return "Positive" if prediction > 0.5 else "Negative"
-
-# 2. Buat UI Sederhana: 1 Input Box -> 1 Output Text
+# 2. UI Gradio (Tanpa argumen 'allow_flagging' yang error)
 demo = gr.Interface(
     fn=predict_sentiment,
-    inputs=gr.Textbox(label="Masukkan Kalimat", placeholder="Contoh: Saya sangat senang hari ini!"),
+    inputs=gr.Textbox(label="Masukkan Kalimat", placeholder="Ketik di sini..."),
     outputs=gr.Textbox(label="Hasil Analisis"),
     title="Sentimen Analisis TFLite",
-    allow_flagging="never"
+    flagging_mode="never"  # Pengganti allow_flagging="never"
 )
 
 if __name__ == "__main__":