Add application file

DM_clf.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:d81a3769ef8ad097d1f44d6c7b0c395a3bfa7d2d3f7de992a7f40fd6ee3c3072
+size 280486101

Procfile

@@ -0,0 +1 @@
+web: sh setup.sh && streamlit run diabetes_app.py

app.py

@@ -0,0 +1,210 @@
+import streamlit as st
+import pandas as pd
+import numpy as np
+import pickle
+import base64
+import seaborn as sns
+import matplotlib.pyplot as plt
+
+st.write("""
+# Diabetes Melitus Detection App
+
+Diabetes Melitus merupakan salah satu penyakit yang tidak menular (Velia & Saputro, 2020).
+Penyakit ini ditandai dengan tingginya jumlah gula (glukosa) dalam darah, yang disebabkan oleh 
+ketidakmampuan pankreas untuk menghasilkan hormon insulin (Alfita et al., 2020). 
+
+Dataset ini berisi 21 fitur yang berisi 70.692 data (35.346 data no diabetes melitus dan 
+35.346 data diabetes melitus) tanggapan survei terhadap The Behavioral Risk Factor Surveillance System 
+(BRFSS) padatahun 2015 oleh Centers for Disease Control (CDC). 
+
+Variabel target Diabetes_binary memiliki 2 kelas yaitu :
+
+* no diabetes melitus
+* diabetes melitus
+
+
+### Keterangan Fitur
+
+1. HighBP / hipertensi : Apakah seseorang yang tidak mengalami/memiliki riwayat hipertensi ?
+
+* 0.0 = tidak; 1.0 = ya
+
+2. HighChol / Kolesterol tinggi : Apakah seseorang yang tidak mengalami/memiliki riwayat Kolesterol tinggi ?
+
+* 0.0 = tidak; 0.0 = ya
+
+3. CholCheck : Apakah seseorang yang tidak melakukan pengecekan kolesterol dalam 5 tahun terakhir ?
+
+* 0.0 = tidak; 1.0 = ya
+
+4. BMI / Body Mass Index (index masa tubuh) 
+
+* BMI adalah suatu ukuran yang digunakan untuk menunjukkan kategori berat badan seseorang. 
+
+5. Smoker : Apakah Anda merokok setidaknya 100 batang sepanjang hidup Anda? [Catatan: 5 bungkus = 100 batang] 
+
+* 0.0 = tidak; 1.0 = ya
+
+6. Stroke : Apakah seseorang yang tidak (pernah) mengalami stroke ?
+
+* 0.0 = tidak; 1.0 = ya
+
+7. HeartDiseaseorAttack / penyakit serangan jantung : Apakah memiliki penyakit jantung koroner (PJK) ?
+
+* 0.0 =  tidak; 1.0 = ya
+
+8. PhysActivity : Apakah melakukan aktivitas fisik apa pun dalam 30 hari terakhir ?
+
+* 0.0 = tidak; 1.0 = ya
+
+9. Fruits : apakah mengkonsumsi Buah 1 kali atau lebih per hari ?
+
+* 0.0 = tidak; 1.0 = ya
+
+10. Veggies : apakah Mengkonsumsi Sayur 1 kali atau lebih per hari ? 
+
+* 0.0 = tidak; 1.0 = ya
+
+11. HvyAlcoholConsump : apakah (pria dewasa >=14 minuman per minggu dan wanita dewasa>=7 minuman per minggu) ? 
+
+* 0.0 = tidak; 1.0 = ya
+
+12. AnyHealthcare : apakah Memiliki segala jenis jaminan perawatan kesehatan, termasuk asuransi kesehatan ?
+
+* 0.0 = 0 = Tidak; 1.0 = ya
+
+13. NoDocbcCost : apakah terkendala biaya ke dokter dalam 12 bulan terakhir ?
+
+* 0.0 = = tidak; 1.0 = ya
+
+14. GenHlth : mengenai keadaan kesehatan secara umum dalam skala 1-5
+
+* skala 1 = bagus sekali; skala 2 = sangat baik; skala 3 = baik; skala 4 = cukup; skala 5 = buruk
+
+15. MentHlth : berapa hari mengalamai kesehatan mental yang buruk ?
+
+* skala 1-30 hari
+
+16. PhysHlth : berapa kali mengalami sakit atau cedera fisik dalam 30 hari terakhir ?
+
+* skala 1-30
+
+17. DiffWalk : apakah mengalami kesulitan serius berjalan atau menaiki tangga ?
+
+* 0.0 = tidak; 0.0 = ya
+
+18. Sex
+
+* 0.0 = pria; 1.0 = wanita
+
+19. Age / Usia : Kategori usia 13 tingkat
+
+* kategori 1 untuk usia 18-24; kategori 9 untuk usia 60-64;  kategori 13 untuk usia 80 atau lebih
+
+20. Education / Tingkat pendidikan : skala 1-6
+
+*  skala 1 = Tidak pernah sekolah atau hanya TK; skala 2 = SD dst.
+
+21. Income (Skala pendapatan  skala 1-8)
+
+* skala 1 = kurang dari 10,000 USD; skala 5 = kurang dari 35,000 USD; skala 8 = 75.000 USD atau lebih
+
+
+""")
+
+url_dataset = f'<a href="diabetes_melitus.csv">Download Dataset CSV File</a>'
+st.markdown(url_dataset, unsafe_allow_html=True)
+
+def user_input_features() : #kalau 2 pilihan berati selectbox, kalau banyak pake sider
+    HighBP = st.sidebar.selectbox('HighBP',('0.0','1.0')) #0= No HighBP, 1=HighBP
+    Fruits = st.sidebar.selectbox ('Fruits',('0.0','1.0'))
+    CholCheck = st.sidebar.selectbox ('CholCheck',('0.0','1.0'))
+    BMI = st.sidebar.slider ('BMI', 12.0, 98.0)
+    Smoker = st.sidebar.selectbox ('Smoker',('0.0','1.0'))
+                                            #0 = tidak merokok setidaknya 100 batang sepanjang hidup
+                                            #1 = merokok setidaknya 100 batang sepanjang hidup
+    Stroke = st.sidebar.selectbox('Stroke',('0.0', '1.0')) #0 = tidak terkena stroke, 1 = terkena stroke
+    HeartDiseaseorAttack = st.sidebar.selectbox('HeartDiseaseorAttack',('0.0', '1.0')) 
+                                                #0 =  tidak memiliki penyakit jantung koroner (PJK)  
+                                                #1 = memiliki penyakit jantung koroner (PJK) 
+    PhysActivity = st.sidebar.selectbox ('PhysActivity',('0.0','1.0'))
+                                            #0 = tidak melakukan aktivitas fisik apa pun dalam 30 hari terakhir
+                                            #1 = beraktivitas fisik apa pun dalam 30 hari terakhir
+    HighChol = st.sidebar.selectbox ('HighChol',('0.0', '1.0'))
+    Veggies = st.sidebar.selectbox ('Veggies',('0.0','1.0'))
+    HvyAlcoholConsump = st.sidebar.selectbox ('HvyAlcoholConsump',('0.0','1.0'))
+    AnyHealthcare = st.sidebar.selectbox ('AnyHealthcare',('0.0', '1.0'))
+                                        #0 = Tidak Memiliki segala jenis jaminan perawatan kesehatan, termasuk asuransi kesehatan
+                                        #1 = Memiliki segala jenis jaminan perawatan kesehatan, termasuk asuransi kesehatan
+    NoDocbcCost = st.sidebar.selectbox ('NoDocbcCost',('0.0','1.0'))
+                                                        #0 = tidak terkendala biaya ke dokter dalam 12 bulan terakhir
+                                                        #1 = terkendala biaya ke dokter dalam 12 bulan terakhir
+    GenHlth = st.sidebar.slider ('GenHlth', 1.0, 5.0) #keadaan kesehatan secara umum dalam skala 1-5, 1 = sangat baik 2 = sangat baik 3 = baik 4 = cukup 5 = buruk
+    MentHlth = st.sidebar.slider ('MentHlth', 0.0, 30.0) #berapa hari mengalami kesehatan mental yang buruk, dalam skala 1-30 hari
+    PhysHlth = st.sidebar.slider ('PhysHlth', 0.0, 30.0) #sakit atau cedera fisik dalam 30 hari terakhir dalam skala 1-30
+    DiffWalk = st.sidebar.selectbox('DiffWalk',('0.0', '1.0')) 
+                                    #0 = tidak mengalami kesulitan serius berjalan atau menaiki tangga,  
+                                    #1 = mengalami kesulitan serius berjalan atau menaiki tangga
+    Sex = st.sidebar.selectbox('Sex',('0.0','1.0'))
+    Age = st.sidebar.slider ('Age', 1.0, 13.0) #Kategori usia 13 tingkat 1= 18-24, 9= 60-64, 13= 80 atau lebih
+    Education = st.sidebar.slider ('Education', 1.0, 6.0)
+    Income = st.sidebar.slider ('Income', 1.0, 8.0) #Skala pendapatan  skala 1-8. 1= kurang dari $10,000, 5= kurang dari $35,000, 8 = $75.000 atau lebih
+
+    data = {'HighBP':[HighBP],
+            'HighChol' : [HighChol],
+            'CholCheck' : [CholCheck],
+            'BMI' : [BMI],
+            'Smoker' : [Smoker], 
+            'Stroke':[Stroke],
+            'HeartDiseaseorAttack':[HeartDiseaseorAttack], 
+            'PhysActivity' : [PhysActivity],
+            'Fruits' : [Fruits], 
+            'Veggies' : [Veggies], 
+            'HvyAlcoholConsump' : [HvyAlcoholConsump],
+            'AnyHealthcare' : [AnyHealthcare],
+            'NoDocbcCost' : [NoDocbcCost],
+            'GenHlth' : [GenHlth],
+            'MentHlth' : [MentHlth],
+            'PhysHlth' : [PhysHlth],
+            'DiffWalk':[DiffWalk],
+            'Sex' : [Sex],
+            'Age' : [Age],
+            'Education' : [Education],
+            'Income' : [Income]
+            }
+
+    features = pd.DataFrame(data)
+    return features
+
+input_df = user_input_features()
+
+
+DM_raw = pd.read_csv('diabetes_melitus.csv')
+DM_raw.fillna(0, inplace=True)
+DM = DM_raw.drop(columns=['Diabetes_binary'])
+df = pd.concat([input_df, DM],axis=0)
+
+df = df[:1] # Selects only the first row (the user input data)
+df.fillna(0, inplace=True)
+
+features = ['HighBP', 'HighChol', 'GenHlth', 'CholCheck', 'BMI', 'Smoker', 'Sex','Age',
+               'Stroke', 'HeartDiseaseorAttack', 'PhysActivity', 'Fruits', 'Veggies', 'HvyAlcoholConsump', 
+               'AnyHealthcare', 'NoDocbcCost', 'MentHlth', 'PhysHlth', 'DiffWalk','Education','Income']
+
+df = df[features]
+
+
+st.subheader('User Input features')
+st.write(df)
+
+load_clf = pickle.load(open('DM_clf.pkl', 'rb'))
+detection = load_clf.predict(df)
+detection_proba = load_clf.predict_proba(df)
+DM_labels = np.array(['No Diabetes Melitus', 'Diabetes Melitus'])
+st.subheader('Detection')
+st.write(DM_labels[int(detection)])
+st.subheader('Detetction Probability')
+df_prob = pd.DataFrame(data = detection_proba, 
+                    index = ['Probability'], 
+                    columns = DM_labels)
+st.write(df_prob)

requirements.txt

@@ -0,0 +1,6 @@
+matplotlib==3.5.1
+numpy==1.21.5
+pandas==1.4.2
+seaborn==0.11.2
+streamlit==1.14.0
+sklearn

setup.sh

@@ -0,0 +1,11 @@
+mkdir -p ~/.streamlit/
+echo "\
+[general]\n\
+email = \"your-email@domain.com\"\n\
+" > ~/.streamlit/credentials.toml
+echo "\
+[server]\n\
+headless = true\n\
+enableCORS=false\n\
+port = $PORT\n\
+" > ~/.streamlit/config.toml