app.py

import pickle
import numpy as np
from gensim.models import KeyedVectors
import gradio as gr

# Memuat model FastText pretrained dari file .vec (contoh path: cc.id.300.vec)
fasttext_model = KeyedVectors.load_word2vec_format(
    'cc.id.300.vec', binary=False
)

# Memuat model KNN dan SVM yang sudah dioptimalkan (pastikan file pickle ada)
with open('KNN+GridSearch.pkl', 'rb') as f:
    knn_model = pickle.load(f)

with open('SVM+GridSearch.pkl', 'rb') as f:
    svm_model = pickle.load(f)

# Fungsi untuk mendapatkan vektor kalimat dari FastText
def get_fasttext_vector(text):
    # Tokenisasi teks menjadi kata-kata
    words = text.split()
    
    # Ambil vektor dari setiap kata menggunakan model FastText
    word_vectors = [fasttext_model[word] for word in words if word in fasttext_model]
    
    # Jika ada kata-kata yang ada dalam model, kita rata-ratakan vektor-vektor tersebut
    if len(word_vectors) > 0:
        return np.mean(word_vectors, axis=0)
    else:
        # Jika tidak ada kata yang cocok, return vektor nol (kosong)
        return np.zeros(fasttext_model.vector_size)

# Fungsi prediksi untuk model KNN
def predict_sentiment_knn(text):
    vector = get_fasttext_vector(text)  # Mengambil vektor kalimat
    sentiment = knn_model.predict([vector])  # Prediksi menggunakan KNN
    return sentiment[0][0]

# Fungsi prediksi untuk model SVM
def predict_sentiment_svm(text):
    vector = get_fasttext_vector(text)  # Mengambil vektor kalimat
    sentiment = svm_model.predict([vector])  # Prediksi menggunakan SVM
    return sentiment[0]

# Fungsi umum untuk memilih model (KNN atau SVM)
def predict_sentiment(text, model_type='KNN'):
    if model_type == 'KNN':
        return predict_sentiment_knn(text)
    else:
        return predict_sentiment_svm(text)

# Membuat antarmuka Gradio
gr.Interface(
    fn=predict_sentiment,  # Fungsi yang dipanggil untuk prediksi
    inputs=[
        gr.inputs.Textbox(label="Masukkan Teks untuk Analisis Sentimen"),  # Input teks
        gr.inputs.Radio(['KNN', 'SVM'], label="Pilih Model")  # Pilih model prediksi
    ],
    outputs="text"  # Output berupa teks (hasil prediksi)
).launch()