Create app.py

app.py

@@ -0,0 +1,95 @@
+import gradio as gr
+from transformers import pipeline
+import pandas as pd
+
+# Pesan saat startup untuk memastikan pipeline mulai dimuat.
+print("Memuat model pipeline...")
+
+# -----------------------------------------------------------------------------
+# 1. Muat semua model pipeline saat aplikasi dimulai.
+# Ini adalah praktik terbaik agar model siap saat input pertama masuk.
+# -----------------------------------------------------------------------------
+try:
+    # Model 1: DistilBERT
+    pipe_distilbert = pipeline("text-classification", model="distilbert-base-uncased-finetuned-sst-2-english")
+
+    # Model 2: BERT
+    pipe_bert = pipeline("text-classification", model="gchhablani/bert-base-cased-finetuned-sst2")
+
+    # Model 3: RoBERTa
+    pipe_roberta = pipeline("text-classification", model="cardiffnlp/twitter-roberta-base-sentiment")
+
+    print("Semua model berhasil dimuat.")
+except Exception as e:
+    print(f"Error saat memuat model: {e}")
+    # Jika model gagal dimuat, aplikasi tidak akan bisa berjalan.
+    # Anda bisa menambahkan penanganan error yang lebih baik di sini.
+
+# Mapping label untuk model RoBERTa agar lebih mudah dibaca.
+roberta_label_map = {
+    "LABEL_0": "NEGATIVE",
+    "LABEL_1": "NEUTRAL",
+    "LABEL_2": "POSITIVE"
+}
+
+# -----------------------------------------------------------------------------
+# 2. Buat fungsi utama untuk prediksi.
+# Fungsi ini akan menerima input teks dan mengembalikan hasil dari ketiga model.
+# -----------------------------------------------------------------------------
+def predict_sentiments(text):
+    """
+    Menerima input teks, melakukan prediksi dengan tiga model,
+    dan mengembalikan hasilnya dalam format yang bisa ditampilkan oleh Gradio.
+    """
+    if not text.strip():
+        # Jika tidak ada teks, kembalikan dataframe kosong
+        return pd.DataFrame(columns=["Model", "Label", "Confidence Score"])
+
+    results = []
+
+    # Prediksi dengan DistilBERT
+    pred_distilbert = pipe_distilbert(text)[0]
+    results.append(["DistilBERT", pred_distilbert['label'], f"{pred_distilbert['score']:.4f}"])
+
+    # Prediksi dengan BERT
+    pred_bert = pipe_bert(text)[0]
+    results.append(["BERT", pred_bert['label'], f"{pred_bert['score']:.4f}"])
+
+    # Prediksi dengan RoBERTa
+    pred_roberta = pipe_roberta(text)[0]
+    # Ganti label RoBERTa sesuai mapping
+    label_roberta = roberta_label_map.get(pred_roberta['label'], pred_roberta['label'])
+    results.append(["RoBERTa", label_roberta, f"{pred_roberta['score']:.4f}"])
+
+    # Buat DataFrame dari hasil untuk output tabel yang rapi
+    df = pd.DataFrame(results, columns=["Model", "Label", "Confidence Score"])
+    return df
+
+# -----------------------------------------------------------------------------
+# 3. Buat dan jalankan antarmuka Gradio.
+# -----------------------------------------------------------------------------
+demo = gr.Interface(
+    fn=predict_sentiments,
+    inputs=gr.Textbox(
+        lines=5,
+        placeholder="Masukkan teks di sini untuk dianalisis sentimennya...",
+        label="Input Teks"
+    ),
+    outputs=gr.Dataframe(
+        headers=["Model", "Label", "Confidence Score"],
+        datatype=["str", "str", "str"],
+        label="Hasil Prediksi"
+    ),
+    title="🤖 Perbandingan Model Analisis Sentimen",
+    description="Aplikasi ini membandingkan hasil prediksi sentimen dari tiga model transformer yang berbeda: DistilBERT, BERT, dan RoBERTa. Cukup masukkan teks dan klik 'Submit'.",
+    allow_flagging="never",
+    examples=[
+        ["I love the new features, this is an amazing update!"],
+        ["The performance is a bit slow and sometimes it crashes."],
+        ["This product is okay, not great but not terrible either."]
+    ]
+)
+
+# Jalankan aplikasi
+if __name__ == "__main__":
+    demo.launch()