app.py

# ==============================================================================
# 1. IMPORT LIBRARY
# ==============================================================================
import streamlit as st
import cv2
import numpy as np
import re
import pandas as pd
from PIL import Image
import time
from paddleocr import PaddleOCR, draw_ocr
import openai

# ==============================================================================
# 2. KONFIGURASI APLIKASI
# ==============================================================================
# Konfigurasi halaman Streamlit (sebaiknya dipanggil sekali di awal)
st.set_page_config(
    page_title="Nutri-Grade Calculator",
    page_icon="🍏",
    layout="centered",
    initial_sidebar_state="auto"
)

# --- Konfigurasi Kunci API dan Model ---
# Menggunakan st.secrets untuk keamanan, jangan hardcode kunci API!
# Buat file .streamlit/secrets.toml di repo Hugging Face Anda.
# Isinya:
OPENAI_API_KEY = "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"
try:
    openai.api_key = st.secrets["OPENAI_API_KEY"]
except (KeyError, FileNotFoundError):
    st.error("Kunci API OpenRouter tidak ditemukan. Harap atur di st.secrets.")
    st.stop()

openai.api_base = "https://openrouter.ai/api/v1"
AI_MODEL_NAME = "qwen/qwen2.5-vl-72b-instruct:free"

# --- Variabel Global dan Konstanta ---
TARGET_KEYS = {
    "gula": ["gula", "sugar"],
    "takaran saji": ["takaran saji", "serving size"],
    "lemak jenuh": ["lemak jenuh", "saturated fat"]
}

# ==============================================================================
# 3. FUNGSI-FUNGSI UTAMA
# ==============================================================================

@st.cache_resource
def load_ocr_model():
    """
    Memuat model PaddleOCR dan menyimpannya di cache.
    Menggunakan CPU untuk kompatibilitas yang lebih baik di Hugging Face Spaces.
    """
    print("Memuat model PaddleOCR...")
    # PENTING: use_gpu=False untuk stabilitas di environment tanpa GPU yang terkonfigurasi.
    # Ini adalah perbaikan utama untuk error 'Failed to parse program_desc'.
    return PaddleOCR(use_gpu=False, lang='id', cls=True)

def parse_numeric_value(text: str) -> float:
    """
    Membersihkan string dan mengubahnya menjadi float.
    Contoh: "15g" -> 15.0 atau "Sekitar 12.5" -> 12.5
    """
    if not isinstance(text, str):
        return 0.0
    # Mengambil semua digit, titik, dan tanda minus
    cleaned = re.sub(r"[^\d\.\-]", "", text)
    try:
        return float(cleaned)
    except (ValueError, TypeError):
        return 0.0

def perform_ocr(image_path: str, ocr_model) -> list:
    """
    Melakukan OCR pada gambar dan mengembalikan hasil dalam format yang terstruktur.
    """
    if not image_path:
        return []
        
    result = ocr_model.ocr(image_path, cls=True)
    if not result or not result[0]:
        return []

    ocr_list = []
    for line in result[0]:
        box = line[0]
        text, score = line[1]
        xs = [pt[0] for pt in box]
        ys = [pt[1] for pt in box]
        ocr_list.append({
            "text": text,
            "box": box,
            "score": score,
            "center_x": sum(xs) / len(xs),
            "center_y": sum(ys) / len(ys),
            "height": max(ys) - min(ys)
        })
    # Urutkan berdasarkan posisi vertikal (atas ke bawah)
    return sorted(ocr_list, key=lambda x: x["center_y"])

def extract_key_values(ocr_data: list, target_keys: dict) -> dict:
    """
    Mengekstrak pasangan key-value dari data OCR yang telah diproses.
    """
    extracted = {}
    
    # Pass 1: Mencari key yang diikuti oleh titik dua (contoh: "Gula: 10g")
    for item in ocr_data:
        txt_lower = item["text"].lower()
        if ":" in txt_lower:
            parts = txt_lower.split(":", 1)
            key_candidate, value_candidate = parts[0].strip(), parts[1].strip()
            
            for canonical, variants in target_keys.items():
                if canonical.capitalize() not in extracted:
                    for variant in variants:
                        if variant in key_candidate:
                            clean_value = re.sub(r"[^\d\.\-]", "", value_candidate)
                            if clean_value and clean_value != ".":
                                extracted[canonical.capitalize()] = clean_value
                                break
    
    # Pass 2: Fallback, mencari nilai yang paling dekat di sebelah kanan key
    for item in ocr_data:
        txt_lower = item["text"].lower()
        for canonical, variants in target_keys.items():
            if canonical.capitalize() not in extracted:
                for variant in variants:
                    if variant in txt_lower:
                        key_center_y, key_center_x, key_height = item["center_y"], item["center_x"], item["height"]
                        best_candidate = None
                        min_horizontal_dist = float('inf')
                        
                        for other in ocr_data:
                            # Cari kandidat di sebelah kanan dan sejajar secara vertikal
                            is_aligned_y = abs(other["center_y"] - key_center_y) < key_height * 0.75
                            is_to_the_right = other["center_x"] > key_center_x
                            
                            if item != other and is_aligned_y and is_to_the_right:
                                horizontal_dist = other["center_x"] - key_center_x
                                if horizontal_dist < min_horizontal_dist:
                                    min_horizontal_dist = horizontal_dist
                                    best_candidate = other
                                    
                        if best_candidate:
                            raw_value = best_candidate["text"]
                            clean_value = re.sub(r"[^\d\.\-]", "", raw_value)
                            if clean_value and clean_value != ".":
                                extracted[canonical.capitalize()] = clean_value
                        break # Pindah ke canonical key berikutnya
    return extracted

def calculate_final_grade(sugar_norm: float, fat_norm: float) -> (str, str, str):
    """
    Menghitung grade untuk gula, lemak jenuh, dan grade akhir.
    """
    thresholds = {
        "sugar": {"A": 1.0, "B": 5.0, "C": 10.0},
        "fat": {"A": 0.7, "B": 1.2, "C": 2.8}
    }
    grade_scores = {"A": 1, "B": 2, "C": 3, "D": 4}
    
    def get_grade(value, nutrient_type):
        if value <= thresholds[nutrient_type]["A"]: return "A"
        if value <= thresholds[nutrient_type]["B"]: return "B"
        if value <= thresholds[nutrient_type]["C"]: return "C"
        return "D"

    sugar_grade = get_grade(sugar_norm, "sugar")
    fat_grade = get_grade(fat_norm, "fat")
    
    worst_score = max(grade_scores[sugar_grade], grade_scores[fat_grade])
    final_grade = next(grade for grade, score in grade_scores.items() if score == worst_score)
    
    return f"Grade {sugar_grade}", f"Grade {fat_grade}", f"Grade {final_grade}"

def generate_nutrition_advice(data: dict) -> str:
    """
    Membuat prompt dan memanggil API LLM untuk mendapatkan saran nutrisi.
    """
    nutrition_prompt = f"""
    Anda adalah seorang ahli gizi dari Indonesia yang ramah, komunikatif, dan berpengalaman.
    Berikut adalah data nutrisi sebuah produk makanan:
    - Takaran Saji: {data['serving_size']:.2f} g/ml
    - Kandungan Gula (setelah normalisasi per 100g): {data['sugar_norm']:.2f} g
    - Kandungan Lemak Jenuh (setelah normalisasi per 100g): {data['fat_norm']:.2f} g
    - Grade Gula: {data['sugar_grade']}
    - Grade Lemak Jenuh: {data['fat_grade']}
    - Grade Akhir Produk: {data['final_grade']}

    Tugas Anda:
    Berikan saran nutrisi yang informatif dalam satu paragraf pendek (sekitar 50-100 kata).
    Gunakan bahasa yang bersahabat dan mudah dimengerti. Jelaskan secara ringkas arti dari data nutrisi di atas, 
    dampak kesehatan terkait, dan berikan tips praktis untuk menjaga pola makan seimbang.
    """
    st.write("Tunggu sebentar, Qwen si AI nutritionist sedang memproses penjelasannya... 🤖")
    try:
        completion = openai.ChatCompletion.create(
            model=AI_MODEL_NAME,
            messages=[{"role": "user", "content": nutrition_prompt}]
        )
        return completion.choices[0].message.content
    except Exception as e:
        return f"Gagal mendapatkan saran dari Qwen: {e}"

def display_colored_grade(grade_text: str):
    """
    Menampilkan grade akhir dengan warna latar yang sesuai.
    """
    color_map = {
        "Grade A": "#2ecc71",  # Hijau
        "Grade B": "#f1c40f",  # Kuning
        "Grade C": "#e67e22",  # Oranye
        "Grade D": "#e74c3c"   # Merah
    }
    bg_color = color_map.get(grade_text, "#7f8c8d") # Default abu-abu
    
    html_code = f"""
    <div style="
        background-color: {bg_color};
        padding: 15px;
        border-radius: 8px;
        margin-top: 10px;
        font-weight: bold;
        color: white;
        text-align: center;
        font-size: 20px;
    ">
    {grade_text}
    </div>
    """
    st.markdown(html_code, unsafe_allow_html=True)

# ==============================================================================
# 4. TAMPILAN ANTARMUKA (USER INTERFACE)
# ==============================================================================

# --- Judul dan Deskripsi ---
st.title("🍏 Nutri-Grade Label & Grade Calculator")
st.caption("Aplikasi prototipe untuk menganalisis dan memberi grade pada label nutrisi produk, terinspirasi oleh Nutri-Grade Singapura. Refresh halaman jika terjadi masalah.")

# --- Petunjuk Penggunaan dan Info ---
with st.expander("Petunjuk Penggunaan 📝"):
    st.markdown("""
    1.  **Upload Gambar**: Unggah gambar tabel gizi produk. Jika dari ponsel, Anda bisa langsung menggunakan kamera.
    2.  **Deteksi Teks (OCR)**: Sistem akan secara otomatis mendeteksi teks dan angka pada gambar.
    3.  **Koreksi Manual**: Periksa hasil deteksi. Jika ada yang kurang tepat, Anda bisa memperbaikinya di formulir.
    4.  **Hitung Grade**: Klik tombol "Hitung" untuk melihat hasil analisis, grade, dan saran nutrisi.
    """)
    
with st.expander("⚠️ Harap Diperhatikan"):
    st.markdown("""
    - Aplikasi ini masih dalam tahap **pengembangan (prototipe)**.
    - Hasil ekstraksi otomatis mungkin tidak 100% akurat. **Selalu verifikasi dengan label fisik**.
    - Dijalankan pada server gratis, mohon maaf jika terkadang lambat atau mengalami kendala.
    - Kode sumber tersedia di [Hugging Face](https://huggingface.co/spaces/tataaditya/nutri-grade). Kontribusi dan feedback sangat kami hargai.
    - Referensi utama: [Health Promotion Board Singapore](https://www.hpb.gov.sg/docs/default-source/pdf/nutri-grade-ci-guide_eng-only67e4e36349ad4274bfdb22236872336d.pdf).
    """)

# --- Inisialisasi Model OCR ---
ocr_model = load_ocr_model()

# --- STEP 1: Upload Gambar ---
uploaded_file = st.file_uploader(
    "Upload gambar tabel gizi di sini (JPG/PNG)",
    type=["jpg", "jpeg", "png"]
)

if uploaded_file is not None:
    # Menggunakan session state untuk menyimpan hasil agar tidak perlu diulang
    if 'last_uploaded_file' not in st.session_state or st.session_state.last_uploaded_file != uploaded_file.name:
        st.session_state.last_uploaded_file = uploaded_file.name
        st.session_state.ocr_data = None
        st.session_state.extracted_data = {}

    # Konversi dan tampilkan gambar
    image_bytes = np.asarray(bytearray(uploaded_file.read()), dtype=np.uint8)
    img = cv2.imdecode(image_bytes, 1)
    img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    st.image(img_rgb, caption="Gambar yang diunggah", use_column_width=True)
    
    # Simpan gambar sementara untuk diproses OCR
    img_path = "uploaded_image.jpg"
    cv2.imwrite(img_path, img)

    # --- STEP 2: Proses OCR (hanya jika belum ada datanya) ---
    if st.session_state.ocr_data is None:
        with st.spinner("Membaca teks dari gambar... Ini mungkin memakan waktu beberapa detik."):
            start_time = time.time()
            st.session_state.ocr_data = perform_ocr(img_path, ocr_model)
            ocr_time = time.time() - start_time
        
        if not st.session_state.ocr_data:
            st.error("OCR tidak dapat menemukan teks apapun pada gambar. Coba gambar yang lebih jelas.")
            st.stop()
        else:
            st.success(f"OCR berhasil! Ditemukan {len(st.session_state.ocr_data)} baris teks dalam {ocr_time:.2f} detik.")
            st.session_state.extracted_data = extract_key_values(st.session_state.ocr_data, TARGET_KEYS)

    # Tampilkan hasil OCR dengan bounding box untuk referensi
    with st.expander("Lihat Hasil Deteksi Teks (OCR)"):
        boxes_ocr = [line["box"] for line in st.session_state.ocr_data]
        texts_ocr = [line["text"] for line in st.session_state.ocr_data]
        scores_ocr = [line["score"] for line in st.session_state.ocr_data]
        # Gunakan font default jika simfang tidak ada
        try:
            im_show = draw_ocr(Image.open(img_path).convert("RGB"), boxes_ocr, texts_ocr, scores_ocr, font_path="simfang.ttf")
        except:
            im_show = draw_ocr(Image.open(img_path).convert("RGB"), boxes_ocr, texts_ocr, scores_ocr)
        im_show = Image.fromarray(im_show)
        st.image(im_show, caption="Hasil OCR dengan Bounding Boxes", use_column_width=True)

    # --- STEP 3: Koreksi Manual ---
    st.markdown("---")
    st.subheader("Verifikasi & Koreksi Data")
    st.info("Periksa dan koreksi nilai yang diekstrak jika perlu. Masukkan **hanya angka** (gunakan titik untuk desimal).")

    with st.form("correction_form"):
        corrected_data = {}
        # Ambil nilai dari session state sebagai default
        extracted_data = st.session_state.extracted_data
        
        for key in TARGET_KEYS.keys():
            key_cap = key.capitalize()
            # Ambil nilai yang sudah diekstrak, jika tidak ada, biarkan kosong
            default_val = extracted_data.get(key_cap, "")
            corrected_data[key_cap] = st.text_input(
                label=f"**{key_cap}** (angka saja)",
                value=default_val
            )
        
        submit_button = st.form_submit_button("✅ Hitung Grade & Dapatkan Saran")

    # --- STEP 4: Kalkulasi dan Tampilan Hasil ---
    if submit_button:
        try:
            # Ambil nilai dari form yang sudah dikoreksi
            serving_size = parse_numeric_value(corrected_data.get("Takaran saji", "100"))
            sugar_value = parse_numeric_value(corrected_data.get("Gula", "0"))
            fat_value = parse_numeric_value(corrected_data.get("Lemak jenuh", "0"))
            
            if serving_size <= 0:
                st.error("Takaran Saji harus lebih besar dari nol untuk melakukan normalisasi.")
                st.stop()

            # Normalisasi ke per 100g/ml
            sugar_norm = (sugar_value / serving_size) * 100
            fat_norm = (fat_value / serving_size) * 100
            
            # Hitung Grade
            sugar_grade, fat_grade, final_grade = calculate_final_grade(sugar_norm, fat_norm)

            st.markdown("---")
            st.subheader("Hasil Analisis Nutrisi")
            
            col1, col2 = st.columns(2)
            with col1:
                st.write("**Hasil Normalisasi per 100 g/ml**")
                df_tabel = pd.DataFrame({
                    "Nutrisi": ["Gula Total", "Lemak Jenuh"],
                    "Nilai (per 100 g/ml)": [f"{sugar_norm:.2f} g", f"{fat_norm:.2f} g"]
                })
                st.table(df_tabel)

            with col2:
                st.write("**Hasil Penilaian Grade**")
                st.metric(label="Grade Gula", value=sugar_grade)
                st.metric(label="Grade Lemak Jenuh", value=fat_grade)

            st.write("**Grade Akhir Produk**")
            display_colored_grade(final_grade)
            
            st.markdown("---")
            st.subheader("Saran dari Ahli Gizi AI")
            
            advice_data = {
                "serving_size": serving_size, "sugar_norm": sugar_norm, "fat_norm": fat_norm,
                "sugar_grade": sugar_grade, "fat_grade": fat_grade, "final_grade": final_grade
            }
            nutrition_advice = generate_nutrition_advice(advice_data)
            st.success(nutrition_advice)

        except Exception as e:
            st.error(f"Terjadi kesalahan saat perhitungan: {e}")

# ==============================================================================
# 5. FOOTER
# ==============================================================================
st.markdown("---")

# --- Tampilan Tim Pengembang ---
st.markdown("""
<div style="border: 1px solid #dfe6e9; padding: 15px; border-radius: 10px; margin-top: 20px; background-color: #fafafa;">
  <h4 style="text-align: center; color: #007BFF;">Tim Pengembang</h4>
  <p><strong>Nicholas Dominic</strong>, Mentor - <a href="https://www.linkedin.com/in/nicholas-dominic" target="_blank">LinkedIn</a></p>
  <p><strong>Tata Aditya Pamungkas</strong>, Machine Learning - <a href="https://www.linkedin.com/in/tata-aditya-pamungkas" target="_blank">LinkedIn</a></p>
  <p><strong>Raihan Hafiz</strong>, Web Dev - <a href="https://www.linkedin.com/in/m-raihan-hafiz-91a368186" target="_blank">LinkedIn</a></p>
</div>
""", unsafe_allow_html=True)

with st.expander("Rencana Pengembangan & Inovasi Selanjutnya 🚀"):
    st.markdown("""
    1.  **Infrastruktur yang Lebih Baik**: Migrasi ke server berbayar untuk meningkatkan kecepatan, stabilitas, dan kapasitas pengguna.
    2.  **Fitur Food Recall**: Mengembangkan fitur untuk mencatat asupan makanan harian (*real food*), bukan hanya produk kemasan. Ide ini divalidasi setelah diskusi dengan nutritionist [Firza Marhamah](https://www.linkedin.com/in/firza-marhamah).
    3.  **Kalkulator Kalori Harian**: Menambahkan fitur penghitung kebutuhan kalori harian yang dipersonalisasi berdasarkan data pengguna (usia, berat badan, tinggi badan, tingkat aktivitas).
    """)