Update app.py

app.py

@@ -1,408 +1,249 @@
 # ==============================================================================
-# 1. IMPORT LIBRARY
+# BAGIAN 1: IMPORT LIBRARY & KONFIGURASI AWAL
 # ==============================================================================
 import streamlit as st
 import cv2
 import numpy as np
 import re
+import os
 import pandas as pd
 from PIL import Image
 import time
+import requests
 from paddleocr import PaddleOCR, draw_ocr
-import openai
 
-# ==============================================================================
-# 2. KONFIGURASI APLIKASI
-# ==============================================================================
-# Konfigurasi halaman Streamlit (sebaiknya dipanggil sekali di awal)
+# Konfigurasi halaman Streamlit
 st.set_page_config(
-    page_title="Nutri-Grade Calculator",
-    page_icon="🍏",
-    layout="centered",
+    page_title="Nutri-Grade Label Detection",
+    page_icon="🥗",
+    layout="wide",
     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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"
+# --- Memuat API Key dengan aman menggunakan st.secrets ---
 try:
-    openai.api_key = st.secrets["OPENAI_API_KEY"]
-except (KeyError, FileNotFoundError):
-    st.error("Kunci API OpenRouter tidak ditemukan. Harap atur di st.secrets.")
+    OPENROUTER_API_KEY = st.secrets["OPENROUTER_API_KEY"]
+except KeyError:
+    st.error("API Key (OPENROUTER_API_KEY) tidak ditemukan. Harap buat file .streamlit/secrets.toml.")
     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"]
-}
+OPENROUTER_BASE_URL = "https://openrouter.ai/api/v1"
 
 # ==============================================================================
-# 3. FUNGSI-FUNGSI UTAMA
+# BAGIAN 2: FUNGSI-FUNGSI BANTUAN (HELPER FUNCTIONS)
 # ==============================================================================
 
 @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 initialize_ocr():
+    """Memuat model PaddleOCR ke dalam cache agar tidak dimuat berulang kali."""
+    st.info("Pertama kali dijalankan: Memuat model OCR. Mohon tunggu sebentar...")
+    # Langsung gunakan CPU mode (use_gpu=False) untuk stabilitas maksimum di server gratis.
+    try:
+        ocr = PaddleOCR(use_gpu=False, lang='en', show_log=False)
+        return ocr
+    except Exception as e:
+        st.error(f"Gagal total memuat model OCR: {e}")
+        return None
 
 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):
+    """Membersihkan string dan mengubahnya menjadi angka float yang valid."""
+    if not text:
+        return 0.0
+    # Mengambil hanya digit dan titik desimal
+    cleaned = re.sub(r"[^\d\.]", "", str(text))
+    if not cleaned or cleaned == ".":
         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.
-    """
+def extract_nutrition_data(ocr_list: list) -> dict:
+    """Mengekstrak data Gula, Lemak Jenuh, dan Takaran Saji dari hasil OCR."""
+    target_keys = {
+        "Takaran saji": ["takaran saji", "serving size", "per serving", "sajian"],
+        "Gula": ["gula", "sugar", "sugars", "total sugar"],
+        "Lemak jenuh": ["lemak jenuh", "saturated fat", "saturated", "sat fat"]
+    }
     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:
+
+    # Mencari nilai berdasarkan kata kunci yang paling relevan
+    for item in ocr_list:
         txt_lower = item["text"].lower()
         for canonical, variants in target_keys.items():
-            if canonical.capitalize() not in extracted:
+            if canonical 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
+                        # Mencari angka dalam baris teks yang sama
+                        found_numbers = re.findall(r'(\d+\.?\d*)', txt_lower)
+                        if found_numbers:
+                            extracted[canonical] = found_numbers[0]
+                            break # Lanjut ke kata kunci berikutnya
+                if canonical in extracted:
+                    break # Lanjut ke baris teks 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")
-    
+def calculate_grades(sugar_norm: float, fat_norm: float) -> tuple[str, str, str]:
+    """Menghitung grade A, B, C, atau D berdasarkan nilai ternormalisasi."""
+    thresholds_sugar = {"A": 1.0, "B": 5.0, "C": 10.0}
+    thresholds_fat = {"A": 0.7, "B": 1.2, "C": 2.8}
+
+    def get_grade(value, thresholds):
+        if value <= thresholds["A"]: return "Grade A"
+        if value <= thresholds["B"]: return "Grade B"
+        if value <= thresholds["C"]: return "Grade C"
+        return "Grade D"
+
+    sugar_grade = get_grade(sugar_norm, thresholds_sugar)
+    fat_grade = get_grade(fat_norm, thresholds_fat)
+
+    grade_scores = {"Grade A": 1, "Grade B": 2, "Grade C": 3, "Grade D": 4}
     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.
-    """
+    return sugar_grade, fat_grade, final_grade
+
+def get_nutrition_advice(serving_size, sugar_norm, fat_norm, sugar_grade, fat_grade, final_grade):
+    """Mengirim request ke OpenRouter API untuk mendapatkan saran nutrisi dari AI."""
     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... 🤖")
+    Anda adalah ahli gizi dari Indonesia yang ramah dan suportif.
+    Data nutrisi produk:
+    - Kandungan Gula (per 100g): {sugar_norm:.1f}g (Grade: {sugar_grade})
+    - Kandungan Lemak Jenuh (per 100g): {fat_norm:.1f}g (Grade: {fat_grade})
+    - Grade Akhir Produk: {final_grade}
+
+    Tugas: Berikan saran nutrisi yang singkat, positif, dan actionable dalam 1-2 kalimat.
+    Fokus pada bagaimana cara menikmati produk ini secara bijak dalam pola makan seimbang.
+    Gunakan bahasa yang mudah dimengerti.
+    """
+    headers = {"Authorization": f"Bearer {OPENROUTER_API_KEY}"}
+    payload = {
+        "model": "qwen/qwen2.5-vl-72b-instruct:free",
+        "messages": [{"role": "user", "content": nutrition_prompt}],
+        "max_tokens": 150, "temperature": 0.7
+    }
     try:
-        completion = openai.ChatCompletion.create(
-            model=AI_MODEL_NAME,
-            messages=[{"role": "user", "content": nutrition_prompt}]
-        )
-        return completion.choices[0].message.content
+        response = requests.post(f"{OPENROUTER_BASE_URL}/chat/completions", headers=headers, json=payload, timeout=30)
+        response.raise_for_status() # Ini akan memicu error jika status code bukan 2xx
+        return response.json()["choices"][0]["message"]["content"]
+    except requests.exceptions.RequestException as e:
+        return f"Error API: Gagal terhubung ke server. {e}"
     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)
+        return f"Error: Terjadi kesalahan saat memproses respons AI. {e}"
 
 # ==============================================================================
-# 4. TAMPILAN ANTARMUKA (USER INTERFACE)
+# BAGIAN 3: TAMPILAN UTAMA APLIKASI (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.")
+st.title("🥗 Kalkulator Nutri-Grade")
+st.caption("Unggah foto label gizi untuk menganalisis kandungan gula & lemak jenuhnya.")
 
-# --- 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"):
+# --- Petunjuk & Informasi ---
+with st.expander("📋 Lihat Petunjuk Penggunaan"):
     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).
+    1.  **Unggah Gambar**: Pilih atau ambil foto label gizi produk.
+    2.  **Analisis Otomatis**: Sistem akan langsung mendeteksi teks dan angka.
+    3.  **Koreksi Data**: Periksa angka yang diekstrak. Perbaiki jika ada yang salah di formulir.
+    4.  **Hitung & Lihat Hasil**: Klik tombol "Hitung Grade" untuk melihat hasilnya.
     """)
 
 # --- Inisialisasi Model OCR ---
-ocr_model = load_ocr_model()
+ocr_model = initialize_ocr()
+if ocr_model is None:
+    st.error("Model OCR tidak dapat dimuat. Aplikasi tidak bisa melanjutkan.")
+    st.stop()
 
 # --- STEP 1: Upload Gambar ---
+st.header("1. Unggah Gambar Label Gizi")
 uploaded_file = st.file_uploader(
-    "Upload gambar tabel gizi di sini (JPG/PNG)",
+    "Pilih gambar (JPG/PNG/JPEG)",
     type=["jpg", "jpeg", "png"]
 )
 
+# Alur akan berjalan jika ada file yang diunggah
 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).")
-
+    # Baca dan tampilkan gambar
+    file_bytes = np.asarray(bytearray(uploaded_file.read()), dtype=np.uint8)
+    img = cv2.imdecode(file_bytes, cv2.IMREAD_COLOR)
+    st.image(cv2.cvtColor(img, cv2.COLOR_BGR2RGB), caption="Gambar yang diunggah", use_column_width=True)
+
+    # --- STEP 2: Analisis OCR Otomatis ---
+    with st.spinner("Menganalisis teks pada gambar..."):
+        temp_img_path = "temp_uploaded_image.jpg"
+        cv2.imwrite(temp_img_path, img)
+        ocr_result = ocr_model.ocr(temp_img_path, cls=True)
+
+    if not ocr_result or not ocr_result[0]:
+        st.error("Tidak ada teks yang dapat dideteksi. Coba gunakan gambar yang lebih jelas.")
+        st.stop()
+
+    # Proses dan ekstrak data dari hasil OCR
+    ocr_list = [{"text": line[1][0], "box": line[0]} for line in ocr_result[0]]
+    extracted_data = extract_nutrition_data(ocr_list)
+
+    st.success("Analisis OCR selesai! Data berikut berhasil diekstrak:")
+    st.json(extracted_data) # Tampilkan data yang diekstrak dalam format JSON yang rapi
+
+    # --- STEP 3: Formulir Koreksi dan Perhitungan ---
+    st.header("2. Verifikasi Data & Hitung Grade")
     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 ---
+        st.caption("Periksa kembali angka di bawah ini. Koreksi jika perlu, lalu klik hitung.")
+        col1, col2, col3 = st.columns(3)
+
+        takaran_saji = col1.text_input("Takaran Saji (g/ml)", value=extracted_data.get("Takaran saji", "100"))
+        gula = col2.text_input("Gula (g)", value=extracted_data.get("Gula", "0"))
+        lemak_jenuh = col3.text_input("Lemak Jenuh (g)", value=extracted_data.get("Lemak jenuh", "0"))
+
+        submit_button = st.form_submit_button("🧮 Hitung Grade", type="primary", use_container_width=True)
+
     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}")
+        # Konversi input ke angka
+        serving_size_val = parse_numeric_value(takaran_saji)
+        sugar_val = parse_numeric_value(gula)
+        fat_val = parse_numeric_value(lemak_jenuh)
 
-# ==============================================================================
-# 5. FOOTER
-# ==============================================================================
+        if serving_size_val <= 0:
+            st.error("Nilai 'Takaran Saji' harus lebih dari nol.")
+        else:
+            # Normalisasi nilai nutrisi ke per 100g/ml
+            sugar_norm = (sugar_val / serving_size_val) * 100
+            fat_norm = (fat_val / serving_size_val) * 100
+
+            # Hitung grade
+            sugar_grade, fat_grade, final_grade = calculate_grades(sugar_norm, fat_norm)
+
+            # --- STEP 4: Tampilkan Hasil ---
+            st.header("🏆 Hasil Analisis Anda")
+            col1, col2 = st.columns([1, 2]) # Buat kolom dengan rasio lebar 1:2
+
+            with col1: # Kolom Kiri untuk Grade Akhir
+                color_map = {"A": "#2ecc71", "B": "#f1c40f", "C": "#e67e22", "D": "#e74c3c"}
+                grade_letter = final_grade.split(" ")[-1]
+                bg_color = color_map.get(grade_letter, "#7f8c8d")
+                st.markdown(f"""
+                <div style="background-color: {bg_color}; padding: 20px; border-radius: 10px; text-align: center; color: white;">
+                    <p style="font-size: 1.2em; margin:0;">Grade Akhir</p>
+                    <h1 style="font-size: 4em; margin:0; color: white;">{grade_letter}</h1>
+                </div>
+                """, unsafe_allow_html=True)
+
+            with col2: # Kolom Kanan untuk detail
+                st.metric(label=f"Kandungan Gula (per 100g)", value=f"{sugar_norm:.1f} g", delta=sugar_grade)
+                st.metric(label=f"Kandungan Lemak Jenuh (per 100g)", value=f"{fat_norm:.1f} g", delta=fat_grade)
+
+            # --- STEP 5: Tampilkan Saran AI ---
+            with st.spinner("Meminta saran dari Ahli Gizi AI..."):
+                advice = get_nutrition_advice(serving_size_val, sugar_norm, fat_norm, sugar_grade, fat_grade, final_grade)
+                if "Error" in advice:
+                    st.warning(advice)
+                else:
+                    st.success(f"💡 **Saran Ahli Gizi AI**: {advice}")
+
+    # Hapus file gambar sementara setelah selesai
+    if os.path.exists(temp_img_path):
+        os.remove(temp_img_path)
+
+# --- Footer dan Informasi Tambahan ---
 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).
-    """)
+st.markdown("Dibuat oleh Tim Nutri-Grade dengan Streamlit.")