Update src/streamlit_app.py

src/streamlit_app.py

@@ -1,40 +1,142 @@
-import altair as alt
-import numpy as np
-import pandas as pd
 import streamlit as st
+import torch
+from transformers import AutoTokenizer, AutoModelForSequenceClassification, pipeline
+import torch.nn as nn
 
-"""
-# Welcome to Streamlit!
-
-Edit `/streamlit_app.py` to customize this app to your heart's desire :heart:.
-If you have any questions, checkout our [documentation](https://docs.streamlit.io) and [community
-forums](https://discuss.streamlit.io).
-
-In the meantime, below is an example of what you can do with just a few lines of code:
-"""
-
-num_points = st.slider("Number of points in spiral", 1, 10000, 1100)
-num_turns = st.slider("Number of turns in spiral", 1, 300, 31)
-
-indices = np.linspace(0, 1, num_points)
-theta = 2 * np.pi * num_turns * indices
-radius = indices
-
-x = radius * np.cos(theta)
-y = radius * np.sin(theta)
-
-df = pd.DataFrame({
-    "x": x,
-    "y": y,
-    "idx": indices,
-    "rand": np.random.randn(num_points),
-})
-
-st.altair_chart(alt.Chart(df, height=700, width=700)
-    .mark_point(filled=True)
-    .encode(
-        x=alt.X("x", axis=None),
-        y=alt.Y("y", axis=None),
-        color=alt.Color("idx", legend=None, scale=alt.Scale()),
-        size=alt.Size("rand", legend=None, scale=alt.Scale(range=[1, 150])),
-    ))
+st.set_page_config(page_title="Dasbor Analisis Berita", page_icon="🚀", layout="wide")
+
+# --- Fungsi Pemuatan Model (Menggunakan Cache untuk Efisiensi) ---
+
+@st.cache_resource
+def load_fakenews_model():
+    """Memuat model dan tokenizer untuk deteksi berita palsu."""
+    st.info("Memuat model Deteksi Berita Palsu...")
+    tokenizer = AutoTokenizer.from_pretrained("vikram71198/distilroberta-base-finetuned-fake-news-detection")
+    model = AutoModelForSequenceClassification.from_pretrained("vikram71198/distilroberta-base-finetuned-fake-news-detection")
+    return tokenizer, model
+
+@st.cache_resource
+def load_topic_classifier():
+    """Memuat pipeline untuk klasifikasi topik berita."""
+    st.info("Memuat model Klasifikasi Topik...")
+    device = 0 if torch.cuda.is_available() else -1
+    classifier = pipeline("text-classification", model="classla/multilingual-IPTC-news-topic-classifier", device=device, max_length=512, truncation=True)
+    return classifier
+
+@st.cache_resource
+def load_summarizer():
+    """Memuat pipeline untuk peringkasan teks."""
+    st.info("Memuat model Peringkas Teks...")
+    device = 0 if torch.cuda.is_available() else -1
+    summarizer = pipeline("summarization", model="Falconsai/text_summarization", device=device)
+    return summarizer
+
+# --- Memuat semua model di awal ---
+# Menampilkan pesan loading saat model diunduh/dimuat untuk pertama kali
+with st.spinner("Mempersiapkan semua model AI... Ini mungkin memakan waktu beberapa saat pada pemuatan pertama."):
+    fakenews_tokenizer, fakenews_model = load_fakenews_model()
+    topic_classifier = load_topic_classifier()
+    summarizer = load_summarizer()
+
+# --- Antarmuka Pengguna (UI) Streamlit ---
+st.title("🚀 Dasbor Analisis Berita Cerdas")
+st.markdown("Analisis berita secara komprehensif: deteksi keaslian, identifikasi topik, dan dapatkan ringkasan instan.")
+
+st.markdown("---")
+
+user_input = st.text_area("Masukkan teks artikel berita yang ingin Anda analisis:", height=250, placeholder="Salin dan tempel artikel berita lengkap di sini...")
+
+analyze_button = st.button("✨ Analisis Sekarang!", type="primary")
+
+# --- Logika Backend dan Tampilan Hasil ---
+if analyze_button and user_input:
+    # Memastikan input tidak terlalu pendek
+    if len(user_input.split()) < 40:
+        st.warning("Teks terlalu pendek. Harap masukkan artikel yang lebih panjang untuk hasil yang akurat.")
+    else:
+        with st.spinner("Menganalisis keaslian, topik, dan membuat ringkasan..."):
+            
+            # --- Proses 1: Deteksi Berita Palsu ---
+            encoded_input = fakenews_tokenizer(user_input, truncation=True, padding="max_length", max_length=512, return_tensors='pt')
+            output_logits = fakenews_model(**encoded_input)["logits"]
+            softmax = nn.Softmax(dim=1)
+            probs = softmax(output_logits.detach())
+            prob_real, prob_fake = probs.squeeze().tolist()
+            
+            jenis_berita_label = "Berita Nyata" if prob_real > prob_fake else "Berita Palsu"
+            jenis_berita_score = prob_real if prob_real > prob_fake else prob_fake
+
+            # --- Proses 2: Klasifikasi Topik ---
+            topic_result = topic_classifier(user_input)[0]
+            tema_label = topic_result['label'].title()
+            tema_score = topic_result['score']
+
+            # --- Proses 3: Peringkasan Teks ---
+            try:
+                # 1. Hitung jumlah token pada teks input.
+                input_token_count = len(fakenews_tokenizer.encode(user_input))
+
+                # 2. Tentukan target panjang ringkasan (misal, 20% dari input)
+                #    dan batasi (clamp) dalam rentang yang aman (minimal 70, maksimal 250 token).
+                target_length = input_token_count // 5  # Target 20% dari panjang input
+                
+                # Pastikan target tidak kurang dari 70 dan tidak lebih dari 250
+                safe_max_length = max(70, min(250, target_length))
+                safe_min_length = max(50, safe_max_length // 2) # min_length = setengah dari max_length
+
+                st.info(f"Panjang Input: {input_token_count} token. Target ringkasan: ~{safe_max_length} token.")
+
+                # 3. Panggil summarizer dengan parameter yang sudah dihitung dan aman
+                summary_result = summarizer(
+                    user_input,
+                    max_length=safe_max_length,
+                    min_length=safe_min_length,
+                    do_sample=False
+                )[0]
+                ringkasan_teks = summary_result['summary_text']
+
+            except Exception as e:
+                st.error(f"Gagal membuat ringkasan: {e}")
+                ringkasan_teks = "Model tidak dapat memproses teks ini untuk diringkas."
+
+            # --- Menampilkan Hasil Sesuai Format yang Diminta ---
+            st.markdown("---")
+            st.header("Hasil Analisis Komprehensif")
+
+            # Baris 1: Jenis Berita
+            st.markdown("#### 1. Jenis Berita")
+            if jenis_berita_label == "Berita Nyata":
+                st.success(f"**{jenis_berita_label}**")
+            else:
+                st.error(f"**{jenis_berita_label}**")
+            
+            # Baris 2: Tema
+            st.markdown("#### 2. Tema")
+            st.info(f"**{tema_label}**")
+
+            # Baris 3: Ringkasan
+            st.markdown("#### 3. Ringkasan")
+            st.markdown(f"> {ringkasan_teks}")
+            
+            # Bagian Akurasi di Bawah
+            st.markdown("---")
+            st.subheader("📊 Tingkat Keyakinan Model")
+            
+            col1, col2, col3 = st.columns(3)
+            with col1:
+                st.markdown("**Keaslian**")
+                st.progress(jenis_berita_score)
+                st.write(f"{jenis_berita_score:.2%}")
+            
+            with col2:
+                st.markdown("**Topik**")
+                st.progress(tema_score)
+                st.write(f"{tema_score:.2%}")
+            
+            with col3:
+                st.markdown("**Ringkasan**")
+                st.info("Tidak Berlaku (Model Generatif)")
+
+
+elif analyze_button and not user_input:
+    st.error("Mohon masukkan teks berita terlebih dahulu untuk dianalisis.")