Upload 10 files

app.py

@@ -0,0 +1,41 @@
+import streamlit as st
+import eda
+import models
+
+
+page = st.sidebar.selectbox(label='Select Page:', options=['Home Page', 'Exploration Data Analysis', 'Model Prediksi'])
+
+if page == 'Home Page':
+    st.header('Welcome Page') 
+    st.write('')
+    st.write('Credit Card Default Next Month Payment Prediction')
+    st.write('Nama      : Syihabuddin Ahmad Satisma')
+    st.write('Batch     : HCK-017')
+    st.write('Tujuan    : Memprediksi seorang klien apakah akan gagal bayar atau tidak')
+    st.write('')
+    st.caption('Silahkan pilih menu lain di Select Box pada sebelah kiri layar anda untuk memulai!')
+    st.write('')
+    st.write('')
+    with st.expander("Latar Belakang"):
+        st.caption('Sebuah perusahaan pemberi jasa kartu kredit\
+                    ingin mengurangi resiko seorang klien yang\
+                    kemungkinan gagal bayar. Karena dengan\
+                    gagalnya seorang klien membayar angsuran kartu\
+                    kredit tentu akan mempengaruhi kesehatan dari\
+                    keuangan sebuah perusahaan tersebut.')
+
+    with st.expander("Problem Statement"):
+            st.caption('Keuangan suatu perusahaan penyedia jasa\
+                        layanan kartu kredit terdampak signifikan\
+                        dari gagalnya klien dalam mengangsur pembayaran.\
+                        Maka dari itu perusahaan ingin mengetahui\
+                        kemungkinan apakah bulan depan seorang klien akan\
+                        gagal bayar atau tidak jika dilihat dengan pattern dan data.')
+
+    with st.expander("Kesimpulan"):
+        st.caption('Berdasarkan problem statement di atas saya berencana untuk membuat model\
+                   yang dapat mengklasifikasikan seseorang akan membayar atau tidak dengan menggunakan metode SVM.')
+elif page == 'Exploration Data Analysis':
+    eda.run()
+else:
+     models .run()

eda.py

@@ -0,0 +1,68 @@
+import streamlit as st
+import pandas as pd
+from PIL import Image
+
+#membuat function untuk nantinya dipanggil di app.py
+def run():
+    st.title('Welcome to Exploration Data Analysis')
+#Memanggil data csv 
+    df= pd.read_csv('P1G5_Set_1_Syihabuddin_Ahmad.csv')
+
+#menampilakn 5 data teratas
+    st.table(df.head(5))
+
+#menampilakn heatmap
+    st.title('Heatmap Correlation')
+    image = Image.open('heatmap.png')
+    st.image(image, caption='Numeric column to default pay')
+
+#menampilkan penjelasan 
+    with st.expander('Explanation'):
+        st.caption('Pengecekan korelasi antara kolom numerik\
+                    dengan angka, dapat diketahui bahwa kolom\
+                    numerik yang berkorelasi dengan default_pay\
+                    yaitu: limit_balance, pay_amt_1, pay_amt_2,\
+                    pay_amt_3, pay_amt_4 dan pay_amt_6')
+        
+#menampilakn barplot
+    st.title('Barplot Default Pay Distribution')
+    image = Image.open('defpaypers.png')
+    st.image(image, caption='Data Distribution')
+
+#menampilkan penjelasan 
+    with st.expander('Explanation'):
+        st.caption('Pengecekan distribusi data dari kolom default_payment_next_month\
+                    dapat diketahui bahwa datanya adalah imbalance karena perbedaannya\
+                    sangat signifikan antara kategori No dengan kategori Yes dengan\
+                    total 78.58% dibandingkan dengan 21.42%. Dari data tersebut dapat\
+                    ditarik kesimpulan bahwa hanya sedikit orang yang gagal bayar yaitu\
+                    sebanyak 21.42%')
+        
+#menampilakn barplot
+    st.title('Default Pay Education Level')
+    image = Image.open('graph3.png')
+    st.image(image, caption='Education Level Default Payment')
+
+#menampilkan penjelasan 
+    with st.expander('Explanation'):
+        st.caption('Grafik di atas menunjukan grafik dari default pay dengan kategori\
+                    education level. Dapat diambil kesimpulan bahwa data yang tidak\
+                    gagal bayar ataupun yang gagal bayar tertingginya adalah di kategori\
+                    University. Pada kategori University ini, terjadi lebih banyak gagal\
+                    bayar dibandingkan kategori yang lainnya.')
+        
+#menampilakn barplot
+    st.title('Marital Status to Default Pay')
+    image = Image.open('graph4.png')
+    st.image(image, caption='Marital status column to default pay')
+
+#menampilkan penjelasan 
+    with st.expander('Explanation'):
+        st.caption('Pada grafik di atas dapat diketahui bahwa status pernikahan yang single\
+                    memiliki jumlah yang lebih banyak dibandingkan menikah dalam konteks\
+                    tidak gagal bayar, namun pada konteks gagal bayar hampir tidak memiliki\
+                    perbedaan.')
+
+
+
+

model.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:5831aea1303342898dc0b18b6946aada607ca790c22002d220be24764df668d6
+size 110390

models.py

@@ -0,0 +1,59 @@
+import streamlit as st
+import pandas as pd
+import pickle
+
+st.write('Model untuk prediksi gagal bayar atau tidak gagal bayar. \
+    \n0: Sukses bayar\
+    \n1: Telat sebulan\
+    \n2: Telat 2 bulan\
+    \n3: Telat 3 bulan\
+    \n4: Telah lebih dari 3 bulan.')
+
+def run():
+    # Load All Files
+    with open('model.pkl', 'rb') as file:
+        full_process = pickle.load(file)
+
+    pay_1 = st.selectbox(label='choose delay payment in a month', options=[0.0, 1.0, 2.0, 3.0, 4.0], key='pay_1')
+    pay_2 = st.selectbox(label='choose delay payment in a month', options=[0.0, 1.0, 2.0, 3.0, 4.0], key='pay_2')
+    pay_3 = st.selectbox(label='choose delay payment in a month', options=[0.0, 2.0, 3.0, 4.0], key='pay_3')
+    pay_4 = st.selectbox(label='choose delay payment in a month', options=[0.0, 2.0, 3.0, 4.0], key='pay_4')
+    pay_5 = st.selectbox(label='choose delay payment in a month', options=[0.0, 2.0, 3.0, 4.0], key='pay_5')
+    pay_6 = st.selectbox(label='choose delay payment in a month', options=[0.0, 2.0, 3.0, 4.0], key='pay_6')
+    limit_balance = st.number_input(label='Limit Balance', key='limit_balance')
+    pay_amt_1 = st.number_input(label='Pay Amount 1', key='pay_amt_1')
+    pay_amt_2 = st.number_input(label='Pay Amount 2', key='pay_amt_2')
+    pay_amt_3 = st.number_input(label='Pay Amount 3', key='pay_amt_3')
+    pay_amt_4 = st.number_input(label='Pay Amount 4', key='pay_amt_4')
+    pay_amt_6 = st.number_input(label='Pay Amount 6', key='pay_amt_6')
+    
+    st.write('In the following is the result of the data you have input:')
+    
+    data_inf = pd.DataFrame({
+         'pay_1': [pay_1],
+         'pay_2': [pay_2],
+         'pay_3': [pay_3],
+         'pay_4': [pay_4],
+         'pay_5': [pay_5],
+         'pay_6': [pay_6],
+         'Limit Balance': [limit_balance],
+         'pay amount 1': [pay_amt_1],
+         'pay amount 2': [pay_amt_2],
+         'pay amount 3': [pay_amt_3],
+         'pay amount 4': [pay_amt_4],
+         'pay amount 6': [pay_amt_6]
+    })
+
+    st.table(data_inf)
+
+    if st.button(label='Predict'):
+        # data dummy prediction
+        yPred_inf = full_process.predict(data_inf)
+        st.metric(label="Here is a prediction of default payment next month:", value=y_pred_inf[0])
+
+        # result of prediction
+        if yPred_inf[0] == 0:
+            st.write('Not Default')
+
+        else:
+            st.write('Default')

requirements.txt

@@ -0,0 +1,7 @@
+pandas
+numpy
+seaborn
+matplotlib
+scikit-learn
+imbalanced-learn
+feature-engine