Update app.py

app.py

@@ -78,6 +78,27 @@ def extract_tfidf_features(texts, tfidf_vectorizer):
 tfidf_model_path = 'X_tfidf_model.joblib'
 tfidf_vectorizer = joblib.load(tfidf_model_path)
 
+# Fungsi untuk memilih model berdasarkan pilihan pengguna
+def select_sentiment_model(selected_model):
+    if selected_model == "Random Forest":
+        model_path = 'best_rf_model_smote.joblib'
+    elif selected_model == "Ensemble":
+        model_path = 'ensemble_clf_soft_smote.joblib'
+    elif selected_model == "Naive Bayes":
+        model_path = 'naive_bayes_model_smote.joblib'
+    elif selected_model == "Logistic Regression":
+        model_path = 'logreg_model_smote.joblib'
+    else:
+        # Fallback ke model default jika pilihan tidak valid
+        model_path = 'ensemble_clf_soft_smote.joblib'
+
+    model = joblib.load(model_path)
+    return model
+
+# Memilih model sentimen berdasarkan pilihan pengguna
+sentiment_model = select_sentiment_model(selected_model)
+
+
 # Fungsi untuk prediksi sentimen
 def predict_sentiment(text, model, tfidf_vectorizer, slang_dict):
     # Tahap-1: Membersihkan dan normalisasi teks
@@ -96,10 +117,6 @@ def predict_sentiment(text, model, tfidf_vectorizer, slang_dict):
 
     return sentiment_label
 
-# Memuat model sentimen dengan joblib (pastikan path-nya benar)
-sentiment_model_path = 'ensemble_clf_soft_smote.joblib'
-sentiment_model = joblib.load(sentiment_model_path)
-
 def get_emoticon(sentiment):
     if sentiment == "Positif":
         emoticon = "😄"  # Emotikon untuk sentimen positif
@@ -123,6 +140,9 @@ def get_table_download_link(df, download_format):
 # Judul
 st.title("Aplikasi ML Analisis Sentimen based on data Biskita Transpakuan")
 
+# Tambahkan widget untuk memilih model
+selected_model = st.selectbox("Pilih Model Sentimen:", ("Random Forest", "Ensemble", "Naive Bayes", "Logistic Regression"))
+
 # Pilihan input teks manual atau berkas XLSX
 input_option = st.radio("Pilih metode input:", ("Teks Manual", "Unggah Berkas XLSX"))