Update app.py

app.py

@@ -2,64 +2,37 @@ import streamlit as st
 import pandas as pd
 import joblib
 
-st.header('FTDS Model Deployment')
-st.write("""
-Created by FTDS Curriculum Team
-
-Use the sidebar to select input features.
-""")
-
-@st.cache
-def fetch_data():
-    df = pd.read_csv('https://raw.githubusercontent.com/ardhiraka/PFDS_sources/master/campus.csv')
-    return df
-
-df = fetch_data()
-st.write(df)
-
-st.sidebar.header('User Input Features')
-
-def user_input():
-    gender = st.sidebar.selectbox('Gender', df['gender'].unique())
-    ssc = st.sidebar.number_input('Secondary School Points', value=67.00)
-    hsc = st.sidebar.number_input('High School Points', 0.0, value=91.0)
-    hsc_s = st.sidebar.selectbox('High School Spec', df['hsc_s'].unique())
-    degree_p = st.sidebar.number_input('Degree Points', 0.0, value=58.0)
-    degree_t = st.sidebar.selectbox('Degree Spec', df['degree_t'].unique())
-    workex = st.sidebar.selectbox('Work Experience?', df['workex'].unique())
-    etest_p = st.sidebar.number_input('Etest Points', 0.0, value=78.00)
-    spec = st.sidebar.selectbox('Specialization', df['specialisation'].unique())
-    mba_p = st.sidebar.number_input('MBA Points', 0.0, value=54.55)
-
-    data = {
-        'gender': gender,
-        'ssc_p': ssc,
-        'hsc_p': hsc,
-        'hsc_s': hsc_s,
-        'degree_p': degree_p,
-        'degree_t': degree_t,
-        'workex': workex,
-        'etest_p': etest_p,
-        'specialisation':spec,
-        'mba_p': mba_p
-    }
-    features = pd.DataFrame(data, index=[0])
-    return features
-
-
-input = user_input()
-
-st.subheader('User Input')
-st.write(input)
-
-load_model = joblib.load("model.pkl")
-
-prediction = load_model.predict(input)
-
-if prediction == 1:
-    prediction = 'Placed'
+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('Milestone 2')
+    st.write('Nama      : Ryan Trisnadi')
+    st.write('Batch     : ')
+    st.write('Tujuan Milestone    : Prediksi harga rumah di Melbourne')
+    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('Proyek ini dibuat untuk mengilustrasikan dan memproyek kedepan harga rumah di kota Melbourne, Australia. Kita akan menguji dengan Linear regression
+dengan beberapa test algorithma seperti SVM, Decision Tree, Random Forest, dan Boosting. Oleh karena itu, kita akan memilih variable "price" atau harga
+rumah sebagai target. Dengan mengunakan Pipeline di setiap proses dari Feature Engineering, kita bisa membuat proses lebih efisien dan mencegah data leak. 
+Dataset tersebut memiliki beberapa faktor seperti alamat, kode pos, harga rumah, lokasi lingkungan, kamar, kamar mandi, garasi, besar tanah, umur dan 
+lain-lain'.)
+
+    with st.expander("Tujuan"):
+            st.caption('Untuk prediksi harga rata-rata rumah di Melbourne satu tahun kemudian')
+
+    with st.expander("Kesimpulan"):
+        st.caption('lorem ipsum')
+elif page == 'Exploration Data Analysis':
+    eda.run()
 else:
-    prediction = 'Not Placed'
-
-st.write('Based on user input, the placement model predicted: ')
-st.write(prediction)
+     models .run()