- Form Kinerja Rating Karyawan
+ Form Penilaian Kinerja Rating Karyawan
""", unsafe_allow_html=True
)
@@ -220,7 +220,7 @@ def show_pimpinan_form():
# Input Employee ID
if not st.session_state.employee_id: # Jika belum ada ID yang tersimpan
- employee_id = st.text_input("Masukkan Employee ID Karyawan", placeholder="Contoh: 12345")
+ employee_id = st.text_input("Masukkan ID Karyawan yang ingin diisi", placeholder="Contoh: 12345")
# Tombol untuk mencocokkan employee_id
if st.button("Isi Form"):
diff --git a/pages/prediction.py b/pages/prediction.py
index 4df8083..2413244 100644
--- a/pages/prediction.py
+++ b/pages/prediction.py
@@ -28,7 +28,6 @@ def connect_to_db():
st.error(f"Koneksi ke database gagal: {e}")
return None
-# Fungsi untuk mendapatkan data karyawan dari database
def get_employee_data_from_db(employee_id):
conn = connect_to_db()
if conn:
@@ -37,7 +36,7 @@ def get_employee_data_from_db(employee_id):
query = "SELECT * FROM data_employee_db WHERE employee_id = %s"
cursor.execute(query, (employee_id,))
result = cursor.fetchone()
- return result # Kembalikan data sebagai dictionary jika ditemukan, None jika tidak
+ return result
except mysql.connector.Error as e:
st.error(f"Terjadi kesalahan saat mengakses database: {e}")
return None
@@ -307,16 +306,14 @@ def show_prediction():
Halaman Prediksi
-
- Masukkan ID Karyawan untuk memulai prediksi.
-
+
""", unsafe_allow_html=True
)
- employee_id = st.text_input("Masukkan ID Karyawan", placeholder="Contoh: EM12345")
+ employee_id = st.text_input("Masukkan ID Karyawan yang ingin dicek", placeholder="Contoh: EM12345")
# Tombol untuk memulai prediksi
- if st.button("Validasi dan Prediksi"):
+ if st.button("Lihat Hasil Prediksi"):
if not employee_id:
st.error("Harap masukkan ID Karyawan terlebih dahulu.")
return
@@ -328,10 +325,9 @@ def show_prediction():
return
# Proses data karyawan
- df = pd.DataFrame([employee_data]) # Ubah dictionary menjadi DataFrame
- df = process_employee_data(df) # Proses data
+ df = pd.DataFrame([employee_data])
+ df = process_employee_data(df)
- # Kolom yang diharapkan oleh model
expected_columns_class = class_model.feature_names_
expected_columns_reg = reg_model.feature_names_
@@ -453,11 +449,6 @@ def show_prediction():
buf = io.BytesIO()
plt.savefig(buf, format='png', bbox_inches="tight", dpi=100)
buf.seek(0)
- # cols = st.columns(2) # Bagi halaman menjadi 4 kolom
- # with cols[0]: # Grafik SHAP ditempatkan di kolom pertama
- # st.image(buf, caption="SHAP Waterfall Plot", use_container_width=True)
-
- # plt.close()
col1, col2 = st.columns([1.5, 2]) # **Kolom pertama untuk grafik, kolom kedua untuk penjelasan**
@@ -496,27 +487,6 @@ def show_prediction():
generate_shap_plot(X_test_class, explainer_class, shap_dict, predicted_class)
- # top_factors = sorted(shap_dict.items(), key=lambda x: abs(x[1]), reverse=True)[:5]
-
- # # Bangun kesimpulan dinamis
- # summary = " dan ".join(
- # [f"{factor} dengan kontribusi {'+' if value > 0 else ''}{value:.2f}" for factor, value in top_factors]
- # )
-
- # # Kesimpulan Dinamis
- # st.markdown(
- # f"""
- #
- # Grafik ini menunjukkan bagaimana hasil prediksi dihitung berdasarkan beberapa faktor utama.
- # Faktor-faktor yang paling memengaruhi hasil prediksi adalah {summary}.
- # Faktor-faktor ini memberikan kontribusi signifikan terhadap hasil akhir prediksi,
- # baik dalam meningkatkan maupun menurunkan probabilitas retensi karyawan.
- #
})