""",
unsafe_allow_html=True,
)
def save_prediction_to_db(employee_id, hasil_prediksi_klasifikasi, probabilitas_pred_klasifikasi, hasil_prediksi_regresi):
conn = connect_to_db()
if conn:
try:
cursor = conn.cursor()
query = """
INSERT INTO history_prediction (employee_id, hasil_prediksi_klasifikasi, probabilitas_pred_klasifikasi, hasil_prediksi_regresi)
VALUES (%s, %s, %s, %s)
"""
cursor.execute(query, (employee_id, hasil_prediksi_klasifikasi, probabilitas_pred_klasifikasi, hasil_prediksi_regresi))
conn.commit() # Pastikan perubahan disimpan
except mysql.connector.Error as e:
st.error(f"Terjadi kesalahan saat menyimpan ke database: {e}")
finally:
conn.close()
def save_shap_to_db_with_features(employee_id, shap_dict):
conn = connect_to_db()
if conn:
try:
shap_values_json = json.dumps(shap_dict)
# Query untuk menyimpan data ke database
query = """
INSERT INTO shap_pred_result (employee_id, shap_values)
VALUES (%s, %s)
"""
cursor = conn.cursor()
cursor.execute(query, (employee_id, shap_values_json))
conn.commit()
except mysql.connector.Error as e:
st.error(f"Terjadi kesalahan saat menyimpan SHAP values: {e}")
finally:
conn.close()
def show_prediction():
navbar()
st.markdown("""
""", unsafe_allow_html=True)
st.markdown(
"""
Halaman Prediksi
Masukkan ID Karyawan untuk memulai prediksi.
""", unsafe_allow_html=True
)
employee_id = st.text_input("Masukkan ID Karyawan", placeholder="Contoh: EM12345")
# Tombol untuk memulai prediksi
if st.button("Validasi dan Prediksi"):
if not employee_id:
st.error("Harap masukkan ID Karyawan terlebih dahulu.")
return
# Ambil data karyawan dari database
employee_data = get_employee_data_from_db(employee_id)
if employee_data is None:
st.error("ID Karyawan tidak ditemukan. Harap masukkan ID yang valid.")
return
# Proses data karyawan
df = pd.DataFrame([employee_data]) # Ubah dictionary menjadi DataFrame
df = process_employee_data(df) # Proses data
# Kolom yang diharapkan oleh model
expected_columns_class = class_model.feature_names_
expected_columns_reg = reg_model.feature_names_
# Kolom kategori
cat_feature = ['departemen', 'position', 'domisili', 'marriage_stat', 'job_satisfaction',
'performance_rating', 'education', 'active_work_category', 'resign_risk_indicator', 'jenis_kelamin']
# Pastikan data uji memiliki kolom yang sesuai dengan model
X_test_class = df[expected_columns_class]
X_test_reg = df[expected_columns_reg]
# Konversi fitur kategori menjadi string
for col in cat_feature:
if col in X_test_class.columns:
X_test_class[col] = X_test_class[col].astype(str)
if col in X_test_reg.columns:
X_test_reg[col] = X_test_reg[col].astype(str)
# Pool untuk data uji
test_pool_class = Pool(data=X_test_class, cat_features=cat_feature)
test_pool_reg = Pool(data=X_test_reg, cat_features=cat_feature)
# Prediksi
classification_prob = class_model.predict_proba(test_pool_class)
regression_result = reg_model.predict(test_pool_reg)
# Ambil hasil prediksi
predicted_class = 1 if classification_prob[0][1] > 0.5 else 0
hasil_prediksi_retensi = 'Tidak Retensi' if predicted_class == 1 else 'Retensi'
probabilitas_pred_retensi = classification_prob[0][1] * 100 # Dalam persen
hasil_prediksi_regresi = round(regression_result[0], 2)
warna_retensi = "green" if hasil_prediksi_retensi == "Retensi" else "red"
# Tampilkan hasil dalam kotak dengan warna
st.markdown(
f"""
Prediksi Kemungkinan Retensi: {hasil_prediksi_retensi}
Probabilitas Kemungkinan Retensi: {classification_prob[0][0]:.2f}
Prediksi Durasi Kerja (bulan): {hasil_prediksi_regresi} bulan
""",
unsafe_allow_html=True
)
# Simpan hasil ke database
save_prediction_to_db(employee_id, hasil_prediksi_retensi, probabilitas_pred_retensi, hasil_prediksi_regresi)
df_train = pd.read_csv(train_file_path)
background_data = df_train.sample(n=min(len(df_train), 50), random_state=42)
# TreeExplainer untuk model klasifikasi
explainer_class = shap.TreeExplainer(class_model, feature_perturbation="tree_path_dependent")
shap_values_class = explainer_class.shap_values(X_test_class)
# Pastikan SHAP values valid
if isinstance(shap_values_class, list) and len(shap_values_class) > 1:
try:
if predicted_class == 1:
shap_values = shap_values_class[1][0] # Ambil nilai SHAP untuk class 1
else:
shap_values = shap_values_class[0][0] # Ambil nilai SHAP untuk class 0
except IndexError:
st.error("SHAP values list index out of range.")
return
elif not isinstance(shap_values_class, list):
shap_values = shap_values_class[0] # Single-class output
else:
st.error("SHAP values tidak valid.")
return
# Konversi SHAP values ke bentuk list
shap_values_list = shap_values.flatten() # Rata array SHAP values menjadi 1D
feature_names = list(X_test_class.columns) # Ambil semua nama fitur
# Validasi panjang SHAP values dan nama fitur
if len(feature_names) != len(shap_values_list):
st.error(
f"Jumlah fitur ({len(feature_names)}) tidak sesuai dengan jumlah SHAP values ({len(shap_values_list)})."
)
return # Stop eksekusi jika tidak sesuai
shap_dict = {feature: shap_values_list[i] for i, feature in enumerate(feature_names)}
save_shap_to_db_with_features(employee_id, shap_dict)
plot_placeholder = st.empty()
# Modify the generate_shap_plot function
def generate_shap_plot(X_test_class, explainer_class, shap_dict, predicted_class):
plt.close('all')
try:
# Generate new SHAP explanation
shap_explanation = explainer_class(X_test_class.iloc[0:1])
# Create figure
plt.figure(figsize=(4, 2), dpi=100)
# Handle different SHAP value structures
if isinstance(shap_explanation, list):
# For multi-class output
if predicted_class == 1 and len(shap_explanation) > 1:
shap.plots.waterfall(shap_explanation[1][0])
else:
shap.plots.waterfall(shap_explanation[0][0])
else:
# For single-class output
shap.plots.waterfall(shap_explanation[0])
# Save and display plot
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**
with col1:
st.image(buf, caption="SHAP Waterfall Plot", use_container_width=True)
with col2:
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"""
Faktor Utama yang Mempengaruhi Prediksi:
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.
""",
unsafe_allow_html=True
)
plt.close()
except Exception as e:
st.error(f"Error generating SHAP plot: {str(e)}")
plt.close()
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.
#
})