import gradio as gr
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# Data training sederhana (gantilah dengan data sebenarnya)
X = np.random.rand(100, 2)  # Data input acak
y = (X[:, 0] + X[:, 1] > 1).astype(int)  # Label sederhana (contoh: X1 + X2 > 1)

# Fungsi untuk melatih model dan menghitung akurasi
def train_and_evaluate_model(train_data):
    # Pisahkan data menjadi fitur dan label
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
    
    # Inisialisasi model (gunakan model yang sesuai dengan kasus sebenarnya)
    model = LogisticRegression()
    
    # Latih model pada data pelatihan
    model.fit(X_train, y_train)
    
    # Prediksi dengan data uji
    y_pred = model.predict(X_test)
    
    # Hitung tingkat akurasi
    accuracy = accuracy_score(y_test, y_pred)
    
    return accuracy

# Antarmuka Gradio untuk input data dan menampilkan akurasi
iface = gr.Interface(
    fn=train_and_evaluate_model,
    inputs="text",  # Gradio memungkinkan berbagai jenis input, tetapi kita gunakan "text" sebagai contoh
    outputs="text"
)

iface.launch()