Proyek ini adalah aplikasi machine learning untuk memprediksi kemungkinan karyawan resign berdasarkan data HR. Model yang digunakan adalah Decision Tree dan Random Forest, dilatih menggunakan dataset Dataset_HR.csv. Aplikasi di-deploy menggunakan FastAPI sebagai backend API dan Gradio sebagai frontend UI. Selain itu, mendukung deployment dengan Docker untuk kemudahan skalabilitas.

• Fitur Utama:
  • Prediksi resign karyawan berdasarkan input: tingkat kepuasan, lama bekerja, kecelakaan kerja, gaji, dan jam kerja per bulan.
  • Model: Random Forest (default) atau Decision Tree.
  • API Endpoint: /predict untuk prediksi via JSON.
  • UI: Gradio di /gradio untuk input interaktif.
• Dataset: Berdasarkan Dataset_HR.csv (tidak disertakan di repo ini; asumsikan Anda punya).
• Bahasa: Python 3.10+.

• Python 3.10 atau lebih tinggi.

• Dependensi (lihat requirements.txt):

  fastapi
  uvicorn
  gradio
  joblib
  pandas
  numpy
  scikit-learn
  

• Docker (untuk deployment containerized).

1. Clone repository (jika ada repo; atau buat folder project).

2. Instal dependensi:

   pip install -r requirements.txt

3. Pastikan folder models/ berisi:

   • random_forest_model.joblib
   • scaler.joblib (Dihasilkan dari train_model.py).

1. Jalankan training model (opsional, jika belum ada model):

   python train_model.py

2. Jalankan aplikasi:

   uvicorn app:app --reload

   • Akses API: http://localhost:8000/docs (Swagger UI untuk tes endpoint /predict).
   • Akses UI: http://localhost:8000/gradio (Gradio interface).

Kirim POST request ke /predict dengan JSON body:

{
  "tingkat_kepuasan": 0.5,
  "lama_bekerja": 3,
  "kecelakaan_kerja": 0,
  "gaji": 1,
  "jam_kerja_perbulan": 200
}

Respons: {"prediction": "ya"} atau "tidak".

• Buka http://localhost:8000/gradio.
• Masukkan nilai via slider/number/radio/dropdown.
• Klik "Submit" untuk lihat prediksi.

1. Build image:

   docker build -t prediksi-resign-app .

2. Run container:

   docker run -p 8000:8000 prediksi-resign-app

3. Akses seperti lokal: http://localhost:8000/gradio.

Gunakan Docker Compose jika perlu (lihat docker-compose.yml jika dibuat).

project/
├── app.py                  # FastAPI + Gradio app
├── train_model.py          # Script training model
├── models/                 # Folder model dan scaler
│   ├── random_forest_model.joblib
│   └── scaler.joblib
├── requirements.txt        # Dependensi
├── Dockerfile              # Untuk Docker build
└── README.md               # Dokumentasi ini

• Model Alternatif: Ganti ke Decision Tree di app.py jika diinginkan (gunakan pickle untuk load .pkl).
• Error Handling: Pastikan input valid; app punya try-except dasar.
• Improvement: Tambah autentikasi untuk production, atau integrasi database untuk data real-time.
• Kontribusi: Fork repo dan submit PR jika ada perbaikan.

Jika ada pertanyaan, hubungi pengguna repositori ini via email ke hendriyantofendy07@gmail.com. Terima kasih!