Upload app.py

app.py

@@ -0,0 +1,147 @@
+#!/usr/bin/env python
+# coding: utf-8
+
+# In[113]:
+
+
+import gradio as gr
+from transformers import pipeline
+import torch
+from scipy.special import softmax
+from transformers import BertForSequenceClassification, BertTokenizer, BertConfig
+
+
+# In[114]:
+
+
+tokenizer = BertTokenizer.from_pretrained("indobenchmark/indobert-base-p1")
+config = BertConfig.from_pretrained('indobenchmark/indobert-base-p1')
+model = BertForSequenceClassification.from_pretrained('indobenchmark/indobert-base-p1', config = config)
+
+
+# In[115]:
+
+
+def preprocess(text):
+    new_text = []
+    for t in text.split(" "):
+        t = '@user' if t.startswith('@') and len(t) > 1 else t
+        t = 'http' if t.startswith('http') else t
+        new_text.append(t)
+    return " ".join(new_text)
+
+
+# In[116]:
+
+
+def sentiment_analysis(text):
+    text = preprocess(text)
+    encoded_input = tokenizer(text, return_tensors='pt')
+    output = model(**encoded_input)
+    scores_ = output[0][0].detach().numpy()
+    scores_ = softmax(scores_)
+    # Format output dict of scores
+    labels = ['Negative', 'Neutral', 'Positive']
+    scores = {l:float(s) for (l,s) in zip(labels, scores_) }
+    return scores
+
+
+# In[117]:
+
+
+example_sentence_1 = "aduh mahasiswa sombong kasih kartu kuning belajar usahlah politik selesai kuliah nya politik telat dasar mahasiswa"
+example_sentence_2 = "lokasi strategis jalan sumatra bandung nya nyaman sofa lantai paella nya enak pas dimakan minum bir dingin appetiser nya enak enak"
+example_sentence_3 = "pakai kartu kredit bca tidak untung malah rugi besar"
+example_sentence_4 = "makanan beragam , harga makanan di food stall akan ditambahkan 10 % lagi di kasir , suasana ramai dan perlu perhatian untuk mendapatkan parkir dan tempat duduk"
+examples = [[example_sentence_1], [example_sentence_2],
+           [example_sentence_3], [example_sentence_4]]
+
+
+# In[118]:
+
+
+markdownn = '''
+## Sentiment Analysis IndoBERT by IndoNLU 
+![Sentiment](https://huggingface.co/spaces/neuralmagic/nlp-sentiment-analysis/resolve/main/class.png)
+
+### Apa itu Sentimen Analisis?
+Sentimen analisis atau sentiment analysis adalah proses untuk mengidentifikasi, mengekstrak, 
+dan memproses sentimen atau opini dari suatu teks, seperti artikel, review, tweet, atau status media sosial lainnya. 
+Tujuannya adalah untuk menentukan apakah sentimen yang diekspresikan dalam teks tersebut adalah positif, negatif, atau netral. 
+Sentimen analisis sering digunakan dalam berbagai industri, seperti bisnis, pemasaran, media sosial, dan politik untuk memahami opini atau persepsi publik tentang produk, merek, acara, atau isu tertentu. 
+
+### Tujuan Penggunaan
+Analisis sentimen adalah teknik yang dapat digunakan dalam berbagai aplikasi. Berikut adalah beberapa contoh kasus penggunaan untuk analisis sentimen. Pemantauan media sosial: Analisis sentimen dapat digunakan untuk memantau sentimen postingan media sosial tentang perusahaan atau merek. Teknik dapat membantu perusahaan memahami bagaimana merek mereka dirasakan oleh publik dan mengidentifikasi area untuk perbaikan.
+
+Secara keseluruhan, analisis sentimen adalah teknik serbaguna yang dapat digunakan di berbagai bidang untuk mendapatkan wawasan dari data tekstual.
+
+#### Dokumentasi Pipeline 
+Here is sample code for a sentiment analysis pipeline: 
+```python
+from deepsparse import Pipeline
+tokenizer = BertTokenizer.from_pretrained("indobenchmark/indobert-base-p1")
+config = BertConfig.from_pretrained('indobenchmark/indobert-base-p1')
+model = BertForSequenceClassification.from_pretrained('indobenchmark/indobert-base-p1')
+
+def preprocess(text):
+    new_text = []
+    for t in text.split(" "):
+        t = '@user' if t.startswith('@') and len(t) > 1 else t
+        t = 'http' if t.startswith('http') else t
+        new_text.append(t)
+    return " ".join(new_text)
+    
+def sentiment_analysis(text):
+    text = preprocess(text)
+    encoded_input = tokenizer(text, return_tensors='pt')
+    output = model(**encoded_input)
+    scores_ = output[0][0].detach().numpy()
+    scores_ = softmax(scores_)
+    # Format output dict of scores
+    labels = ['Negative', 'Neutral', 'Positive']
+    scores = {l:float(s) for (l,s) in zip(labels, scores_) }
+    return scores
+```
+'''
+
+
+# In[119]:
+
+
+with gr.Blocks() as demo:
+    
+    
+    with gr.Row():
+        with gr.Column():
+            gr.Markdown(markdownn)   
+            
+        with gr.Column():
+            gr.Markdown("""
+            ### Sentiment analysis demo
+            by [Created by @Vrooh933 Production](https://www.linkedin.com/in/m-afif-rizky-a-a96048182)
+            """)
+            text = gr.Text(label="Text")
+            btn = gr.Button("Submit")
+        
+            sparse_answers = gr.Label(label="label")
+            
+            gr.Examples([[example_sentence_1], [example_sentence_2],
+                         [example_sentence_3], [example_sentence_4]], inputs = [text])
+            
+
+    btn.click(
+        sentiment_analysis,
+        inputs=[text],
+        outputs=[sparse_answers],
+    )
+
+
+if __name__ == "__main__":
+    demo.launch()
+
+
+# In[ ]:
+
+
+
+