Update komentar app.py

app.py

@@ -2,40 +2,47 @@ import torch
 from transformers import (PegasusForConditionalGeneration, PegasusTokenizer, pipeline)
 import gradio as gr
 
-# Load the model and tokenizer
+# Memuat model dan tokenizer untuk PEGASUS dari Hugging Face Model Hub
 model = PegasusForConditionalGeneration.from_pretrained("fatihfauzan26/PEGASUS_liputan6")
 tokenizer = PegasusTokenizer.from_pretrained("google/pegasus-cnn_dailymail")
 
-# Initialize the summarization pipeline
+# Inisialisasi pipeline untuk tugas ringkasan menggunakan model dan tokenizer yang dimuat
 summarizer = pipeline("summarization", model=model, tokenizer=tokenizer)
 
+# Fungsi untuk meringkas artikel
 def summarize_article(article):
-    # Generate summary
+    # Mengubah artikel menjadi token yang bisa diproses oleh model (konversi teks ke representasi numerik)
     input_ids = tokenizer.encode(article, return_tensors='pt')
+    
+    # Menghasilkan ringkasan dari artikel dengan berbagai pengaturan model untuk kualitas output
     summary_ids = model.generate(input_ids,
-                                 min_length=30,
-                                 max_length=128,
-                                 num_beams=8,
-                                 repetition_penalty=2.0,
-                                 length_penalty=0.8,
-                                 early_stopping=True,
-                                 no_repeat_ngram_size=2,
-                                 use_cache=True,
-                                 do_sample=True,
-                                 temperature=1.2,
-                                 top_k=50,
-                                 top_p=0.95)
+                                 min_length=30,   # Panjang minimal ringkasan
+                                 max_length=128,  # Panjang maksimal ringkasan
+                                 num_beams=8,     # Beam search untuk meningkatkan hasil ringkasan
+                                 repetition_penalty=2.0,  # Penalti untuk pengulangan kata
+                                 length_penalty=0.8,      # Penalti terkait panjang hasil
+                                 early_stopping=True,     # Menghentikan proses jika hasil cukup bagus
+                                 no_repeat_ngram_size=2,  # Menghindari pengulangan frasa yang sama
+                                 use_cache=True,          # Menggunakan cache untuk efisiensi
+                                 do_sample=True,          # Mengambil sampel untuk variasi
+                                 temperature=1.2,         # Mengontrol randomness dari hasil
+                                 top_k=50,                # Mempertimbangkan 50 kemungkinan token teratas
+                                 top_p=0.95)              # Mengambil token yang memiliki probabilitas kumulatif 95%
 
-    # Decode the summary
+    # Mengubah token output menjadi teks ringkasan (decode dari token ke teks)
     summary_text = tokenizer.decode(summary_ids[0], skip_special_tokens=True)
+    
+    # Mengembalikan teks ringkasan
     return summary_text
 
-# Gradio interface
-iface = gr.Interface(fn=summarize_article, 
-                     inputs=gr.Textbox(lines=10, label="Enter the article you want to summarize"), 
-                     outputs=gr.Textbox(label="Summary"),
-                     title="Summarization App using PEGASUS",
-                     description="Paste an article and click 'Submit' to get a summarized version using PEGASUS model.")
+# Membuat antarmuka Gradio
+iface = gr.Interface(
+    fn=summarize_article,  # Fungsi yang dijalankan saat pengguna memberikan input
+    inputs=gr.Textbox(lines=10, label="Enter the article you want to summarize"),  # Input berupa kotak teks
+    outputs=gr.Textbox(label="Summary"),  # Output berupa kotak teks untuk menampilkan ringkasan
+    title="Summarization App using PEGASUS",  # Judul aplikasi
+    description="Paste an article and click 'Submit' to get a summarized version using PEGASUS model."  # Deskripsi aplikasi
+)
 
-# Launch the Gradio app
+# Meluncurkan aplikasi Gradio sehingga bisa diakses di browser
 iface.launch()