update code line

app.py

@@ -3,26 +3,24 @@ import streamlit as st
 from transformers import pipeline
 from PIL import Image
 
-''' Buat variabel pipeline yang berisi fungsi pipeline dari library transformers
-Model yang digunakan, merupakan model leaf disease yang telah ditentukan/dicari dari huggingface
-'''
+#Buat variabel pipeline berisi fungsi pipeline dari lib transformers
 
-pipeline = pipeline(task='image-classification', model='Bazaar/cv_apple_leaf_disease_detection')
+pipeline = pipeline(task="image-classification", model="Bazaar/cv_apple_leaf_disease_detection")
 
-# Buat judul pada web menggunakan st.title
+# Buat judul menggunakan st.title
 st.title("Leaf Disease Detection")
 
-# Buat button yang meminta user menggunggah gambar daun
+# Buat button yang meminta user menggunggah sebuah image daun
 file_name = st.file_uploader("Upload a leaf candidate image")
 
-# Cek apakah file_name tidak None, jika True jalankan perintah di bawah
+# Cek apakah file name tidak None, jika True jalankan perintah selanjutnya
 if file_name is not None:
-    col1, col2 = st.columns(2) # buat 2 kolom
+    col1, col2 = st.columns(2) # terdapat 2 kolom
 
-    image = Image.open(file_name) # Buka file image yang sudah diupload
+    image = Image.open(file_name) # Fungsi untuk membuka image file
     col1.image(image, use_column_width=True) # Menampilkan image di kolom 1
-    predictions = pipeline(image) # Lakukan prediksi input image
+    predictions = pipeline(image) # melakukan prediksi dari input image
 
-    col2.header("Confidence score") # Menampilkan judul di kolom 2
-    for p in predictions: 
-        col2.subheader(f"{p['label']}: {round(p['score']*100,1)}%") # Menampilkan angka (dalam persen) confidence score
+    col2.header("Confidence score") # menampilkan judul di kolom 2
+    for p in predictions: # menampilkan angka confidence score
+        col2.subheader(f"{p['label']}: {round(p['score']*100, 1)}%") #menampilkan confidence score dalam satuan persen