# import streamlit as st
# import pandas as pd
# import matplotlib.pyplot as plt
# from wordcloud import WordCloud
# from collections import Counter
# import os

# # ==============================================================================
# # 1. KONFIGURASI HALAMAN
# # ==============================================================================
# st.set_page_config(
#     page_title="Dashboard Analisis Sentimen",
#     layout="wide"
# )

# # ==============================================================================
# # 2. CUSTOM CSS
# # ==============================================================================
# def load_css():
#     css_path = os.path.join("assets", "style.css")
#     if os.path.exists(css_path):
#         with open(css_path) as f:
#             st.markdown(f"<style>{f.read()}</style>", unsafe_allow_html=True)

# load_css()

# # ==============================================================================
# # 3. LOAD DATASET
# # ==============================================================================
# @st.cache_data
# def load_data():
#     try:
#         return pd.read_csv("hasil_preprocessing_data.csv")
#     except:
#         return pd.DataFrame()

# df = load_data()

# # ==============================================================================
# # 4. LABEL MAPPING
# # ==============================================================================
# label_mapping = {
#     0: "Negatif",
#     1: "Positif"
# }

# # ==============================================================================
# # 5. HEADER DASHBOARD
# # ==============================================================================
# st.markdown(
#     '<div class="blue-header">📊 DASHBOARD ANALISIS SENTIMEN</div>',
#     unsafe_allow_html=True
# )

# st.markdown(
#     "<p style='text-align:center; color:#7f8c8d; margin-bottom:25px;'>"
#     "Analisis Sentimen Ulasan Produk Pembersih Wajah pada Platform Twitter/X"
#     "</p>",
#     unsafe_allow_html=True
# )

# st.info(
#     "Dashboard ini menampilkan **hasil akhir klasifikasi sentimen** menggunakan "
#     "algoritma **Logistic Regression dengan SMOTE** sebagai model terbaik."
# )

# st.markdown("---")

# # ==============================================================================
# # 6. CEK DATASET
# # ==============================================================================
# if df.empty:
#     st.error("⚠️ Dataset tidak ditemukan. Pastikan file hasil_preprocessing_data.csv tersedia.")
#     st.stop()

# # ==============================================================================
# # 7. VALIDASI KOLOM WAJIB
# # ==============================================================================
# kolom_wajib = ["full_text", "validasi_label", "stemming_data"]

# for col in kolom_wajib:
#     if col not in df.columns:
#         st.error(f"⚠️ Kolom **{col}** tidak ditemukan dalam dataset.")
#         st.stop()

# # ==============================================================================
# # 8. TAMBAHKAN KOLOM SENTIMEN
# # ==============================================================================
# if "sentimen" not in df.columns:
#     df["sentimen"] = df["validasi_label"].map(label_mapping)

# jumlah_sentimen = df["sentimen"].value_counts()

# # ==============================================================================
# # 9. METRIC CARD (MODEL FINAL)
# # ==============================================================================
# akurasi_sebelum_smote = 0.8559
# akurasi_sesudah_smote = 0.8771  # MODEL FINAL

# st.subheader("📌 Ringkasan Data Sentimen (Model Final)")

# col1, col2, col3, col4 = st.columns(4)

# def metric_card(judul, nilai):
#     st.markdown(
#         f"""
#         <div class="metric-card">
#             <div class="metric-title">{judul}</div>
#             <div class="metric-value">{nilai}</div>
#         </div>
#         """,
#         unsafe_allow_html=True
#     )

# with col1:
#     metric_card("📄 Total Tweet", len(df))

# with col2:
#     metric_card("😊 Positif", jumlah_sentimen.get("Positif", 0))

# with col3:
#     metric_card("😠 Negatif", jumlah_sentimen.get("Negatif", 0))

# with col4:
#     metric_card("🎯 Akurasi Model (SMOTE)", f"{akurasi_sesudah_smote*100:.2f}%")

# st.markdown("---")

# # ==============================================================================
# # 10. PERBANDINGAN SEBELUM & SESUDAH SMOTE
# # ==============================================================================
# st.subheader("📊 Perbandingan Model Sebelum dan Sesudah SMOTE")

# col_a, col_b = st.columns(2)

# with col_a:
#     st.markdown("### ❌ Sebelum SMOTE")
#     st.metric("Akurasi Model", f"{akurasi_sebelum_smote*100:.2f}%")
#     st.write("Distribusi kelas tidak seimbang, sehingga model cenderung bias.")

# with col_b:
#     st.markdown("### ✅ Sesudah SMOTE (Model Final)")
#     st.metric("Akurasi Model", f"{akurasi_sesudah_smote*100:.2f}%")
#     st.write("Distribusi kelas lebih seimbang dan performa model meningkat.")

# st.markdown("---")

# # ==============================================================================
# # 11. DISTRIBUSI SENTIMEN
# # ==============================================================================
# st.subheader("📊 Distribusi Sentimen Tweet")

# fig, ax = plt.subplots(figsize=(6, 4))
# ax.pie(
#     jumlah_sentimen.values,
#     labels=jumlah_sentimen.index,
#     autopct="%1.1f%%",
#     startangle=90
# )
# st.pyplot(fig)

# st.markdown("---")

# # ==============================================================================
# # 12. WORDCLOUD & FREKUENSI KATA
# # ==============================================================================
# st.subheader("☁️ WordCloud dan Kata yang Sering Muncul")

# sentimen_pilihan = st.selectbox(
#     "Pilih Sentimen untuk Ditampilkan:",
#     ["Positif", "Negatif"]
# )

# df_filtered = df[df["sentimen"] == sentimen_pilihan]
# teks = " ".join(df_filtered["stemming_data"].astype(str))

# if teks.strip() == "":
#     st.warning("Tidak ada teks yang dapat divisualisasikan.")
# else:
#     col_wc, col_bar = st.columns(2)

#     with col_wc:
#         wc = WordCloud(
#             width=800,
#             height=500,
#             background_color="white"
#         ).generate(teks)

#         fig_wc, ax_wc = plt.subplots()
#         ax_wc.imshow(wc)
#         ax_wc.axis("off")
#         st.pyplot(fig_wc)

#     with col_bar:
#         kata = Counter(teks.split()).most_common(10)

#         if kata:
#             words, counts = zip(*kata)
#             fig_bar, ax_bar = plt.subplots(figsize=(8, 5))
#             ax_bar.bar(words, counts)
#             ax_bar.set_xlabel("Kata")
#             ax_bar.set_ylabel("Jumlah")
#             plt.xticks(rotation=45, ha="right")
#             st.pyplot(fig_bar)

# st.markdown("---")

# # ==============================================================================
# # 13. CONTOH DATA ULASAN
# # ==============================================================================
# st.subheader("📋 Contoh Tweet Berdasarkan Sentimen")

# sample_pos = df[df["sentimen"] == "Positif"].sample(
#     n=min(3, len(df[df["sentimen"] == "Positif"])),
#     random_state=42
# )

# sample_neg = df[df["sentimen"] == "Negatif"].sample(
#     n=min(3, len(df[df["sentimen"] == "Negatif"])),
#     random_state=42
# )

# sample_data = pd.concat([sample_pos, sample_neg]).sample(frac=1)

# st.dataframe(
#     sample_data[["full_text", "sentimen"]],
#     use_container_width=True
# )

# # ==============================================================================
# # 14. KESIMPULAN
# # ==============================================================================
# st.markdown("---")
# st.subheader("📝 Kesimpulan")

# if jumlah_sentimen.get("Positif", 0) > jumlah_sentimen.get("Negatif", 0):
#     st.success(
#         "Mayoritas ulasan menunjukkan sentimen **positif**, yang menandakan "
#         "produk pembersih wajah diterima dengan baik oleh pengguna."
#     )
# else:
#     st.warning(
#         "Mayoritas ulasan menunjukkan sentimen **negatif**, sehingga "
#         "produsen perlu melakukan evaluasi lebih lanjut."
#     )