Proyek Machine Learning & NLP berbahasa Indonesia untuk mengekstraksi percakapan pasangan dari tangkapan layar WhatsApp dan menganalisis persentase cinta (Love Rate %) serta tingkat keyakinan (Confidence %) menggunakan Pretrained Transformer IndoBERT.

Fitur Utama

1. OCR Dataset Pipeline:

   • Mengekstrak dataset screenshot chat WhatsApp menggunakan Apple Vision Framework.
   • Deteksi pembicara berdasarkan warna bubble (Green Bubble = User/Speaker B) dan pembersihan noise otomatis (timestamp, watermark TikTok, centang pesan).
   • Menghasilkan dataset format CSV, JSONL (Multi-Turn ChatML), TXT corpus, dan visualisasi bounding box.

2. Pembersihan & Normalisasi Teks untuk NLP:

   • Ekspansi kamus gaul/slang chat WhatsApp (ayg -> sayang, bgt -> banget, gw -> aku).
   • Normalisasi perpanjangan huruf berulang (kangeeeennn -> kangen).
   • Konversi representasi emosional ke kata semantik bahasa Indonesia.

3. Model Prediksi Love Rate Pasangan:

   • Arsitektur: indobenchmark/indobert-base-p1 dengan dual-pooling (CLS token + Mean Pooling).
   • Output: Love Rate (0-100%), Confidence (0-100%), dan Kategori Dinamika Hubungan:
     • Bucin / Sangat Romantis (>= 80%)
     • Manis & Penuh Perhatian (65% - 80%)
     • Santai & Candaan Akrab (45% - 65%)
     • Dingin / Kurang Antusias (25% - 45%)
     • Konflik / Kesal / Jengkel (< 25%)

4. Model Export & Low-Latency Deployment (ONNX):

   • Model diekspor ke format ONNX (models/export/love_predictor.onnx).
   • Dilengkapi runtime tokenizer mandiri di models/export/tokenizer/ untuk inferensi berlatensi rendah tanpa dependensi berat PyTorch.

Panduan Penggunaan

1. Eksekusi CLI

# Prediksi 1 kalimat
uv run python main.py --predict "kangen banget sayang"

# Prediksi alur percakapan beberapa giliran
uv run python main.py --dialogue "kamu siang kosong ga" "kemana yuk" "dia sekangen itu ya sama aku"

# Mode interaktif
uv run python main.py --interactive

2. Inferensi Menggunakan Python

from src.love_predictor.onnx_predictor import ONNXLovePredictor

predictor = ONNXLovePredictor()
hasil = predictor.analyze_single_text("kangen banget ayang")
print(f"Love Rate : {hasil['love_rate']}% | Status: {hasil['vibe']}")

3. Eksplorasi Notebook

Eksplorasi modul dan eksperimen terorganisir di folder notebooks/:

• notebooks/model_training.ipynb: Arsitektur model, fine-tuning, dan evaluasi head Transformer.
• notebooks/ocr_exploration.ipynb: Ekstraksi OCR gambar WhatsApp dan pembentukan dataset.
• notebooks/pipeline_demo.ipynb: Demo pipeline lengkap end-to-end.

Struktur Proyek Standard

├── data/
│   ├── raw/                      # Tangkapan layar WhatsApp mentah
│   └── processed/                # Dataset hasil ekstraksi OCR (CSV, JSONL, TXT)
├── models/
│   ├── indobert_base_p1/         # Pretrained model base IndoBERT lokal
│   ├── love_indobert_weights.pt  # Checkpoint bobot PyTorch
│   └── export/                   # Model ONNX hasil ekspor + standalone tokenizer
├── src/
│   ├── love_predictor/           # Modul pemodelan Transformer & inferensi
│   │   ├── __init__.py
│   │   ├── predictor.py          # Definisi model & pipeline PyTorch
│   │   ├── text_cleaner.py       # Pembersihan & normalisasi slang chat
│   │   └── onnx_predictor.py     # Runtime engine ONNX
│   └── ocr/                      # Modul OCR & clustering dialog
│       ├── __init__.py
│       └── pipeline.py           # Pipeline Vision OCR & grouping pesan
├── notebooks/                    # Notebook eksperimen & analisis data
│   ├── model_training.ipynb
│   ├── ocr_exploration.ipynb
│   └── pipeline_demo.ipynb
├── tests/                        # Automated unit tests
│   └── test_text_cleaner.py
├── main.py                       # CLI entrypoint
├── export_model.py               # Skrip ekspor ONNX
├── pyproject.toml                # Konfigurasi dependensi project
└── README.md