Update app.py

app.py

@@ -8,31 +8,23 @@ import logging
 import warnings
 import time
 
-# Menyembunyikan pesan peringatan dari urllib3
 logging.getLogger("urllib3").setLevel(logging.CRITICAL)
 warnings.filterwarnings("ignore", category=UserWarning, module="urllib3")
 
-# Inisialisasi geolocator untuk geocoding
 geolocator = Nominatim(user_agent="job_recommendation_system")
 
-# Fungsi untuk mendapatkan koordinat lokasi
 def get_coordinates(location):
     geolocator = Nominatim(user_agent="job_recommendation_system")
+    location = location.replace("-", ",")  
 
-    # Format lokasi
-    location = location.replace("-", ",")  # Ganti tanda hubung dengan koma
-
-    # Tangani nama lokasi dengan "Metropolitan Area" atau "Region"
     if "Metropolitan Area" in location or "Region" in location:
         city_name = location.split(" ")[0]  # Ambil nama kota utama
         location = city_name
 
-    # Coba cari lokasi
     location_obj = geolocator.geocode(location)
     if location_obj:
         return location_obj.latitude, location_obj.longitude
 
-    # Jika tidak ditemukan, coba nama kota atau negara
     print(f"Koordinat untuk {location} tidak ditemukan. Mencoba alternatif.")
     city_or_area = location.split(',')[0].strip()  # Ambil nama kota pertama
     location_obj = geolocator.geocode(city_or_area)
@@ -41,7 +33,6 @@ def get_coordinates(location):
         country = location.split(',')[-1].strip()  # Ambil nama negara terakhir
         location_obj = geolocator.geocode(country)
 
-    # Jika tetap gagal, coba retry
     retry_count = 0
     while not location_obj and retry_count < 5:
         print(f"Mencoba ulang untuk lokasi {location}...")
@@ -49,54 +40,44 @@ def get_coordinates(location):
         location_obj = geolocator.geocode(location)
         retry_count += 1
 
-    # Return koordinat jika ditemukan
     if location_obj:
         return location_obj.latitude, location_obj.longitude
     else:
         print(f"Koordinat untuk {location} atau alternatif tidak dapat ditemukan.")
         return None, None
 
-# Load the dataset
 sample_data = pd.read_csv('job_data_with_coordinates.csv')
 
-# 1. Vektorisasi skill menggunakan CountVectorizer
 def vectorize_skills(skills, all_skills):
     vectorizer = CountVectorizer()
     vectorizer.fit(all_skills)
     skills_vector = vectorizer.transform(skills)
     return skills_vector
 
-# 2. Menghitung Cosine Similarity
 def calculate_cosine_similarity(user_skills_tfidf, job_skills_tfidf):
     return cosine_similarity(user_skills_tfidf, job_skills_tfidf)
 
-# 3. Menghitung jarak lokasi
 def calculate_distance(job_coords, user_coords):
     try:
         return geodesic(job_coords, user_coords).km
     except ValueError:  # Menangani kasus koordinat yang tidak valid
         return float('inf')
 
-# 4. Fungsi utama untuk persiapan dan rekomendasi pekerjaan
+# Fungsi utama untuk persiapan dan rekomendasi pekerjaan
 def prepare_and_recommend(df, user_skills, user_location):
-    # 1. Memastikan dataset memiliki koordinat
     if 'latitude' not in df or 'longitude' not in df:
         raise ValueError("Dataset harus memiliki kolom latitude dan longitude")
 
-    # 2. Vektorisasi skill
     all_skills = df['skills'].tolist()  # Semua skill dari dataset
     user_skills_vtr = vectorize_skills([user_skills], all_skills)  # Skill user
     job_skills_vtr = vectorize_skills(df['skills'], all_skills)  # Skill pekerjaan di dataset
 
-    # 3. Menghitung Cosine Similarity antara user dan pekerjaan
     cosine_similarities = calculate_cosine_similarity(user_skills_vtr, job_skills_vtr)
     df['cosine_similarity'] = cosine_similarities[0]
 
-    # 4. Menghitung jarak antara lokasi pekerjaan dan lokasi user
     user_coords = get_coordinates(user_location)  # Dapatkan koordinat user
     distances = []
     for _, row in df.iterrows():
-        # Pengecekan apakah koordinat pekerjaan valid
         if pd.notna(row['latitude']) and pd.notna(row['longitude']) and row['latitude'] != 0 and row['longitude'] != 0:
             job_coords = (row['latitude'], row['longitude'])
             distance = calculate_distance(job_coords, user_coords)
@@ -105,11 +86,8 @@ def prepare_and_recommend(df, user_skills, user_location):
             distances.append(float('inf'))  # Jika koordinat tidak valid, jarak tak terhingga
 
     df['distance (km)'] = distances
-
-    # 5. Menghitung skor akhir berdasarkan Cosine Similarity dan Jarak
     df['final score'] = df['cosine_similarity'] / (df['distance (km)'] + 1)
 
-    # 6. Mengurutkan pekerjaan dan memilih 5 teratas berdasarkan skor akhir
     top_jobs = df.sort_values(by='final score', ascending=False).head(5)
 
     return top_jobs[['job_link', 'title', 'company', 'location', 'distance (km)', 'final score']]