streamlit_app.py

import streamlit as st
import pandas as pd
from model.predict import get_prediction


# ── Page config ────────────────────────────────────────────────────────────
st.set_page_config(
    page_title="Insurance Fraud Detector",
    page_icon="🛡️",
    layout="wide",
)

# ── Helpers ────────────────────────────────────────────────────────────────

def risk_level(prob: float):
    if prob < 0.25:
        return "Rendah",       "🟢", "Klaim tampak legitimate. Proses klaim sesuai SOP standar."
    elif prob < 0.50:
        return "Sedang",       "🟡", "Terdapat beberapa indikasi mencurigakan. Lakukan verifikasi dokumen tambahan sebelum menyetujui klaim."
    elif prob < 0.75:
        return "Tinggi",       "🟠", "Risiko fraud signifikan. Eskalasi ke tim investigasi dan tahan pembayaran sementara investigasi berlangsung."
    else:
        return "Sangat Tinggi","🔴", "Indikasi fraud kuat. Tolak sementara klaim, laporkan ke unit SIU (Special Investigation Unit), dan dokumentasikan seluruh bukti."

# ── Session state ──────────────────────────────────────────────────────────
if "page" not in st.session_state:
    st.session_state.page = "home"

# ── Sidebar navigation ─────────────────────────────────────────────────────
with st.sidebar:
    st.title("🛡️ Fraud Detector")
    st.markdown("---")
    if st.button("🏠  Beranda",           use_container_width=True):
        st.session_state.page = "home"
    if st.button("🔍  Single Prediction", use_container_width=True):
        st.session_state.page = "single"
    st.markdown("---")
    st.caption("Insurance Fraud Detector v1.0")

page = st.session_state.page

# ══════════════════════════════════════════════════════════════════════════
# PAGE: HOME
# ══════════════════════════════════════════════════════════════════════════
if page == "home":
    st.title("🛡️ Insurance Fraud Detection System")
    st.markdown(
        "Sistem deteksi fraud asuransi berbasis machine learning untuk membantu "
        "analis klaim mengidentifikasi potensi penipuan secara cepat dan akurat."
    )

    st.markdown("---")

    col1, _ = st.columns(2)
    with col1:
        st.subheader("🔍 Single Prediction")
        st.write(
            "Masukkan data klaim secara manual dan dapatkan prediksi probabilitas fraud "
            "dengan cepat dan akurat."
        )
        if st.button("Mulai Single Prediction →", use_container_width=True):
            st.session_state.page = "single"
            st.rerun()

    st.markdown("---")
    st.subheader("📚 Apa itu Insurance Fraud?")
    st.markdown(
        """
        **Insurance fraud** adalah tindakan disengaja untuk mendapatkan pembayaran klaim
        asuransi secara tidak sah. Fraud asuransi merugikan industri secara masif —
        diperkirakan menyebabkan kerugian miliaran dolar per tahun secara global.
        """
    )

    c1, c2, c3 = st.columns(3)
    with c1:
        st.info(
            "**🚗 Staged Accidents**\n\n"
            "Kecelakaan yang disengaja atau dibuat-buat untuk mengajukan klaim asuransi kendaraan."
        )
    with c2:
        st.info(
            "**📋 Inflated Claims**\n\n"
            "Melaporkan nilai kerugian yang lebih besar dari kenyataan, misalnya harga kendaraan yang dimanipulasi."
        )
    with c3:
        st.info(
            "**👤 Identity Fraud**\n\n"
            "Menggunakan identitas orang lain atau membuat polis fiktif untuk mendapatkan pembayaran klaim."
        )

    st.markdown("---")
    st.subheader("🚩 Red Flags Umum dalam Klaim")

    col_a, col_b = st.columns(2)
    with col_a:
        st.warning(
            "- Klaim diajukan sangat cepat setelah polis dibuat\n"
            "- Tidak ada saksi dalam kejadian kecelakaan\n"
            "- Riwayat klaim yang sangat banyak sebelumnya\n"
            "- Kecelakaan terjadi di lokasi terpencil (Highway/Parking Lot)"
        )
    with col_b:
        st.warning(
            "- Perubahan alamat mendekati tanggal klaim\n"
            "- Nilai estimasi klaim tidak proporsional dengan harga kendaraan\n"
            "- Laporan polisi tidak diajukan meski klaim besar\n"
            "- Persentase liability yang tidak wajar"
        )

    st.markdown("---")
    st.subheader("⚙️ Tentang Model")
    st.markdown(
        """
        Model menggunakan **Random Forest Classifier** yang dilatih pada data historis klaim asuransi.

        | Metrik | Nilai |
        |--------|-------|
        | Algoritma | Logistic Regression |
        | Akurasi (test set) | 83.4% |
        | Fitur yang digunakan | 21 fitur |
        """
    )

# ══════════════════════════════════════════════════════════════════════════
# PAGE: SINGLE PREDICTION (TANPA SHAP)
# ══════════════════════════════════════════════════════════════════════════
elif page == "single":
    st.title("🔍 Single Prediction")
    st.markdown("Isi form di bawah ini untuk memprediksi potensi fraud pada satu klaim.")
    st.markdown("---")

    with st.form("single_form"):
        st.subheader("👤 Profil Pengemudi")
        c1, c2, c3 = st.columns(3)
        age_of_driver    = c1.number_input("Usia Pengemudi", 16, 100, 35)
        gender           = c2.selectbox("Gender", ["M", "F"])
        marital_status   = c3.selectbox("Status Pernikahan", [1.0, 0.0], format_func=lambda x: "Menikah" if x == 1.0 else "Belum Menikah")

        c1, c2, c3 = st.columns(3)
        safty_rating      = c1.slider("Safety Rating", 0, 100, 75)
        annual_income     = c2.number_input("Pendapatan Tahunan (USD)", 0, 500000, 60000, step=1000)
        living_status     = c3.selectbox("Status Tempat Tinggal", ["Own", "Rent"])

        c1, c2, c3 = st.columns(3)
        high_education_ind = c1.selectbox("Pendidikan Tinggi", [1, 0], format_func=lambda x: "Ya" if x == 1 else "Tidak")
        address_change_ind = c2.selectbox("Perubahan Alamat", [0, 1], format_func=lambda x: "Ya" if x == 1 else "Tidak")
        zip_code           = c3.number_input("Kode Pos", 0, 99999, 85027)

        st.subheader("📋 Detail Klaim")
        c1, c2, c3 = st.columns(3)
        claim_date         = c1.text_input("Tanggal Klaim (M/D/YYYY)", value="1/1/2024")
        claim_day_of_week  = c2.selectbox("Hari Klaim", ["Monday","Tuesday","Wednesday","Thursday","Friday","Saturday","Sunday"])
        accident_site      = c3.selectbox("Lokasi Kecelakaan", ["Local", "Parking Lot", "Highway"])

        c1, c2, c3 = st.columns(3)
        past_num_of_claims    = c1.number_input("Jumlah Klaim Sebelumnya", 0, 50, 0)
        witness_present_ind   = c2.selectbox("Saksi Hadir", [1.0, 0.0], format_func=lambda x: "Ya" if x == 1.0 else "Tidak")
        liab_prct             = c3.slider("Liability (%)", 0, 100, 50)

        c1, c2 = st.columns(2)
        policy_report_filed_ind = c1.selectbox("Laporan Polisi Diajukan", [1, 0], format_func=lambda x: "Ya" if x == 1 else "Tidak")
        claim_est_payout        = c2.number_input("Estimasi Payout Klaim (USD)", 0.0, 100000.0, 5000.0, step=100.0)

        st.subheader("🚗 Informasi Kendaraan")
        c1, c2, c3 = st.columns(3)
        age_of_vehicle   = c1.number_input("Usia Kendaraan (tahun)", 0, 30, 5)
        vehicle_category = c2.selectbox("Kategori Kendaraan", ["Compact", "Medium", "Large"])
        vehicle_color    = c3.selectbox("Warna Kendaraan", ["other","blue","black","white","red","gray","silver"])

        c1, c2 = st.columns(2)
        vehicle_price    = c1.number_input("Harga Kendaraan (USD)", 0.0, 200000.0, 30000.0, step=500.0)
        vehicle_weight   = c2.number_input("Berat Kendaraan (kg)", 0.0, 100000.0, 15000.0, step=100.0)

        submitted = st.form_submit_button("🔮 Prediksi Sekarang", use_container_width=True)

    if submitted:
        input_dict = {
            "claim_number": "", "age_of_driver": age_of_driver, "gender": gender,
            "marital_status": marital_status, "safty_rating": safty_rating,
            "annual_income": annual_income, "high_education_ind": high_education_ind,
            "address_change_ind": address_change_ind, "living_status": living_status,
            "zip_code": zip_code, "claim_date": claim_date,
            "claim_day_of_week": claim_day_of_week, "accident_site": accident_site,
            "past_num_of_claims": past_num_of_claims, "witness_present_ind": witness_present_ind,
            "liab_prct": liab_prct, "channel": "Broker",
            "policy_report_filed_ind": policy_report_filed_ind,
            "claim_est_payout": claim_est_payout, "age_of_vehicle": age_of_vehicle,
            "vehicle_category": vehicle_category, "vehicle_price": vehicle_price,
            "vehicle_color": vehicle_color, "vehicle_weight": vehicle_weight,
        }
        raw_df   = pd.DataFrame([input_dict])
        prob     = get_prediction([input_dict], proba=True)[0]
        level, icon, rec = risk_level(prob)

        st.markdown("---")
        st.subheader("📊 Hasil Prediksi")

        m1, m2, m3 = st.columns(3)
        m1.metric("Probabilitas Fraud", f"{prob*100:.1f}%")
        m2.metric("Level Risiko", f"{icon} {level}")
        m3.metric("Confidence (Legitimate)", f"{(1-prob)*100:.1f}%")

        st.progress(float(prob))

        if prob < 0.25:
            st.success(f"**{icon} Risiko {level}** — {rec}")
        elif prob < 0.50:
            st.info(f"**{icon} Risiko {level}** — {rec}")
        elif prob < 0.75:
            st.warning(f"**{icon} Risiko {level}** — {rec}")
        else:
            st.error(f"**{icon} Risiko {level}** — {rec}")

        with st.expander("📋 Lihat Data Input"):
            st.dataframe(raw_df, use_container_width=True)