Continuous Integration

"""Mini test suite pola pytest untuk proyek machine learning.

Fungsi test_* dijalankan oleh runner kecil: setiap kegagalan assert
dicatat tanpa menghentikan suite. Dua kelompok diuji — kualitas data
dan kualitas model — lalu gerbang kualitas ketat menunjukkan bagaimana
ambang yang lebih tinggi menolak perubahan kode.
"""

import numpy as np


def buat_dataset(seed, n_per_kelas):
    rng = np.random.default_rng(seed)
    kelas0 = rng.normal(loc=[-1.0, 0.0], scale=0.7, size=(n_per_kelas, 2))
    kelas1 = rng.normal(loc=[1.0, 0.4], scale=0.7, size=(n_per_kelas, 2))
    X = np.vstack([kelas0, kelas1])
    y = np.array([0] * n_per_kelas + [1] * n_per_kelas)
    urut = rng.permutation(len(y))
    return X[urut], y[urut]


def latih(X, y, epoch=300, lr=1.0):
    n = len(y)
    w = np.zeros(3)
    for _ in range(epoch):
        skor = np.clip(X @ w[1:] + w[0], -30, 30)
        p = 1.0 / (1.0 + np.exp(-skor))
        galat = p - y
        w[1:] -= lr * (X.T @ galat) / n
        w[0] -= lr * galat.mean()
    return w


def akurasi(w, X, y):
    return float((((X @ w[1:] + w[0] >= 0).astype(int)) == y).mean())


# ---------- data uji disiapkan sekali, deterministik ----------
X, Y = buat_dataset(seed=42, n_per_kelas=120)
X_VALID, Y_VALID = buat_dataset(seed=99, n_per_kelas=100)


# ---------- kelompok 1: test kualitas data ----------

def test_bentuk_data():
    assert X.shape == (240, 2), f"bentuk X salah: {X.shape}"
    assert Y.shape == (240,), f"bentuk y salah: {Y.shape}"


def test_rentang_label():
    unik = set(np.unique(Y).tolist())
    assert unik == {0, 1}, f"label di luar {0, 1}: {unik}"


def test_tidak_ada_nilai_hilang():
    assert not np.isnan(X).any(), "fitur memuat NaN"
    assert not np.isinf(X).any(), "fitur memuat inf"


# ---------- kelompok 2: test kualitas model ----------

def test_akurasi_model():
    w = latih(X, Y, epoch=300)
    ak = akurasi(w, X_VALID, Y_VALID)
    assert ak >= 0.90, f"akurasi validasi {ak:.3f} < ambang 0.90"


def test_training_deterministik():
    w1 = latih(X, Y, epoch=300)
    w2 = latih(X, Y, epoch=300)
    assert np.array_equal(w1, w2), "dua training identik hasilnya beda"


def jalankan_suite():
    daftar_test = [(nama, fn) for nama, fn in sorted(globals().items())
                   if nama.startswith("test_") and callable(fn)]
    print("== mini test suite (pola pytest) ==")
    gagal = 0
    for nama, fn in daftar_test:
        try:
            fn()
            print(f"PASS  {nama}")
        except AssertionError as galat:
            gagal += 1
            print(f"FAIL  {nama}: {galat}")
    print(f"\nringkasan: {len(daftar_test) - gagal}/{len(daftar_test)} "
          f"lulus" + (" — CI hijau, merge diizinkan" if gagal == 0
                      else " — CI merah, merge DITOLAK"))
    return gagal


def main():
    gagal = jalankan_suite()

    print("\n== gerbang kualitas ketat (ambang akurasi 0.99) ==")
    w = latih(X, Y, epoch=300)
    ak = akurasi(w, X_VALID, Y_VALID)
    status = "LOLOS" if ak >= 0.99 else "GAGAL"
    print(f"akurasi validasi {ak:.3f} vs ambang 0.99 -> {status}")
    if ak < 0.99:
        print("pull request ditahan: gerbang kualitas model belum terpenuhi")
    return gagal


if __name__ == "__main__":
    main()

== mini test suite (pola pytest) ==
PASS  test_akurasi_model
PASS  test_bentuk_data
PASS  test_rentang_label
PASS  test_tidak_ada_nilai_hilang
PASS  test_training_deterministik

ringkasan: 5/5 lulus — CI hijau, merge diizinkan

== gerbang kualitas ketat (ambang akurasi 0.99) ==
akurasi validasi 0.925 vs ambang 0.99 -> GAGAL
pull request ditahan: gerbang kualitas model belum terpenuhi

name: ci-model
on: [push]
jobs:
  test:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      - uses: actions/setup-python@v5
        with:
          python-version: "3.12"
      - run: pip install -r requirements.txt
      - run: pytest tests/ -q