diff --git a/tugas week 10..py b/tugas week 10..py
deleted file mode 100644
index dc8747d..0000000
--- a/tugas week 10..py	
+++ /dev/null
@@ -1,91 +0,0 @@
-import os
-import chromadb
-from chromadb.utils import embedding_functions
-from pypdf import PdfReader
-from langchain_text_splitters import RecursiveCharacterTextSplitter
-
-# 1. Persiapan Dokumen
-pdf_path = "dokumen_akademik.pdf" # Ganti dengan nama file PDF yang disiapkan
-print(f"Membaca file: {pdf_path}")
-
-reader = PdfReader('Buku Pedoman Akademik.pdf')
-raw_text = ""
-for page in reader.pages:
-    # Menggabungkan seluruh teks dari PDF
-    raw_text += page.extract_text() + "\n"
-
-# 2. Setup Embedding Function
-# Menggunakan model multilingual lokal agar performa pencarian untuk Bahasa Indonesia lebih akurat
-print("Menyiapkan model embedding (ini akan mengunduh model pada run pertama)...")
-emb_fn = embedding_functions.SentenceTransformerEmbeddingFunction(
-    model_name="paraphrase-multilingual-MiniLM-L12-v2"
-)
-
-# 3. Inisialisasi ChromaDB Client
-# PersistentClient akan membuat folder 'chroma_db_data' untuk menyimpan vektor secara lokal
-client = chromadb.PersistentClient(path="./chroma_db_data")
-
-# Eksperimen 3 ukuran chunk sesuai instruksi modul
-chunk_sizes = [500, 1000, 1500]
-
-for size in chunk_sizes:
-    print(f"\n--- Memproses ukuran chunk: {size} karakter ---")
-    collection_name = f"rag_koleksi_chunk_{size}"
-    
-    # Hapus collection jika sebelumnya sudah ada saat di-run ulang
-    try:
-        client.delete_collection(name=collection_name)
-    except Exception:
-        pass
-        
-    # Buat collection baru di vector DB
-    collection = client.create_collection(
-        name=collection_name, 
-        embedding_function=emb_fn
-    )
-    
-    # 4. Setup Text Splitter
-    # Overlap disetel 10% dari ukuran chunk untuk mencegah konteks terpotong mendadak
-    text_splitter = RecursiveCharacterTextSplitter(
-        chunk_size=size,
-        chunk_overlap=int(size * 0.1), 
-        length_function=len,
-    )
-    
-    # Potong teks menjadi list of chunks
-    chunks = text_splitter.split_text(raw_text)
-    print(f"Total chunk yang dihasilkan: {len(chunks)} chunks")
-    
-    # 5. Persiapkan ID dan Metadata
-    ids = [f"id_chunk_{size}_{i}" for i in range(len(chunks))]
-    metadatas = [{"source": pdf_path, "chunk_size": size, "chunk_index": i} for i in range(len(chunks))]
-    
-    # 6. Masukkan Vektor, Teks, dan Metadata ke Vector Database
-    collection.add(
-        documents=chunks,
-        metadatas=metadatas,
-        ids=ids
-    )
-    print(f"Data chunk {size} berhasil di-index ke ChromaDB!")
-
-# ==========================================
-# CONTOH PENCARIAN (QUERY)
-# ==========================================
-print("\n--- Menguji Pencarian (Query Retrieval) ---")
-query_text = "Apa syarat untuk mengajukan cuti akademik?" # Sesuaikan dengan isi PDF yang di-load
-
-# Kita uji pencarian di collection yang ukuran chunk-nya 1000
-test_collection = client.get_collection(name="rag_koleksi_chunk_1000", embedding_function=emb_fn)
-
-# Retrieve Top-K (K=2)
-results = test_collection.query(
-    query_texts=[query_text],
-    n_results=2
-)
-
-print(f"Pertanyaan: '{query_text}'\n")
-
-# Hasil dibungkus di dalam list of lists oleh chromadb, maka kita akses index [0]
-for i, (doc, dist) in enumerate(zip(results['documents'][0], results['distances'][0])):
-    print(f"--- Top {i+1} (Jarak Vektor: {dist:.4f}) ---")
-    print(f"{doc}\n")
\ No newline at end of file