Catatan Tutorial Deployment Model Machine Learning

Pendahuluan

• Setelah membuat model dengan akurasi yang baik, penting untuk melakukan deployment agar model dapat diakses oleh orang lain.
• Video ini membahas proses deployment model machine learning menjadi API menggunakan ID Cloud Host.

Proses Modeling

Langkah-langkah Modeling

1. Data Cleansing
2. Fitur Engineering
3. Normalisasi dan Preprocessing
4. Modeling
5. Evaluasi

• Langkah-langkah ini dapat dilihat di channel Modding Python.

Pentingnya Deployment

• Model yang telah dibuat perlu di-deploy agar dapat digunakan oleh orang lain.
• Model harus disimpan dalam bentuk binary untuk di-load saat deployment.

Tahap Deployment

Persiapan Deployment

• Dapatkan model dalam bentuk binary.
• Lakukan serving model.
  • Dapat berupa report, batch scoring, API, atau aplikasi standalone.
• Fokus pada serving sebagai API dalam tutorial ini.

Library yang Diperlukan

• Pastikan memiliki library: numpy, pandas, scikit-learn.

Pembuatan Model

Dataset

• Menggunakan dataset Iris, yang merupakan dataset sederhana.
• Tipe data yang digunakan: numpy array dan pandas DataFrame.

Preprocessing

• Scaling diperlukan sebelum memasukkan data ke model.
• Gunakan pipeline untuk menggabungkan preprocessing dan modeling.

Training Model

• Train-Test Split: Pisahkan dataset menjadi data latih dan data uji.
• Latih model menggunakan pipeline.
• Evaluasi hasil model dengan classification report.

Menyimpan Model

• Gunakan pickle untuk menyimpan model ke dalam file binary.
• Simpan model numpy dan pandas secara terpisah.

Load Model

Memastikan Tipe Data

• Pastikan data yang dimasukkan ke model untuk prediksi sesuai dengan tipe data yang digunakan saat training.

Deployment dengan Flask

Menyiapkan Flask

• Gunakan Flask untuk membuat API.
• Buat file app.py untuk mendefinisikan aplikasi Flask.
• Definisikan endpoint untuk menerima dan memproses permintaan prediksi.

Membuat Endpoint

• Gunakan metode GET untuk endpoint prediksi.
• Tangkap parameter dari URL untuk model prediksi.

Menggunakan Model dalam API

• Load model yang sudah disimpan saat aplikasi Flask di-inisialisasi.
• Lakukan prediksi berdasarkan input yang diterima dari pengguna.

Deployment di ID Cloud Host

Menyiapkan Hosting

• Pilih paket hosting yang sesuai di ID Cloud Host.
• Siapkan requirements.txt untuk dependensi yang diperlukan.
• Pastikan versi Python yang digunakan di hosting sesuai dengan yang digunakan di lokal.

Upload Kode

• Upload file-file aplikasi ke server hosting melalui cPanel.
• Edit file passenger.wsgi untuk menjalankan aplikasi Flask.

Menginstal Dependensi

• Install semua library yang tercantum di requirements.txt di server hosting.

Uji Coba API

• Akses API untuk memastikan endpoint berfungsi dengan baik dan mengembalikan hasil yang diharapkan.

Kesimpulan

• Tutorial mencakup proses modeling dan deployment model machine learning hingga dapat diakses publik.
• Pahami konsep utama untuk menerapkan deployment model apapun di lingkungan manapun.

Terima Kasih

• Ucapan terima kasih kepada ID Cloud Host sebagai sponsor video.
• Ajak penonton untuk like, share, dan subscribe.