Catatan Kuliah tentang Deployment Model Machine Learning

Pengantar

• Pentingnya model machine learning tidak hanya untuk digunakan sendiri, tetapi juga diakses oleh orang lain.
• Tutorial ini menunjukkan langkah-langkah dari pengembangan hingga deployment model machine learning menjadi API.
• Terima kasih kepada ID Cloud Host yang mensponsori video ini.

Langkah-langkah dalam Model Deployment

1. Modeling

   • Meliputi: data cleansing, fitur engineering, normalisasi, preprocessing, modeling, dan evaluasi.
   • Penting untuk memperhatikan langkah-langkah ini agar model dapat digunakan secara efektif.

2. Persiapan Deployment

   • Menyiapkan model yang sudah dilatih dan menyimpannya dalam bentuk binary model.
   • Proses loading model saat melakukan deployment.
   • Melakukan serving model, bisa melalui report, batch scoring, API, atau aplikasi standalone.

3. Coding

   • Memastikan semua library yang dibutuhkan tersedia (numpy, pandas, scikit-learn).
   • Mulai dengan model sederhana (contoh: model iris).
   • Fokus pada konsep meskipun kasus sederhana, karena pondasi yang kuat membantu mengatasi masalah yang lebih kompleks.

Data dan Tipe Data

• Data iris memiliki 4 fitur.
• Penting untuk mengetahui tipe data yang digunakan (numpy array atau pandas DataFrame).
• Pastikan model menerima data dalam format yang sesuai saat melakukan prediksi.

Proses Modeling

• Data harus memenuhi syarat: tidak ada nilai null, dan harus berbentuk matriks (semua angka).
• Lakukan scaling pada data sebelum dimasukkan ke model (penggunaan pipeline).
• Melatih model dengan data yang telah disiapkan.

Evaluasi Model

• Menggunakan classification report untuk mengukur kinerja model.
• Memisahkan data menjadi data training dan data testing untuk evaluasi yang objektif.

Menyimpan Model

• Model disimpan menggunakan pickle.
• Model disimpan dalam bentuk file binary untuk digunakan saat deployment.

Loading Model

• Pastikan cara loading model benar (gunakan RB untuk membaca model).
• Saat melakukan prediksi, pastikan data yang dimasukkan sesuai dengan format yang diharapkan oleh model.

Deployment API Menggunakan Flask

1. Pembuatan Script Deployment

   • Menulis script Python (app.py) untuk mendefinisikan API menggunakan Flask.
   • Mengatur endpoint untuk prediksi dan memuat model di environment global.

2. Membuat Endpoint

   • Menggunakan metode GET untuk mendapatkan data dari API.
   • Memasukkan parameter yang dibutuhkan untuk prediksi.

3. Testing Endpoint

   • Menguji endpoint menggunakan browser atau tools seperti Postman.
   • Memastikan bahwa semua parameter dikirimkan dengan benar dan hasil prediksi sesuai.

Deploy ke ID Cloud Host

• Menyiapkan requirement.txt untuk library yang digunakan.
• Menggunakan cPanel untuk mengatur aplikasi Python dan menginstal dependency.
• Mengedit file Passenger WSGI untuk menjalankan aplikasi Flask.
• Menguji aplikasi di server untuk memastikan semua endpoint berfungsi dengan baik.

Kesimpulan

• Tutorial ini memberikan pemahaman tentang proses end-to-end dari pengembangan model machine learning hingga deployment.
• Meskipun konsep yang dibahas sederhana, pemahaman yang baik dapat diterapkan untuk model yang lebih kompleks.
• Terima kasih kepada penonton, jangan lupa untuk like, share, dan subscribe.