- Pada Repository ini, terdiri dari code dan dataset untuk melakukan Model Deployment di Python Anywhere dan Tes di Postman.
- Deployment kali ini menggunakan web framework Flask. âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–
âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–
- Code dan Dataset
- Penjelasan Feature
- Membuat model dy sublime text
- Membuat Pickle file di anaconda prompt
- Deployment Model di PythonAnywhere
- Testing di Postman
- Interpretasi
âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–
âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–
- Data terdiri dari training dan testing untuk membuat model dan input_data.txt.
- Untuk Case ini, Data yang digunakan adalah german credit dan tujuan dari pemodelan ini adalah untuk menentukan Credit Scoring apakah seorang kreditur layak menerima kredit dari bank atau tidak.
- Model yang paling optimal yang saya gunakan adalah random forest
- Code terdiri dari model.py, request.py, dan server.py
âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–
- Deskripsi features di dataset:
- ID = nomor urut pelanggan
- LIMIT_BAL = Batas maksimal kredit
- Marriage = status pernikahan (1,2,3)
- education = status pendidikan (1,2,3,4)
- Sex = jenis kelamin (1,2)
- Age = umur
- Pay = pembayaran telat atau tidak di bulan 1,2,3
- bill amt = jumlah tagihan bulan 1,2,3
- pay amt = jumlah bayar bulan 1,2,3
- target = terlambat atau tidak
âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–
- Langkah pertama adalah membuat model python menggunakan text editor, pada kesempatan kali ini saya menggunakan Sublime Text.
- Untuk detail codenya bisa dilihat pada file model.py.
- Model.py ini lalu kita dump ke dalam format pickle atau .pkl agar bisa masuk ke dalam produksi.
âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–
- Lalu setelah itu model.py bisa dijalankan di anaconda prompt dengan cara berikut ini:
- g: --> karena file model.py ada di drive G
- cd G:\Bootcamp\Materi\21. Deployment\credit-scoring\code --> letak file model.py saya.
- lalu ketik python model.py
- file .pkl akan terbentuk di folder yang sama
âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–
- Langkah selanjutnya membuat server di pythonanywhere.
- Jika belum punya akun maka sign up terlebih dahulu.
- Di tab web, klik add new web app.
- lalu di halaman yang muncul pilih flask, lalu pilih versi python dan klik ok.
- Selanjutnya Di bagian console, klik yang bash lalu install beberapa packages yang akan digunakan. Contohnya adalah pip install --user flask_cors numpy pandas
- Lalu klik di bagian files dan klik mysite dan upload file kita yang sudah berbentuk .pkl.
- Setelah itu edit file flask_app.py dan ganti sesuai dengan yang ada di file server.py.
- Lebih jelasnya bisa dilihat disini https://www.pythonanywhere.com/user/adiptamartulandi/shares/e346c706fd4b471e8f779ea364963ec8/
- Lalu kembali ke bagian tab web dan reload.
- Lalu endpoints API kita sudah ada yaitu username.pythonanywhere.com/api
âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–
- Buka software postman.
- Pada kiri pojok atas klik New untuk membuat request baru dan pilih command POST.
- Di bagian header, pada bagian key pilih Content-type dan pada bagian value pilih application/json.
- Pada bagian request url masukan url endpoints API kita yaitu pada case ini adalah adiptamartulandi.pythonanywhere.com/api
- Lalu untuk memasukan data pilih tab Body, pilih raw dan pilih jenis datanya adalah JSON.
- Masukan data sesuai yang ada di input_data.txt di folder data.
- Jangan lupa format data harus json.
- data yang ada di input_data.txt formatnya sudah seperti json.
- Lalu klik Send!
- Hasilnya akan muncul!
âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–âž–
- Ketika hasil menunjukan 'Tidak Lolos Scoring' Maka orang tersebut memiliki kecendurungan untuk tidak bisa membayar kredit jadi tidak diberi kredit oleh kreditur.
- Ketika hasil menunjukan 'Lolos Credit Scoring' Maka orang tersebut mampu membayar credit sehingga bisa diberi kredit oleh kreditur.