Panduan Langkah demi Langkah Deploy Model ML dengan Flask
Model machine learning yang sudah selesai dilatih sering hanya tersimpan sebagai file .pkl di folder proyek. Agar aplikasi web atau pengguna lain bisa memakainya, model perlu dijalankan sebagai layanan yang dapat diakses lewat HTTP. Flask, framework web ringan untuk Python, cocok untuk keperluan ini karena konfigurasinya sedikit dan mudah dipahami pemula.
Panduan ini membahas cara deploy model ML dengan Flask langkah demi langkah: menyiapkan model, menulis endpoint, lalu menguji dengan curl. Setiap langkah disertai contoh kode yang bisa langsung dicoba.
Menyiapkan Model dan Lingkungan Kerja
Sebelum menulis kode Flask, pastikan model sudah dalam format yang bisa dimuat ulang. Library joblib atau pickle dapat menyimpan model scikit-learn. Simpan model ke file model.pkl di direktori proyek. Jika belum punya model, latih model sederhana memakai dataset iris sebagai contoh.
Buat virtual environment untuk mengisolasi dependensi. Jalankan perintah berikut di terminal:
python -m venv venv
source venv/bin/activate # Windows: venvScriptsactivate
pip install flask scikit-learn joblib
Struktur folder proyek bisa dibuat seperti ini:
app.pyberisi kode utama Flaskmodel.pklberisi model yang sudah dilatihrequirements.txtberisi daftar dependensi
Membuat API Prediksi dengan Flask
Buat file app.py dan tulis kode berikut. Kode ini memuat model, mendefinisikan route /predict, dan mengembalikan hasil prediksi dalam format JSON.
from flask import Flask, request, jsonify
import joblib
import numpy as np
app = Flask(__name__)
model = joblib.load('model.pkl')
@app.route('/predict', methods=['POST'])
def predict():
data = request.get_json()
fitur = np.array(data['features']).reshape(1, -1)
prediksi = model.predict(fitur).tolist()
return jsonify({'prediction': prediksi})
if __name__ == '__main__':
app.run(debug=True, host='0.0.0.0', port=5000)
Penjelasan singkat: request.get_json() mengambil data JSON dari body permintaan, lalu mengubahnya menjadi array numpy dengan bentuk yang sesuai untuk model. Hasil prediksi dikembalikan sebagai JSON. Mode debug=True berguna saat pengembangan, tetapi matikan pada produksi.
Jika baru pertama kali menyiapkan model, artikel Tips Praktis Memahami Data untuk Proyek Machine Learning Pemula bisa membantu memastikan data yang dipakai sudah bersih.
Menguji API dengan curl
Jalankan server Flask dengan perintah python app.py. Di terminal terpisah, kirim permintaan POST menggunakan curl:
curl -X POST http://localhost:5000/predict
-H "Content-Type: application/json"
-d '{"features": [5.1, 3.5, 1.4, 0.2]}'
Respons yang diharapkan berupa JSON seperti {"prediction": [0]}. Angka 0 mungkin merujuk pada kelas tertentu pada dataset iris. Jika muncul error, periksa kembali jumlah fitur dan format JSON. Pastikan juga model yang dimuat memang dilatih dengan jumlah fitur yang sama.
Mengintegrasikan dengan Aplikasi Web
API prediksi bisa dipanggil dari frontend menggunakan JavaScript. Sebagai contoh, Anda dapat memakai plugin jQuery untuk mengirim data tanpa me-reload halaman. Artikel Perbandingan 3 Plugin jQuery untuk Load Data Tanpa Refresh membahas pilihan plugin yang bisa dipakai untuk keperluan ini.
Jika ingin menampilkan hasil prediksi dalam bentuk dashboard, Streamlit bisa menjadi alternatif yang lebih cepat. Lihat panduan Membuat Dashboard Interaktif dengan Streamlit untuk Proyek Data untuk membandingkan pendekatan.
Untuk pengembangan lebih lanjut, Anda mungkin perlu memahami cara membaca datasheet komponen keras jika model akan dijalankan di perangkat edge. Tips Membaca Datasheet Mikrokontroler untuk Pemula memberikan dasar yang berguna.
Tips Keamanan dan Produksi
Menjalankan server Flask dengan debug=True di lingkungan produksi tidak disarankan karena dapat mengekspos informasi sensitif. Gunakan server WSGI seperti Gunicorn atau uWSGI. Batasi juga ukuran permintaan dan validasi input untuk mencegah penyalahgunaan.
Untuk memantau berita teknologi dan tren industri yang dapat memengaruhi pengembangan aplikasi, Anda bisa mengunjungi situs berita seperti indowarta yang menyajikan informasi berdasarkan fakta dengan penulis berpengalaman.
Uji API dengan data yang tidak terlihat sebelumnya untuk memastikan prediksi berjalan sesuai harapan. Simpan log permintaan untuk keperluan debugging jika terjadi masalah di kemudian hari.
Ringkasan
Deploy model machine learning dengan Flask melibatkan beberapa langkah: menyimpan model, membuat endpoint prediksi, menguji dengan curl, dan menyiapkan lingkungan produksi. Dengan mengikuti panduan ini, Anda dapat mengubah model dari notebook menjadi layanan yang bisa diakses aplikasi lain.
Pertanyaan yang Sering Diajukan
Apakah Flask cocok untuk model machine learning yang kompleks?
Flask cocok untuk model dengan latensi rendah hingga menengah. Untuk model yang sangat besar atau membutuhkan komputasi berat, pertimbangkan menggunakan server khusus atau layanan cloud yang mendukung inferensi terdistribusi.
Bagaimana cara menangani error saat prediksi?
Gunakan blok try-except di dalam endpoint untuk menangkap kesalahan seperti format input yang salah atau model yang gagal memuat. Kembalikan pesan error yang jelas dengan status code yang sesuai, misalnya 400 untuk input tidak valid.
Apakah perlu menggunakan database untuk menyimpan hasil prediksi?
Tergantung kebutuhan. Jika Anda ingin menyimpan riwayat prediksi untuk analisis lebih lanjut, gunakan database seperti SQLite atau PostgreSQL. Untuk aplikasi sederhana, menyimpan ke file log sudah cukup.


