danilmuis / saham_ml

Deployment Model Regresi Linier

Deskripsi singkat

Repository ini berisi semua file yang dibutuhkan untuk melakukan deployment model Machine Learning Regresi Linier. Adapun model yang digunakan merupakan model untuk memprediksi biaya asuransi berdasarkan:

• Age atau usia dengan tipe data integer (bilangan bulat)
• Sex atau jenis kelamin yakni Male atau Female
• Smoker atau status perokok yakni Yes atau No

Sekilas mengenai input model

Agar dapat memprediksi biaya asuransi, data input model harus mengikuti format sebagai berikut:
[Age, Sex(Female), Sex(Male), Smoker(No), Smoker(Yes)]

Sebagai contoh:
Age: 20
Sex: Male
Smoker: No

Akan diubah menjadi:
[20, 0, 1, 1, 0]

Folder, file, dan kegunaannya

• templates/
  • index.html --> Berisi template website
• app.py --> Berisi konfigurasi route untuk API
• model.pkl --> Model Regresi Linier yang sudah di-training
• request.py --> Berisi percobaan pemanggilan API dengan payload data JSON
• requirements.txt --> Berisi daftar dependency/package Python yang diperlukan untuk menjalankan API dan model Regresi Linier

Cara menjalankan API pada komputer Anda

Menjalankan API

1. Pastikan Anda sudah menginstall Anaconda
2. Buka terminal/command prompt/power shell
3. Buat virtual environment dengan
   conda create -n <nama-environment> python=3.9
4. Aktifkan virtual environment dengan
   conda activate <nama-environment>
5. Install semua dependency/package Python dengan
   pip install -r requirements.txt
6. Jalankan API menggunakan perintah
   python app.py

Akses melalui Website

Setelah API berjalan:

1. Anda akan diberikan URL untuk membuka website berupa localhost:5000/ atau 127.0.0.1:5000/
2. Buka URL dengan browser, coba masukkan data yang ingin di prediksi
3. Anda akan diberikan estimasi biaya asuransi pada sisi kanan halaman website

Mencoba Akses API menggunakan payload JSON

Setelah API berjalan:

1. Buka terminal/comand prompt/power shell
2. Jalankan perintah python request.py
3. Setelah berhasil dieksekusi, Anda akan diberikan data response berupa JSON juga seperti contoh berikut:
   {'Age': 20, 'Insurance Cost': 3146.79, 'Sex': 'Male', 'Smoker': 'No'}
4. Hasil prediksi biaya asuransi terdapat pada value dari key 'Insurance Cost' yang dapat Anda manfaatkan untuk aplikasi lain.