3 Library Python Untuk Membangun Machine Learning Web Apps

Python merupakan salah satu bahasa pemrograman tingkat tinggi yang berorientasi objek dengan semantik yang dinamis. Karena merupakan bahasa pemrograman tingkat tinggi maka penulisan sintaksnya juga lebih sederhana, dan mudah dipelajari. Python mendukung library atau package, yang mendorong modularitas program dan reusable code. Library python adalah sekumpulan kode yang dapat digunakan secara iteratif dalam program atau proyek yang sedang kita jalani. Library python yang terbilang lengkap tersedia secara open-source membuat para developer jatuh cinta dan betah menggunakan python karena dapat meningkatkan produktivitas. 

Python bukan hanya digunakan untuk Data Analysis, Artificial Intelligence (AI), Machine Learning, tapi juga sangat powerfull untuk web apps dan GUI. Diantara banyaknya library python yang powerfull dan dapat mempermudah pekerjaan, artikel ini khusus akan membahas 3 library python yang dapat kamu gunakan untuk membangun Machine Learning Web Apps. Penasaran ? Yuk, simak artikel ini sampai selesai.

1. Scikit-Learn

Scikit-Learn adalah library python yang menyediakan banyak algoritma Supervised Learning dan Unsupervised Learning. Yang dibangun diatas beberapa library lain yang mungkin sudah kamu kenal seperti, numpy, pandas, dan matplotlib. Adapun fungsionalitas yang tersedia di Scikit-Learn meliputi: Regresi, Klasifikasi, Klasterisasi, model selection dan evaluasi, preprocessing termasuk mix-max normalization, visualization, data transformations. Berikut ini contoh bagaimana cara mengakses library Scikit-Learn dalam pengklasifikasian dengan algoritma naive bayes :

from sklearn.naive_bayes import MultinomialNB

Dalam contoh diatas kita mengimplementasikan MultinomialNB algoritma Naive Bayes terhadap data yang didistribusikan secara multinomial. Sekaligus merupakan Naive Bayes klasik yang digunakan dalam klasifikasi teks. Menjadi salah satu library python yang berisi fitur-fitur lengkap, tak heran jika Scikit-Learn menjadi library python yang paling populer untuk membuat pemodelan Machine Learning, pengolahan data numerik, vektorisasi, dan sebagainya.

Baca juga : Belajar Data Science: Kenali Dasar Bahasa Pemrograman Python yang Cocok bagi Pemula

2. Pickle

Pickle digunakan untuk menyimpan dan membaca data ke dalam atau dari suatu file berformat .pkl. Sebagai contoh penerapan library pickle adalah ketika kamu menangani proyek text mining, pasti kamu akan melakukan pembobotan pada tiap kata yang dimiliki dengan menggunakan metode vektorisasi. Kamu dapat menggunakan pickle untuk menyimpan proses vektorisasi tersebut ke dalam format .pkl yang nantinya dapat kamu baca saat kamu melakukan proses deployment ke dalam sebuah web apps. 

Selain untuk menyimpan sekaligus membaca proses vektorisasi, tapi juga bisa untuk menyimpan dan membaca pemodelan yang telah kita buat agar memudahkan dalam proses deployment ke web apps. Mari kita perhatikan contoh dibawah ini untuk menyimpan proses atau data ke dalam bentuk file .pkl:

import pickle

pkl_filename = "file_name.pkl"

with open(pkl_filename, 'wb') as file:

    pickle.dump(filename, file)

    file.close()

Berdasarkan penggalan code program diatas, sama seperti library lainnya untuk mengaksesnya kita import pickle terlebih dahulu. Setelah itu, buat nama file yang akan dijadikan ke format .pkl. Jika kita ingin menyimpan maka perlu menambahkan argumen "wb", dimana w artinya kita akan menulis atau menyimpan dalam bentuk file dan b merujuk pada mode biner. Selanjutnya, dengan menggunakan pickle.dump () dan nama objek yang ingin disimpan. Dalam hal ini, filename adalah nama objek yang ingin disimpan. Tak terlalu berbeda dengan proses untuk menyimpan, berikut ini code untuk membaca atau meload file pickle.

pkl_filename = "file_name.pkl"

with open(pkl_filename, 'rb') as file:

    pickle_model = pickle.load(file)

3. Flask

Flask adalah sebuah web framework yang populer untuk python atau bisa dibilang sebagai third-party dari library python yang digunakan untuk mendevelop web apps. Flask termasuk dalam micro framework yaitu ekstensinya terpisah-pisah seperti API, Database jadi harus install satu persatu. Karena terpisah-pisah sehingga membuat library ini ringan dan mudah untuk pemula. Sebelum mengimport flask ke dalam proyek kita, terlebih dahulu lakukan setting up virtual environment. Berikut ini contoh pengaksesan library flask :

from flask import Flask

app = Flask(__name__)

@app.route('/')

def hello():

    return 'Hello, World!'

Contoh tersebut sangat sederhana hanya dengan memberikan sebuah string hello world saja. Sementara @app.route bernama decorator, dimana sebuah decorator akan memodifikasi fungsi yang mengikutinya. 

Baca juga :  Python : Kenali 3 Buku yang Akan Mempercepat Kamu Dalam Belajar Python