Review Streamlit, Framework Ajaib Untuk Membuat Aplikasi Web Bagi Data Scientist

Ketika kita membuat sebuah model machine learning terkadang kita berfikir bagaimana model ini bisa diaplikasikan di dunia nyara sehingga banyak orang bisa mengakses dan memanfaatkannya

Lalu pertanyaan kita semakin mendalam karena, "kira kira alat atau tools apa untuk mewujudkan aplikasi seperti itu?". Tentu, kita akan memulai dengan menggoogling atau bertanya pada forum di discord atau facebook sehingga akan banyak sekali orang orang yang menyarankan berbagai macam framework dan cara

Jika saya menjadi salah satu orang yang boleh menyarankan, maka Streamlit bisa jadi menjadi alat yang bisa mendukung seluruh ide barusan

Tulisan ini merangkum berbagai hal.

Apa Itu Streamlit?

Streamlit merupakan framework yang membantu programmer membuat tampilan UI web untuk pemrosean data dan pembelajaran mesin (machine learning) dalam bentuk web.

Sebenarnya ada framework Flask yang sama sama membantu kita membuat aplikasi web dengan python, namun ada beberapa fitur yang terbatas sehingga menyulitkan kita untuk mendeploy model machine learning ke dalam web

Saya sendiri sudah mencobanya dan selalu gagal. Karena web menggunakan Flask mengandalkan lokal mesin untuk mengkalkulasikan algoritma untuk menciptakan sebuah prediksi pada data data yang dilatih

Sedangkan Streamlit seperti sudah menangani segala komputasi model dan kita sendiri sebagai programmer hanya bertugas untuk membuat dashboard dan tampilan UI-nyas aja dalam bentuk web

Konsep

Cara kerja Streamlit sebenarnya cukup mudah namun jika berkenaan dengan project atau model machine learning akan sangat tricky dan membutuhkan waktu yang panjang. Mengapa? Karena kita butuh menyesuaikan bagaimana aplikasi ini menerima input data dan menampilkan outputnya

Streamlit berperan layaknya library python pada umumnya dan kita sebagai programmer tinggal menuliskan apa saja komponen yang dibutuhkan dari library itu


Kita menggunakan title dari streamlit untuk menuliskan judul

Setelah script dibuat kita tinggal menuliskan perintah di bawah ini pada terminal

streamlit run app.py

app.py merupakan nama file python yang kalia barusan buat

Lalu dengan otomatis akan muncul web seperti ini di browser

tampilan aplikasi web Streamlit pada browser

tampilan pada terminal ~~kampung rambutan~~

Sesederhana itu. Selebihnya kalian bisa membaca artikelnya sendiri pada situs resminya yah

Fitur.

Setelah kita memahami gimana sih konsep Streamlit ini. Kita juga harus tahu ada beberapa fitur di dalamnya yang sangat membantu. Contohnya,

Slider. Fitur ini membantu kita untuk membuat slider dan memasukkan input nilai ke dalam aplikasi
File Upload. Ini juga sangat membantu untuk bisa mengupload file apapun ekstensinya untuk diprediksi sesuai dengan trained model
Sidebar. Fitur ini juga sangat membantu jika kita menginginkan tampilan yang lebih simple
Deployment. Bahkan kalian bisa menjadikan aplikasi ini tidak hanya berfungsi pada jaringan lokal saja, namun juga bisa untuk online dengan mengandalkan layanan cloud dari Streamlit itu sendiri

Studi Kasus

Ketika Streamlit ini digunakan untuk studi kasus contohnya untuk menampilkan hasil training dan testing dari dataset, hasilnya cukup memuaskan karena Streamlit memberikan tampilan yang menarik.

Saya menggunakan algoritma Support Vector Machine untuk melatih dataset dan melihat berapa nilai training dan testing

Kurang lebih kode yang saya digunakan seperti tulisan diatas. Saya masih harus membuat berbagai macam function tambahan dan menjalankannya pada __main__

Sumber Belajar

Kalian bisa mengunjungi channe Youtube Data Professor karena doi sering kasih tutorial bagaimana membuat aplikasi Streamlit, meskipun kekurangannya dia jarang ngejelasin model machine learning yang ia pake. Cuman untuk pengimplementasian Streamlit, menurut saya ia berhasil menjelaskan dengan lengkap dan baik

Salah satu video yang sering saya tonton dari beliau

Pros dan Cons

Tentu ada beberapa kelebihan dan kelemahan ketika saya menggunakan Streamlit ini.

Kelebihannya adalah

Tampilan UI mudah difahami dan bisa diatur sesuai dengan keinginan
Deployment mudah

Kekurangan

Susah untuk mengatur kapabilitas dan ukuran aplikasi
Ada beberapa package yang tidak cocok dengan versi Streamlit
Meskipun terlihat menarik, namun tampilan UI Streamlit terlalu kaku dan terbatas pada library yang disediakan