All Products
Search

This Product

    Platform For AI:Pipeline kustom

    Document Center

    Platform For AI:Pipeline kustom

    Last Updated:Sep 16, 2026

    Machine Learning Designer menggunakan pipeline untuk membangun model. Anda membuat pipeline, mengatur komponen pada Kanvas, dan menentukan logika pemrosesan. Tutorial ini memandu Anda dalam membangun dan menerapkan model visual untuk prediksi penyakit jantung, mulai dari persiapan data hingga penerapan.

    Prasyarat

    Langkah 1: Buat pipeline

    Buka Machine Learning Designer, pilih ruang kerja, lalu di pojok kanan atas, klik New Pipeline. Masukkan nama pipeline dan klik OK.

    Parameter

    Deskripsi

    Workflow name

    Nama alur kerja kustom.

    Workflow data storage

    Jalur Bucket OSS untuk data dan model sementara. Jika tidak dikonfigurasi, nilai default-nya adalah penyimpanan ruang kerja.

    Untuk setiap eksekusi, Designer secara otomatis membuat folder temporary di workflow_storage_path/task_ID/node_ID, yang menyederhanakan konfigurasi penyimpanan per komponen.

    Visibility

    • Visible to Me: Membuat alur kerja di folder My Pipelines, hanya terlihat oleh Anda dan administrator ruang kerja.

    • Visible to Current Workspace: Membuat alur kerja di folder Pipelines Visible to Workspaces, terlihat oleh semua anggota ruang kerja.

    Langkah 2: Persiapkan dan praproses data

    Persiapkan dan praproses data pelatihan sebelum membangun model.

    Persiapkan data

    Tambahkan komponen Source/Target untuk membaca data dari MaxCompute, OSS, atau sumber lainnya. Referensi Komponen: Source/Target. Contoh ini menggunakan Read Table untuk membaca dataset publik penyakit jantung dari PAI. Heart Disease Data Set.

    1. Pilih komponen Source/Target untuk membaca data.

      Di daftar komponen sebelah kiri, klik Source/Target lalu seret Read Table ke Kanvas. Node Read Table-1 akan dibuat.

    2. Konfigurasikan tabel sumber.

      Pilih Read Table-1 di Kanvas. Di panel konfigurasi sebelah kanan, masukkan nama tabel MaxCompute di bidang Table Name. Untuk contoh ini, masukkan pai_online_project.heart_disease_prediction.

    3. Beralih ke tab Fields untuk melihat detail bidang.

    Praproses data

    Komponen regresi logistik biner memerlukan input bertipe DOUBLE atau BIGINT. Praproses dataset dengan konversi tipe data untuk pelatihan model.

    1. Konversi bidang non-numerik ke tipe numerik.

      1. Cari SQL script lalu seret ke Kanvas. Node SQL script-1 akan dibuat.

      2. Hubungkan Read Table-1 ke port input t1 dari SQL script-1.

      3. Konfigurasikan node tersebut.

        Klik SQL script-1. Di panel konfigurasi, masukkan SQL berikut. Input source pada tab Parameters adalah t1.

        select age,
(case sex when 'male' then 1 else 0 end) as sex,
(case cp when 'angina' then 0  when 'notang' then 1 else 2 end) as cp,
trestbps,
chol,
(case fbs when 'true' then 1 else 0 end) as fbs,
(case restecg when 'norm' then 0  when 'abn' then 1 else 2 end) as restecg,
thalach,
(case exang when 'true' then 1 else 0 end) as exang,
oldpeak,
(case slop when 'up' then 0  when 'flat' then 1 else 2 end) as slop,
ca,
(case thal when 'norm' then 0  when 'fix' then 1 else 2 end) as thal,
(case status  when 'sick' then 1 else 0 end) as ifHealth
from  ${t1};

      4. Klik Save di pojok kiri atas Kanvas.

      5. Klik kanan komponen SQL script-1 lalu pilih Run from Root Node To Here untuk men-debug dan menjalankan pipeline.

        Node dieksekusi secara berurutan. Ikon Run succeeded muncul di setiap node setelah eksekusi berhasil.

        Catatan

        Anda juga dapat mengklik Run (Run) di pojok kiri atas Kanvas untuk menjalankan seluruh pipeline. Untuk pipeline kompleks, jalankan node satu per satu guna menyederhanakan debugging. Jika eksekusi gagal, klik kanan node yang gagal lalu pilih View Log untuk pemecahan masalah.

      6. Setelah eksekusi selesai, klik kanan node tujuan, misalnya SQL script-1, lalu pilih untuk memverifikasi output.

    2. Konversi semua bidang ke tipe data DOUBLE.

      Seret komponen data type conversion ke Kanvas lalu hubungkan setelah SQL script-1. Di tab Set fields, klik Select fields di bawah Columns to convert to double lalu pilih semua bidang.

    3. Normalisasi fitur ke rentang [0, 1].

      Seret komponen normalization ke Kanvas lalu hubungkan setelah data type conversion-1. Pilih semua bidang di tab Set fields.

    4. Pisahkan data menjadi set pelatihan dan set pengujian.

      Seret komponen split ke Kanvas lalu hubungkan setelah normalization-1. Komponen ini menghasilkan dua tabel.

      Secara default, data dipisahkan dengan rasio 4:1. Sesuaikan Splitting ratio di tab Parameters. Split.

    5. Klik kanan data type conversion-1 lalu pilih Run from Here untuk menjalankan node sisanya.

    Langkah 3: Latih model

    Prediksi penyakit jantung merupakan masalah klasifikasi biner — setiap sampel menunjukkan kondisi sakit atau sehat. Gunakan komponen regresi logistik biner untuk membangun model.

    1. Seret komponen Binary Logistic Regression ke Kanvas lalu hubungkan ke port Output Table 1 dari node split-1.

    2. Konfigurasikan node tersebut.

      Klik binary logistic regression-1. Di tab Set fields, atur Label column menjadi ifhealth dan Feature columns menjadi semua kolom tersisa. Binary Logistic Regression.

      Catatan

      Untuk menerapkan model di Langkah 6: Terapkan model (opsional), Anda harus memilih binary logistic regression dan mencentang Generate PMML file di tab Set fields.

    3. Jalankan node tersebut.

    Langkah 4: Lakukan prediksi

    1. Seret komponen prediction ke Kanvas. Hubungkan input-nya ke binary logistic regression-1 dan port Output Table 2 dari split-1.

    2. Klik prediction-1. Di tab Set fields, atur Columns to be kept menjadi ifhealth dan Feature columns menjadi semua kolom kecuali ifhealth.

    3. Jalankan node prediksi dan lihat hasilnya.

      Klik kanan node prediksi lalu pilih View Data > Output of Prediction Result.

      Output berisi: ifhealth (label aktual, 1.0 atau 0.0), prediction_result (hasil prediksi), prediction_score (skor kepercayaan), dan prediction_detail (probabilitas per kelas dalam format JSON).

    Langkah 5: Evaluasi model

    1. Seret komponen binary classification evaluation ke Kanvas lalu hubungkan setelah prediction-1.

    2. Klik binary classification evaluation-1. Di tab Set fields, atur Original label column menjadi ifhealth.

    3. Jalankan node evaluasi.

      Klik kanan binary classification evaluation lalu pilih Visual Analysis untuk melihat metrik evaluasi.

      Model evaluation

    Langkah 6: Terapkan model (opsional)

    Machine Learning Designer terintegrasi dengan Elastic Algorithm Service (EAS). Setelah pelatihan, prediksi, dan evaluasi selesai, terapkan model ke EAS sebagai layanan online.

    1. Setelah pipeline selesai dijalankan, klik Model List, pilih model, lalu klik Deploy to EAS.

    2. Konfirmasi konfigurasi. Terapkan model sebagai layanan online.

      Model file dan Processor type telah dikonfigurasi sebelumnya. Sesuaikan parameter lain sesuai kebutuhan.

    3. Klik Deploy.

      Layanan berhasil diterapkan ketika Service status berubah dari Creating menjadi Running.

      Penting

      Untuk menghindari biaya yang tidak perlu, klik Stop di bagian Actions jika layanan tidak lagi digunakan.

    Dokumen terkait