Proyek ini adalah implementasi pipeline CI/CD untuk model machine learning menggunakan MLflow, GitHub Actions, dan Docker. Model dilatih secara otomatis setiap kali ada perubahan kode (push) ke repositori, kemudian di-build menjadi Docker image yang siap untuk dideploy.

## Project Structure
```text
└── MLProject
    ├── modelling.py              # Script training & logging model
    ├── requirements.txt          # Library dependencies untuk model
    ├── Tautan ke Docker Hub.txt  # Link ke Docker Image
    └── titanic_clean.csv         # Dataset yang digunakan

Teknologi yang Digunakan

• Python 3.12
• MLflow 2.19.0: Untuk tracking eksperimen dan packaging model.
• Scikit-Learn: Untuk algoritma Random Forest.
• GitHub Actions: Sebagai automation server (CI/CD).
• Docker: Untuk containerization model.

Pipeline Otomatisasi (GitHub Actions)

Setiap kali ada push ke branch main atau master:

1. Setup Environment: Menginstal Python dan library yang diperlukan.
2. Training: Script modelling.py dijalankan untuk melatih model dan mencatat run_id.
3. Artifact Logging: Hasil training disimpan di folder mlruns.
4. Docker Build & Push: Model di-package menjadi Docker image dengan env-manager=local dan di-push ke Docker Hub secara otomatis.

Cara Penggunaan

1. Pastikan Docker Hub credentials (DOCKER_USERNAME & DOCKER_PASSWORD) sudah terpasang di GitHub Secrets repositori ini.
2. Setiap kali kode di-push, cek tab Actions di GitHub untuk memantau proses build.
3. Docker image yang berhasil akan muncul di Docker Hub (link tertera di file Tautan ke Docker Hub.txt).