Kami tidak lagi memperbarui layanan Amazon Machine Learning atau menerima pengguna baru untuk itu. Dokumentasi ini tersedia untuk pengguna yang sudah ada, tetapi kami tidak lagi memperbaruinya. Untuk informasi selengkapnya, lihat [Apa itu Amazon Machine Learning](https://docs.aws.amazon.com/machine-learning/latest/dg/what-is-amazon-machine-learning.html).

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Langkah 5: Gunakan Model ML untuk Menghasilkan Prediksi
<a name="step-5-create-predictions"></a>

 Amazon Machine Learning (Amazon Learning) dapat menghasilkan dua jenis prediksi — batch dan real-time. 

*Prediksi waktu nyata* adalah prediksi untuk pengamatan tunggal yang dihasilkan Amazon ML. sesuai permintaan. Prediksi real-time sangat ideal untuk aplikasi seluler, situs web, dan aplikasi lain yang perlu menggunakan hasil secara interaktif. 

 *Prediksi batch* adalah seperangkat prediksi untuk sekelompok pengamatan. Amazon ML memproses catatan dalam prediksi batch bersama-sama, sehingga pemrosesan dapat memakan waktu. Gunakan prediksi batch untuk aplikasi yang memerlukan prediksi untuk serangkaian pengamatan atau prediksi yang tidak menggunakan hasil secara interaktif. 

Untuk tutorial ini, Anda akan menghasilkan prediksi real-time yang memprediksi apakah satu pelanggan potensial akan berlangganan produk baru. Anda juga akan menghasilkan prediksi untuk sejumlah besar pelanggan potensial. Untuk prediksi batch, Anda akan menggunakan `banking-batch.csv` file yang Anda unggah. [Langkah 1: Siapkan Data Anda](step-1-download-edit-and-upload-data.md) 

Mari kita mulai dengan prediksi real-time. 

**catatan**  
Untuk aplikasi yang memerlukan prediksi real-time, Anda harus membuat titik akhir real-time untuk model ML. Anda akan dikenakan biaya saat titik akhir real-time tersedia. Sebelum Anda berkomitmen untuk menggunakan prediksi real-time dan mulai mengeluarkan biaya yang terkait dengannya, Anda dapat mencoba menggunakan fitur prediksi real-time di browser web Anda, tanpa membuat titik akhir real-time. Itulah yang akan kita lakukan untuk tutorial ini.

**Untuk mencoba prediksi waktu nyata**

1. Di panel navigasi **laporan model ML**, pilih **Coba prediksi real-time**.  
![](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/try-real-time-prediction-menu.png)

1. Pilih **Tempel catatan**.   
![](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/paste-a-record.png)

1. Dalam kotak dialog **Tempel catatan**, tempel pengamatan berikut:

   ```
   32,services,divorced,basic.9y,no,unknown,yes,cellular,dec,mon,110,1,11,0,nonexistent,-1.8,94.465,-36.1,0.883,5228.1
   ```

1. Dalam kotak dialog **Tempel catatan**, pilih **Kirim** untuk mengonfirmasi bahwa Anda ingin menghasilkan prediksi untuk pengamatan ini. Amazon ML mengisi nilai dalam bentuk prediksi real-time.  
![](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/value-column.png)
**catatan**  
Anda juga dapat mengisi bidang **Nilai** dengan mengetikkan nilai individual. Terlepas dari metode yang Anda pilih, Anda harus memberikan pengamatan yang tidak digunakan untuk melatih model.

1. Di bagian bawah halaman, pilih **Buat prediksi.** 

   Prediksi muncul di panel **Hasil prediksi** di sebelah kanan. Prediksi ini memiliki **label Prediksi**`0`, yang berarti bahwa pelanggan potensial ini tidak mungkin menanggapi kampanye. **Label yang diprediksi** `1` akan berarti bahwa pelanggan cenderung merespons kampanye.  
![](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/real-time-result.png)

Sekarang, buat prediksi batch. Anda akan memberikan Amazon ML dengan nama model ML yang Anda gunakan; lokasi Amazon Simple Storage Service (Amazon S3) dari data input yang ingin Anda hasilkan prediksi (Amazon ML akan membuat sumber data prediksi batch dari data ini); dan lokasi Amazon S3 untuk menyimpan hasilnya. 

**Untuk membuat prediksi batch**

1. Pilih **Amazon Machine Learning**, lalu pilih **Batch Predictions.**  
![](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/image29.png)

1. Pilih **Buat prediksi batch baru**.

1. Pada halaman **model ML untuk prediksi batch**, pilih **model ML: Data Perbankan 1**.

   Amazon ML menampilkan nama model, ID, waktu pembuatan, dan ID sumber data terkait.

1. Pilih **Lanjutkan**.

1. Untuk menghasilkan prediksi, Anda perlu memberikan Amazon MLdata yang Anda perlukan prediksi. Ini disebut *data input*. Pertama, masukkan data input ke sumber data sehingga Amazon ML dapat mengaksesnya.

   Untuk **Cari data input**, pilih **Data saya ada di S3, dan saya perlu membuat sumber data**.  
![](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/image31.png)

1. Untuk **nama Datasource**, ketik. **Banking Data 2** 

1. Untuk **Lokasi S3**, ketik lokasi lengkap `banking-batch.csv` file: {{your-bucket}}**/banking-batch.csv**. 

1. Untuk **Apakah baris pertama di CSV Anda berisi nama kolom?** , pilih **Ya**.

1. Pilih **Verifikasi**.

   Amazon ML memvalidasi lokasi data Anda.

1. Pilih **Lanjutkan**.

1. Untuk **tujuan S3**, ketik nama lokasi Amazon S3 tempat Anda mengunggah file di Langkah 1: Siapkan Data Anda. Amazon ML mengunggah hasil prediksi di sana.

1. Untuk **nama prediksi Batch**, terima default,**Batch prediction: ML model: Banking Data 1**. Amazon ML memilih nama default berdasarkan model yang akan digunakan untuk membuat prediksi. Dalam tutorial ini, model dan prediksi dinamai menurut sumber data pelatihan,. `Banking Data 1`

1. Pilih **Tinjau**.

1. **Di kotak dialog **izin S3**, pilih Ya.**  
![](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/image32.png)

1. Pada halaman **Ulasan**, pilih **Selesai**.

   Permintaan prediksi batch dikirim ke Amazon ML dan dimasukkan ke dalam antrian. Waktu yang dibutuhkan Amazon ML untuk memproses prediksi batch bergantung pada ukuran sumber data Anda dan kompleksitas model ML Anda. Sementara Amazon ML memproses permintaan, ia melaporkan status **Sedang Berlangsung**. Setelah prediksi batch selesai, status permintaan berubah menjadi **Selesai**. Sekarang, Anda dapat melihat hasilnya.

**Untuk melihat prediksi**

1. Pilih **Amazon Machine Learning**, lalu pilih **Batch Predictions.**  
![](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/image33.png)

1. Dalam daftar prediksi, pilih **Prediksi Batch: Model ML: Data Perbankan 1**. Halaman **info prediksi Batch** muncul.  
![](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/image34.png)

1. **Untuk melihat hasil prediksi batch, buka konsol Amazon S3 di dan arahkan ke lokasi Amazon S3 yang direferensikan [https://console.aws.amazon.com/s3/](https://console.aws.amazon.com/s3/)di bidang URL Output S3.** Dari sana, navigasikan ke folder hasil, yang akan memiliki nama yang mirip dengan`s3://aml-data/batch-prediction/result`.   
![](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/image35.png)

   Prediksi disimpan dalam file.gzip terkompresi dengan ekstensi.gz.

1. Unduh file prediksi ke desktop Anda, buka kompres, dan buka.  
![](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/image36.png)

   File ini memiliki dua kolom, **BestAnswer** dan **skor**, dan satu baris untuk setiap pengamatan di sumber data Anda. Hasil di kolom **BestAnswer** didasarkan pada ambang skor 0,77 yang Anda tetapkan. [Langkah 4: Tinjau Kinerja Prediktif Model ML dan Tetapkan Ambang Skor](step-4-review-model-and-set-cutoff.md) **Skor** yang lebih besar dari 0,77 menghasilkan **BestAnswer** 1, yang merupakan respons atau prediksi positif, dan **skor** kurang dari 0,77 menghasilkan **BestAnswer** 0, yang merupakan respons atau prediksi negatif.

   Contoh berikut menunjukkan prediksi positif dan negatif berdasarkan ambang skor 0.77.

 Prediksi positif: 

![](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/image37.png)


Dalam contoh ini, nilai untuk **BestAnswer** adalah 1, dan nilai **skor** adalah 0.8228876. Nilai untuk **BestAnswer** adalah 1 karena **skor** lebih besar dari ambang skor 0,77. **BestAnswer** of 1 menunjukkan bahwa pelanggan cenderung membeli produk Anda, dan, oleh karena itu, dianggap sebagai prediksi positif.

 Prediksi negatif: 

![](http://docs.aws.amazon.com/id_id/machine-learning/latest/dg/images/image38.png)


 Dalam contoh ini, nilai **BestAnswer** adalah 0 karena nilai **skornya** adalah 0,7695356, yang kurang dari ambang skor 0,77. **BestAnswer** dari 0 menunjukkan bahwa pelanggan tidak mungkin membeli produk Anda, dan, oleh karena itu, dianggap sebagai prediksi negatif.

Setiap baris hasil batch sesuai dengan baris dalam input batch Anda (pengamatan di sumber data Anda).

Setelah menganalisis prediksi, Anda dapat menjalankan kampanye pemasaran yang ditargetkan; misalnya, dengan mengirim selebaran ke semua orang dengan skor prediksi. `1` 

Sekarang setelah Anda membuat, meninjau, dan menggunakan model Anda, [bersihkan data dan sumber daya AWS yang Anda buat](step-6-clean-up.md) untuk menghindari biaya yang tidak perlu dan menjaga ruang kerja Anda tetap rapi.