10 Ide Proyek Docker: Dari Pemula hingga Lanjutan

Proyek Docker Tingkat Menengah

Proyek berikut ditujukan bagi mereka yang telah memahami dasar-dasar Docker dengan baik. Proyek ini akan memperkenalkan konsep yang lebih kompleks, seperti multi-stage builds dan teknik optimasi.

Proyek 4: Multi-stage build untuk aplikasi Node.js

Multi-stage builds membantu mengurangi ukuran image Docker dengan memisahkan lingkungan build dan runtime. Dalam proyek ini, Anda akan mengcontainerkan aplikasi Node.js menggunakan multi-stage builds.

Tingkat kesulitan: Menengah

Teknologi yang digunakan: Docker, Node.js, Nginx

Langkah-langkah

• Buat aplikasi Node.js sederhana: Tulis server Node.js dasar yang mengembalikan pesan sederhana. Berikut contohnya:

const express = require('express');
const app = express();
 
app.get('/', (req, res) => res.send('Hello from Node.js'));
 
app.listen(3000, () => console.log('Server running on port 3000'));

• Tulis Dockerfile dengan multi-stage build: Tahap pertama membangun aplikasi, dan tahap kedua menjalankan aplikasi dengan image dasar yang lebih ringan.

# Stage 1: Build
FROM node:14 as build-stage
WORKDIR /app
COPY package*.json ./
RUN npm install
COPY . .
# Add the following line if there's a build step for the app
# RUN npm run build

# Stage 2: Run
FROM node:14-slim
WORKDIR /app
COPY --from=build-stage /app .
EXPOSE 3000
ENV NODE_ENV=production
CMD ["node", "server.js"]

• Bangun image:

docker build -t node-multi-stage .

• Jalankan container:

docker run -p 3000:3000 node-multi-stage

Proyek 5: Mendockerisasi model machine learning dengan TensorFlow

Proyek ini akan melibatkan peng-container-an model machine learning menggunakan TensorFlow. Tujuannya adalah membuat lingkungan portabel di mana Anda dapat menjalankan model TensorFlow di berbagai sistem tanpa khawatir tentang pengaturan dasar.

Tingkat kesulitan: Menengah

Teknologi yang digunakan: Docker, TensorFlow, Python

Langkah-langkah

• Instal TensorFlow dalam skrip Python: Buat skrip Python model.py yang memuat dan menjalankan model TensorFlow pre-trained:

import tensorflow as tf
model = tf.keras.applications.MobileNetV2(weights='imagenet')
print("Model loaded successfully")

• Tulis Dockerfile: Definisikan lingkungan untuk TensorFlow di dalam Docker:

FROM tensorflow/tensorflow:latest
WORKDIR /app
COPY . .
CMD ["python", "model.py"]

• Bangun image:

docker build -t tensorflow-model .

• Jalankan container:

docker run tensorflow-model

Proyek 6: Membuat lingkungan data science dengan Jupyter dan Docker

Proyek ini berfokus pada pembuatan lingkungan data science yang reprodusibel menggunakan Docker dan Jupyter notebook. Lingkungan ini akan mencakup pustaka Python populer seperti pandas, NumPy, dan scikit-learn.

Tingkat kesulitan: Menengah

Teknologi yang digunakan: Docker, Jupyter, Python, scikit-learn

Langkah-langkah

• Buat file docker-compose.yml: Definisikan layanan Jupyter Notebook dan pustaka yang diperlukan. Berikut contohnya:

version: '3'
services:
  jupyter:
    	image: jupyter/scipy-notebook
    	ports:
    	- "8888:8888"
    	volumes:
    	- ./notebooks:/home/joelwembo/work

• Mulai Jupyter Notebook: Gunakan Docker Compose untuk memulai Jupyter Notebook.

docker-compose up

• Akses Jupyter Notebook: Buka browser Anda dan pergi ke http://localhost:8888.

Proyek Docker Tingkat Lanjutan

Proyek tingkat lanjutan ini akan berfokus pada aplikasi dunia nyata dan konsep Docker tingkat lanjut, seperti pipeline deep learning dan pipeline data otomatis.

Proyek 7: Mengurangi ukuran image Docker untuk aplikasi Python

Dalam proyek ini, Anda akan mengoptimalkan image Docker untuk aplikasi Python dengan menggunakan image dasar minimal seperti Alpine Linux dan menerapkan multi-stage builds agar ukuran image sekecil mungkin.

Tingkat kesulitan: Lanjutan

Teknologi yang digunakan: Docker, Python, Alpine Linux

Langkah-langkah

• Tulis skrip Python: Buat skrip yang menganalisis data menggunakan pandas. Berikut contoh skripnya:

import pandas as pd
df = pd.read_csv('data.csv')
print(df.head())

• Optimalkan Dockerfile: Gunakan multi-stage builds dan Alpine Linux untuk membuat image ringan.

# Stage 1: Build stage
FROM python:3.9-alpine as build-stage
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY script.py .

# Stage 2: Run stage
FROM python:3.9-alpine
WORKDIR /app
COPY --from=build-stage /app/script.py .
CMD ["python", "script.py"]

• Bangun image:

docker build -t optimized-python-app .

Proyek 8: Mendockerisasi pipeline deep learning dengan PyTorch

Proyek ini melibatkan peng-container-an pipeline deep learning menggunakan PyTorch. Fokusnya adalah mengoptimalkan Dockerfile untuk kinerja dan ukuran, sehingga mudah menjalankan model deep learning di berbagai lingkungan.

Tingkat kesulitan: Lanjutan

Teknologi yang digunakan: Docker, PyTorch, Python

Langkah-langkah

• Instal PyTorch dalam skrip Python: Buat skrip yang memuat model PyTorch pre-trained dan melakukan inferensi. Berikut contohnya:

import torch
model = torch.hub.load('pytorch/vision', 'resnet18', pretrained=True)
print("Model loaded successfully")

• Tulis Dockerfile: Definisikan lingkungan untuk PyTorch:

FROM pytorch/pytorch:1.9.0-cuda11.1-cudnn8-runtime
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY model.py .
CMD ["python", "model.py"]

• Bangun image:

docker build -t pytorch-model .

• Jalankan container:

docker run pytorch-model 

Proyek 9: Mengotomatisasi pipeline data dengan Apache Airflow dan Docker

Dalam proyek ini, Anda akan menyiapkan dan mengcontainerkan lingkungan Apache Airflow untuk mengotomatisasi pipeline data. Apache Airflow adalah alat populer untuk mengorkestrasi workflow kompleks yang banyak digunakan dalam rekayasa data.

Tingkat kesulitan: Lanjutan

Teknologi yang digunakan: Docker, Apache Airflow, Python, PostgreSQL

Langkah-langkah

• Buat file docker-compose.yml: Definisikan layanan Airflow dan database PostgreSQL:

version: '3'
services:
  postgres:
    image: postgres:latest
    environment:
      POSTGRES_USER: airflow
      POSTGRES_PASSWORD: airflow
      POSTGRES_DB: airflow
    ports:
      - "5432:5432"
    volumes:
      - postgres_data:/var/lib/postgresql/data

  webserver:
    image: apache/airflow:latest
    environment:
      AIRFLOW__CORE__SQL_ALCHEMY_CONN: postgresql+psycopg2://airflow:airflow@postgres/airflow
      AIRFLOW__CORE__EXECUTOR: LocalExecutor
    depends_on:
      - postgres
    ports:
      - "8080:8080"
    volumes:
      - ./dags:/opt/airflow/dags
    command: ["webserver"]

  scheduler:
    image: apache/airflow:latest
    environment:
      AIRFLOW__CORE__SQL_ALCHEMY_CONN: postgresql+psycopg2://airflow:airflow@postgres/airflow
      AIRFLOW__CORE__EXECUTOR: LocalExecutor
    depends_on:
      - postgres
      - webserver
    volumes:
      - ./dags:/opt/airflow/dags
    command: ["scheduler"]

volumes:
  postgres_data:

• Mulai lingkungan Airflow: Gunakan Docker Compose untuk menyalakan lingkungan Airflow:

docker-compose up

• Akses UI Airflow: Buka browser Anda dan pergi ke http://localhost:8080.

Proyek 10: Mendeploy API data science dengan FastAPI dan Docker

Bangun dan deploy API data science menggunakan FastAPI. Anda akan mengcontainerkan API menggunakan Docker dan berfokus pada pengoptimalannya untuk lingkungan produksi.

Tingkat kesulitan: Lanjutan

Teknologi yang digunakan: Docker, FastAPI, Python, scikit-learn

Langkah-langkah

• Tulis aplikasi FastAPI: Buat API sederhana yang menggunakan model machine learning untuk prediksi. Berikut contohnya:

from fastapi import FastAPI
import pickle
 
app = FastAPI()
with open("model.pkl", "rb") as f:
   model = pickle.load(f)
 
@app.post("/predict/")
def predict(data: list):
   return {"prediction": model.predict(data)}

• Tulis Dockerfile: Buat Dockerfile yang mendefinisikan lingkungan untuk FastAPI:

FROM python:3.9-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install -r requirements.txt
COPY . .
CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "8000"]

• Bangun image:

docker build -t fastapi-app .

• Jalankan container:

docker run -p 8000:8000 fastapi-app

Tips untuk Mengerjakan Proyek Docker

Saat Anda mengerjakan proyek-proyek ini, ingat tips berikut:

• Mulai dari yang kecil: Mulailah dengan proyek yang sedikit menantang, lalu beralih ke tugas yang lebih kompleks. Membangun kepercayaan diri melalui tugas yang lebih sederhana itu penting.
• Dokumentasikan kemajuan Anda: Simpan catatan rinci proyek Anda untuk melacak pembelajaran dan sebagai referensi untuk upaya di masa depan.
• Bergabung dengan komunitas Docker: Ikuti forum daring dan meetup lokal untuk berbagi pengalaman, bertanya, dan belajar dari orang lain.
• Bereksperimen dan kustomisasi: Jangan ragu mengutak-atik proyek, mencoba pendekatan berbeda, dan mengeksplorasi fitur Docker baru.
• Terus belajar: Lanjutkan memperluas pengetahuan Docker Anda dengan mengeksplorasi topik dan alat tingkat lanjut seperti Kubernetes, Docker Swarm, atau arsitektur microservices.

Kesimpulan

Menguasai Docker bukan hanya soal mempelajari perintah dan konfigurasi. Ini tentang memahami bagaimana Docker cocok dalam pengembangan aplikasi modern, alur kerja data science, dan manajemen infrastruktur.

Proyek-proyek yang saya bagikan dalam panduan ini memberikan beberapa ide untuk membangun keterampilan dasar dan pengalaman langsung yang dibutuhkan agar akhirnya unggul dalam skenario dunia nyata.

Pada tahap ini, saya menyarankan memperkuat pengetahuan Anda dengan mengikuti kursus berikut:

• Intermediate Docker
• Introduction to Kubernetes