Belajar Python - CI/CD, Containerization & Deployment

#Pendahuluan

Kode yang lulus test lokal belum cukup. Episode 20 membawa kalian ke dunia CI/CD dan deployment: membangun pipeline otomatis dengan GitHub Actions, mengontainerisasi aplikasi dengan Docker, dan men-deploy ke target produksi modern.

Kita akan membahas caching dan matrix build, Docker multi-stage, kombinasi Gunicorn dan Uvicorn, serta target deployment seperti Cloud Run, AWS Lambda, dan Kubernetes. Di akhir episode, kalian punya alur dari commit sampai production.

#CI dengan GitHub Actions

#Membangun Pipeline Pertama

GitHub Actions menjalankan workflow otomatis dari file YAML:

name: CI
 
on:
  push:
    branches: [main]
 
jobs:
  test:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      - uses: actions/setup-python@v5
        with:
          python-version: "3.12"
      - run: pip install -e ".[dev]"
      - run: pytest

on: push: branches: [main] memicu workflow saat push ke main. actions/setup-python@v5 menyiapkan Python 3.12, lalu menjalankan install dan test. Setiap commit otomatis diuji — bug terdeteksi sebelum sampai production.

#Caching Dependency

Caching mempercepat pipeline dengan memakai ulang dependency:

      - uses: actions/setup-python@v5
        with:
          python-version: "3.12"
          cache: "pip"
      - run: pip install -e ".[dev]"

cache: "pip" membuat GitHub Actions menyimpan cache dependency antar run. Pipelines berikutnya memakai cache, memangkas waktu install secara drastis. Caching adalah standar untuk CI yang efisien.

#Matrix Build untuk Banyak Versi

#Menguji Multi Versi Python

Matrix build menjalankan job yang sama untuk beberapa versi:

  test:
    runs-on: ubuntu-latest
    strategy:
      matrix:
        python-version: ["3.11", "3.12", "3.13"]
    steps:
      - uses: actions/checkout@v4
      - uses: actions/setup-python@v5
        with:
          python-version: ${{ matrix.python-version }}
          cache: "pip"
      - run: pip install -e ".[dev]"
      - run: pytest

matrix: python-version: ["3.11", "3.12", "3.13"] menjalankan job untuk tiga versi Python. ${{ matrix.python-version }} diisi per kombinasi. Matrix build menjamin library kalian bekerja di semua versi yang didukung.

#Docker Multi-Stage

#Menulis Dockerfile Multi-Stage

Docker mengontainerisasi aplikasi. Multi-stage memisahkan build dan runtime:

FROM python:3.12-slim AS builder
WORKDIR /app
COPY pyproject.toml .
COPY src .
RUN pip wheel --no-cache-dir --wheel-dir /wheels .
 
FROM python:3.12-slim AS runtime
WORKDIR /app
COPY --from=builder /wheels /wheels
COPY --from=builder /app /app
RUN pip install --no-cache-dir /wheels/*
EXPOSE 8000
CMD ["uvicorn", "app.main:app", "--host", "0.0.0.0", "--port", "8000"]

Stage builder membangun wheel dependency, dan stage runtime hanya menyalin artefak hasil build. Image akhir menjadi kecil dan aman karena tidak menyertakan tool build. CMD menjalankan Uvicorn di port 8000.

#Gunicorn dan Uvicorn di Production

#Kombinasi untuk FastAPI

Untuk production, gabungkan Gunicorn sebagai process manager dan Uvicorn sebagai worker:

gunicorn app.main:app \
  --workers 4 \
  --worker-class uvicorn.workers.UvicornWorker \
  --bind 0.0.0.0:8000

gunicorn app.main:app menjalankan aplikasi dengan empat worker. --worker-class uvicorn.workers.UvicornWorker memakai Uvicorn sebagai worker async. Gunicorn mengelola lifecycle process sementara Uvicorn menangani request secara asinkron — kombinasi terbaik untuk FastAPI.

#Target Deployment

#Cloud Run

Cloud Run menjalankan container tanpa mengelola server:

gcloud run deploy belajar-api \
  --image gcr.io/proyek/belajar-api \
  --platform managed \
  --region asia-southeast1 \
  --allow-unauthenticated

gcloud run deploy belajar-api men-deploy image ke Cloud Run. Platform mengelola scaling otomatis — dari nol sampai ribuan request per detik. Kalian hanya membayar saat ada traffic. Cloud Run cocok untuk API stateless.

#Kubernetes Basics

Kubernetes mengorkestrasi container di banyak node:

apiVersion: apps/v1
kind: Deployment
metadata:
  name: belajar-api
spec:
  replicas: 3
  selector:
    matchLabels:
      app: belajar-api
  template:
    metadata:
      labels:
        app: belajar-api
    spec:
      containers:
        - name: belajar-api
          image: gcr.io/proyek/belajar-api:v0.1.0
          ports:
            - containerPort: 8000

kind: Deployment mendeklarasikan aplikasi dengan tiga replika. Kubernetes menjaga replika tetap berjalan, melakukan rolling update, dan mengelola scaling. Pilih Kubernetes saat butuh kontrol penuh atas infrastruktur berskala besar.

#Penutup

Inti yang harus dibawa pulang:

• GitHub Actions mengotomatiskan test untuk setiap commit.
• Caching dan matrix build membuat CI cepat dan luas cakupannya.
• Docker multi-stage menghasilkan image kecil dan aman.
• Gunicorn dengan Uvicorn worker adalah kombinasi production FastAPI.
• Cloud Run menawarkan serverless scaling tanpa mengelola server.
• Kubernetes memberi kontrol penuh untuk orkestrasi berskala besar.

Di episode 21 selanjutnya kita akan membahas observability, monitoring, dan maintenance — metrik dengan Prometheus, tracing dengan OpenTelemetry, strukturisasi log, error monitoring dengan Sentry, serta performance budget dan alerting. Aplikasi kalian akan bisa diamati dan dirawat dengan baik!