Pertemuan 2: Struktur Program dan Library (NumPy & Pandas)

Tujuan Pembelajaran

Setelah mengikuti pertemuan ini, mahasiswa diharapkan mampu menerapkan konsep dan keterampilan berikut secara mandiri.

• Menerangkan struktur dasar program dan urutan eksekusi Python.
• Menulis fungsi yang dapat dipanggil berulang.
• Menggunakan NumPy untuk operasi numerik pada array.
• Membuat dan menyaring data tabular dengan Pandas.

Program Python berjalan baris demi baris dari atas ke bawah. Program yang baik disusun menjadi tiga bagian besar: bagian import pustaka di awal, bagian definisi fungsi, dan bagian eksekusi utama. Struktur seperti ini membuat kode mudah dibaca, mudah diuji, dan mudah diperbaiki ketika muncul kesalahanMenjelaskan alur lengkap sebuah proyek sains data: mengumpulkan data, membersihkannya, melakukan eksplorasi, membangun model, mengevaluasi, lalu menampilkan hasil. Struktur program yang rapi mendukung seluruh alur ini sejak awal.

Fungsi adalah blok kode yang diberi nama, dapat menerima parameter, dan dipanggil berkali-kali. Dengan fungsi, kita tidak menyalin kode yang sama berulang-ulang; cukup definisikan sekali lalu panggil dengan argumen berbeda.Kebiasaan menulis fungsi kecil yang jelas tujuannya banyak membantu saat kode semakin panjang. Sepanjang kursus ini, hampir semua pertemuan akan mengimpor numpy atau pandas, sehingga memahami keduanya sejak sekarang menjadi pondasi yang sangat berharga.

Menulis Fungsi

def sapa(nama):
    """Kembalikan kalimat sapaan."""
    return "Halo, " + nama + "!"

print(sapa("Andi"))
print(sapa("Sari"))

Kata kunci def menandai awal fungsi, diikuti nama dan parameter dalam tanda kurung lalu titik dua. Isi fungsi ditulis dengan indentasi, dan return mengirimkan nilai kembali ke pemanggil.

NumPy untuk Perhitungan Numerik

NumPy menyediakan array multidimensi dan operasi vektor yang jauh lebih cepat daripada list Python biasa. Keunggulan utama disebut vektorisasi: sebuah operasi diterapkan ke seluruh elemen sekaligus tanpa menulis perulangan manual.

import numpy as np

data = np.array([1, 2, 3, 4, 5])
print("Rata-rata:", np.mean(data))
print("Total:", np.sum(data))
print("Standar deviasi:", np.std(data))
print("Hasil kali 2:", data * 2)

perhatikan bahwa data * 2 langsung mengalikan setiap elemen, bukan menggandakan daftar. Inilah contoh kecil kekuatan vektorisasi yang akan sangat membantu saat bekerja dengan dataset besar.

Pandas untuk Data Tabular

Pandas memperkenalkan struktur DataFrame, yang berbentuk tabel dengan baris dan kolom berlabel, mirip lembar kerja Excel. DataFrame adalah jantung analisis data karena hampir semua data dunia nyata tersimpan dalam bentuk tabel. Struktur lain bernama Series mewakili satu kolomnya.

import pandas as pd

df = pd.DataFrame({
    "Nama": ["Andi", "Sari", "Budi"],
    "Nilai": [85, 92, 78],
    "Lulus": [True, True, False]
})
print(df)
print("Kolom nilai:")
print(df["Nilai"])

DataFrame dapat dibuat dari kamus, list, atau dibaca dari file CSV dengan pd.read_csv. Memahami cara membangun dan mengakses kolom adalah langkah pertama sebelum membahas pembersihan data pada pertemuan berikutnya.

Langkah Praktik

Kerjakan langkah-langkah ini langsung di Jupyter Notebook agar setiap hasil terlihat nyata. Latihan menulis fungsi dan membentuk DataFrame adalah bekal penting untuk pertemuan seterusnya.

• Buka Jupyter Notebook dan buat notebook baru bernama pertemuan2.ipynb.
• Tulis fungsi sapa() lalu panggil dengan beberapa nama berbeda.
• Import numpy dan buat array dari list, lalu hitung mean dan sum.
• Buat DataFrame sederhana dari kamus dan tampilkan dengan head().
• Simpan notebook dan ekspor sebagai HTML untuk dokumentasi.

Pastikan Anda sudah nyaman memakai head(), describe(), dan cara mengakses kolom, karena ketiganya akan dipakai hampir setiap pertemuan.

Latihan

Latihan bertujuan menguatkan pemahaman fungsi dan dua library utama. Usahakan menulis kode tanpa melihat contoh lalu bandingkan hasilnya.

• Tulis fungsi luas_persegi_panjang(panjang, lebar) yang mengembalikan hasil perkalian keduanya.
• Buat array NumPy berisi sepuluh angka, lalu hitung rata-rata dan nilai terbesarnya.
• Buat DataFrame berisi empat mahasiswa (nama, jurusan, semester) dan tampilkan kolom nama saja.