Praktikum Modul 3: Pengenalan Python & Google Colab

(Image by Freepik)

Pada praktikum ini, kita akan belajar tentang dasar-dasar bahasa pemrograman Python dan juga mengenal software LLM (Large Language Model) yang terintegrasi di platform Google Colab. Python adalah salah satu bahasa pemrograman yang paling dikenal di dunia karena cara penulisannya yang mudah dan gampang dimengerti, serta memiliki banyak pustaka yang dapat dipakai. Bahasa ini digunakan dalam banyak bidang, seperti analisis data, kecerdasan buatan (AI), pembelajaran mesin (machine learning), dan juga pengembangan situs web.

Di sisi lain, Google Colab adalah layanan yang disediakan oleh Google untuk menjalankan kode Python secara langsung di internet, jadi kita tidak perlu menginstal software tambahan. Colab sangat disukai oleh siswa, peneliti, dan para profesional karena memungkinkan mereka untuk menulis, menjalankan, dan berbagi kode Python dengan cara yang gampang, sambil menggunakan sumber daya komputer yang disediakan oleh Google secara gratis, seperti GPU dan TPU.

Melalui praktikum ini, mahasiswa akan mempelajari cara menggunakan Python di Google Colab untuk melakukan perintah dasar, memahami bagaimana kode disusun, dan mengenal konsep dasar dari model bahasa besar (LLM) yang kini banyak digunakan dalam teknologi kecerdasan buatan. Tujuannya adalah agar mahasiswa dapat mengerti bagaimana Python sangat penting dalam ekosistem AI dan mampu menggunakannya sebagai langkah awal untuk menjelajahi lebih jauh di bidang data science dan machine learning.

1. Persiapan Praktikum

Sebelum memulai praktikum kita harus mempersiapkan tools yang akan digunakan yaitu google colab. Google colab dapat diakses melalui https://colab.research.google.com/. Cara menggunakan google colab sangatlah mudah anda tinggal masuk kesitus colab diatas, lalu login dengan akun google yang anda miliki, setelah itu opsi open notebook akan muncul, pilih pada pojok kiri yaitu opsi new notebook, maka anda telah selesai untuk membuat notebook baru yang akan anda gunakan. Oh yaaa, jika opsi open notebook tidak muncul otomatis, anda bisa pergi ke opsi file di pojok kiri atas dan pilih open notebook. Setelah anda membuat laman notebook baru anda bisa mengganti nama file/laman notebook anda dengan format .ipynb.

2. Memulai Praktikum (Praktikum 1)

1. Menulis Program Python Sederhana: “Hello World”

Langkah pertama dalam mempelajari bahasa pemrograman adalah menampilkan teks “Hello World” ke layar. Di Google Colab, kita dapat menulis kode berikut di code cell, lalu menekan Run atau Shift + Enter untuk menjalankannya.


print ("Hello, AI World!")

Hasil yang akan muncul:


Hello, AI World!

Fungsi print() digunakan untuk menampilkan teks atau hasil perhitungan ke layar. Ini merupakan perintah dasar yang sering digunakan dalam Python.

2. Variabel dan Tipe Data

Variabel berfungsi untuk menyimpan nilai, sedangkan tipe data menunjukkan jenis nilai tersebut, seperti teks, angka, atau logika. Python secara otomatis mengenali tipe data berdasarkan nilai yang diberikan.

Contoh kode:


nama = "Farhan Agung Dermawan"    #string
umur = 22                         #integer
ipk = 3.7                         #float
is_mahasiswa = True               #boolean

print(nama, umur, ipk, is_mahasiswa)
print(type(nama), type(umur), type(ipk), type(is_mahasiswa))

Penjelasan tipe data:

String → digunakan untuk menyimpan teks (diapit tanda kutip)
Integer → bilangan bulat
Float → bilangan desimal
Boolean → nilai logika True atau False

3. Operasi Aritmatika Dasar

Python dapat digunakan untuk melakukan operasi matematika sederhana. Berikut contoh penggunaannya:


a, b = 15, 4
print("Tambah:", a + b)
print("Kurang:", a - b)
print("Kali:", a * b)
print("Bagi:", a / b)
print("Modulus:", a % b)
print("Pangkat:", a ** 2)

Hasil output:


Tambah: 19
Kurang: 11
Kali: 60
Bagi: 3.75
Modulus: 3
Pangkat: 225

Operator +, -, *, /, dan ** masing-masing digunakan untuk operasi penjumlahan, pengurangan, perkalian, pembagian, dan pangkat.

4. Struktur Data: List dan Dictionary

Struktur data dalam Python berguna untuk menyimpan dan mengelola banyak data sekaligus. Dua struktur data yang sering digunakan adalah List dan Dictionary.

a. List

List digunakan untuk menyimpan kumpulan data yang dapat diubah.
Contoh penggunaan:


#List: urutan data yang bisa diubah
nilai = [80, 85, 90, 88]
nilai.append(92)           #tambah elemen
print("Rata-rata:", sum(nilai)/len(nilai))

Penjelasan:

append menambahkan data baru ke dalam list
sum menghitung total nilai
len menghitung jumlah elemen
sum(nilai)/len(nilai) digunakan untuk menghitung rata-rata nilai

b. Dictionary

Dictionary menyimpan data dalam bentuk pasangan kunci-nilai (key-value).


#Dictionary: pasangan kunci-nilai
biodata = {
    "nama": "Farhan Agung Dermawan",
    "prodi": "Bisnis Digital",
    "minat": ["AI", "Big Data"]
}
print(biodata["nama"], "minat:", ", ".join(biodata["minat"]))

Penjelasan:

Data disusun dalam format { "kunci": "nilai" }
Nilai dapat diakses menggunakan kunci dalam tanda []
Fungsi join digunakan untuk menggabungkan beberapa nilai menjadi satu string

Catatan: Jalankan setiap sel kode satu per satu agar mudah memahami alur program dan menemukan kesalahan jika terjadi error.

5. Import Library Dasar (NumPy, Pandas, Matplotlib)

Sebelum melakukan analisis data, kita perlu mengimpor beberapa library dasar, yaitu:

NumPy untuk perhitungan numerik
Pandas untuk mengolah data dalam bentuk tabel
Matplotlib untuk membuat grafik dan visualisasi data

Contoh kode:


import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

Library tersebut menjadi fondasi penting untuk melakukan analisis data dan pembuatan model machine learning di tahap lanjut.

6. Visualisasi Data Sederhana di Google Colab

Berikut contoh kode sederhana untuk menampilkan grafik fungsi kuadrat dan membuat tabel data menggunakan Pandas:


import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

#Contoh mini: buat data sederhana & plot
x = np.arange(1, 11)
y = x ** 2
plt.plot(x, y)
plt.title("Contoh Plot: y = x^2")
plt.xlabel("x"); plt.ylabel("y")
plt.show()

#Contoh DataFrame ringkas
df = pd.DataFrame({
    "produk": ["A", "B", "C", "D"],
    "penjualan": [120, 90, 150, 110]
})
df

Penjelasan kode di atas:

numpy digunakan untuk membuat data numerik dengan mudah np.arange membuat deretan angka).
matplotlib digunakan untuk membuat grafik dengan fungsi plot
pandas digunakan untuk menampilkan data dalam bentuk tabel yang disebut DataFrame

(Image by rawpixel.com on Freepik)

3. Memulai Praktikum (Praktikum 2)

Praktikum ini bertujuan agar mahasiswa memahami cara dasar mengolah dan menampilkan data menggunakan NumPy, Pandas, Matplotlib, dan Seaborn di Google Colab.

1. Setup dan Import Library

Langkah awal adalah menyiapkan lingkungan kerja dan mengimpor library yang diperlukan.


# Import library inti
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# Opsi tampilan
pd.set_option('display.max_columns', None)
pd.set_option('display.precision', 3)

# Atur ukuran default plot
plt.rcParams['figure.figsize'] = (7,4)

print("Library siap digunakan.")

Kode ini berfungsi untuk memanggil pustaka utama dan mengatur tampilan agar hasil lebih rapi.

2. NumPy, Array & Operasi Dasar

NumPy digunakan untuk mengolah data numerik berbentuk array.
Berikut contoh sederhana:


# Array 1D & 2D
a1 = np.array([1, 2, 3, 4, 5])
a2 = np.array([[1, 2, 3], [4, 5, 6]])

print("a1:", a1,  "| shape:", a1.shape, "| dtype:", a1.dtype)
print("a2:\n", a2, "\nshape", a2.shape)

Kita juga bisa melakukan operasi seperti slicing, broadcasting, dan agregasi:


# Array khusus
zeros = np.zeros((2,3))
ones = np.ones((3,2))
randn = np.random.rand(2,3)   # distribusi normal
arange = np.arange(0, 10, 2)  # start, stop, step

print("\nZeros:\n", zeros)
print("\nOnes:\n", ones)
print("\nRandom normal:\n", randn)
print("\nArange 0..10 step 2:", arange)

Dengan cara ini, kita bisa menghitung dan memanipulasi data secara cepat tanpa looping manual.

3. Pandas — Membuat & Mengelola DataFrame

Pandas digunakan untuk bekerja dengan data tabular (baris dan kolom).


# DataFrame kecil
df_demo = pd.DataFrame({
    "produk": ["A", "B", "C", "D"],
    "harga": [100, 120, 90, 150],
    "penjualan": [120, 90, 150, 110]
})
df_demo

4. Membaca dan Mengelola Dataset di Google Colab

Pada tahap ini, kita akan mencoba membaca file CSV (misalnya dataset prediksi harga rumah) langsung dari Google Drive menggunakan Pandas.


# Membaca Dataset CSV (Prediksi Harga Rumah)
# Mount Google Drive
from google.colab import drive
drive.mount('/content/drive')

# Import library inti
import pandas as pd

# Path file dataset (ganti sesuai lokasi pasti di Drive Anda)
path = '/content/drive/MyDrive/ColabNotebooks/Modul3/dataset_prediksi_harga_rumah.csv'

# Baca dataset ke dalam DataFrame
df = pd.read_csv(path)

# Tampilkan 5 baris pertama
df.head()

Kode di atas berfungsi untuk:

Menghubungkan Google Drive agar file bisa diakses.
Membaca dataset ke dalam DataFrame Pandas.
Menampilkan isi awal dataset.

5. Operasi Dasar pada DataFrame

Setelah dataset berhasil dimuat, dilakukan beberapa operasi dasar untuk memahami isi data:

Melihat struktur dan ringkasan data:
```
# Info & ringkasan
print("\nInfo:")
print(df.info())
print("\nDescriptive stats:")
display(df.describe())
```
Hasilnya menunjukkan jumlah data, tipe data setiap kolom, dan statistik dasar seperti mean, min, dan max.

Seleksi kolom numerik dan menampilkan sebagian data:


# Seleksi kolom & baris
kolom_numerik = df.select_dtypes(include=np.number).columns.tolist()
print("\nKolom numerik:", kolom_numerik)

# head/tail
display(df.head(3))
display(df.tail(3))

Akses baris tertentu dan filter data:


# Akses baris dengan iloc/loc
print("\nBaris ke-5 (iloc):\n", df.iloc[4])
# Filter sederhana (jika kolom tersedia)
if 'kamar_tidur' in df.columns:
    print("\nFilter kamar_tidur >= 3:")
    display(df[df['kamar_tidur'] >= 3].head())

Menangani missing value (data kosong):


# Menangani missing values (contoh sederhana)
print("\nJumlah missing per kolom:")
print(df.isna().sum())
df_clean = df.fillna(df.median(numeric_only=True))

Langkah ini membantu memastikan data bersih dan siap digunakan untuk analisis lebih lanjut.

6. Visualisasi Data dengan Matplotlib & Seaborn

Tahapan berikutnya adalah membuat grafik untuk memahami pola data.

a. Histogram

Histogram digunakan untuk melihat distribusi nilai dari kolom numerik seperti luas bangunan.


# Histogram salah satu kolom numerik
kolom = 'luas_bangunan' if 'luas_bangunan' in df.columns else df.select_dtypes(include=np.number).columns[0]
plt.hist(df[kolom], bins=12)
plt.title(f"Histogram: {kolom}")
plt.xlabel(kolom)
plt.ylabel("Frekuensi")
plt.show()

Hasilnya menampilkan sebaran data luas rumah berdasarkan frekuensi kemunculan nilai.

b. Scatter Plot

Scatter plot digunakan untuk melihat hubungan antara dua variabel, misalnya luas bangunan dan harga rumah.


# Scatter plot: luas_bangunan vs harga (jika tersedia)
if set(['luas_bangunan', 'harga']).issubset(df.columns):
    plt.scatter(df['luas_bangunan'], df['harga'])
    plt.title("Scatter: Luas Bangunan vs Harga")
    plt.xlabel("Luas Bangunan (m2)")
    plt.ylabel("Harga (Rp)")
    plt.show()

Grafik ini membantu mengenali apakah semakin luas bangunan, maka semakin tinggi harga rumah.

7. Analisis Korelasi dengan Seaborn

Untuk melihat hubungan antar variabel numerik, digunakan heatmap korelasi dan pairplot.


# Seaborn: heatmap korelasi & pairplot
corr = df.select_dtypes(include=np.number).corr(numeric_only=True)
sns.heatmap(corr, annot=True, fmt=".2f")
plt.title("Matriks Korelasi")
plt.show()

Hasil heatmap menunjukkan seberapa kuat hubungan antar variabel. Misalnya, kolom luas rumah dan harga memiliki korelasi mendekati 1, artinya hubungan keduanya sangat kuat.

Link Praktikum 1&2

1. Link 1

2. Link 2

Referensi:

Sumber Utama:

Link Flipbook: https://heyzine.com/flip-book/cbbbf75431.html

Atau anda bisa mengakses langsung dari blog probadi penulis: https://adi-muhamad.my.id

Lokasi:

Farhan