BAB VI

PERCOBAAN 5
PYTHON NUMPY

6.1 Tujuan
1. Praktikan dapat mengetahui dan juga memahami library numpy dalam
python
2. Praktikan dapat menggunakan library numpy dalam python
3. Praktikan dapat mengetahui perbedaan dimensi array dalam
penggunaan numpy array
4. Praktikan dapat memahami dan juga menggunakan indexing dan slicing
dalam numpy array
5. Praktikan dapat memahami karakteristik dari setiap tipe data dalam
numpy array

6.2 Dasar Teori

Numpy (Numerical Python) adalah pustaka python yang digunakan
untuk bekerja dengan array. Numpy juga memiliki fungsi untuk bekerja
dalam domain aljabar linier, transformasi fourier, dan matriks. Numpy
dibuat pada 2005 oleh Travis Oliphant.
Python memiliki lists yang digunakan untuk melayani fungsi array/
larik, tetapi lists memiliki karakteristik yang lambat untuk diproses.
Numpy bertujuan untuk menyediakan objek array yang hingga 50 kali
lebih cepat dari list python tradisional.
Objek array di numpy disebut ndarray, tersedia banyak fungsi
pendukung yang membuat bekerja dengan ndarray lebih mudah. Array
sangat sering digunakan dalam data science, dimana kecepatan dan
sumber daya merupakan sesuatu yang sangat penting. Data Science adalah
cabang ilmu komputer tempat kami mempelajari cara menyimpan,
menggunakan, dan menganalisis data untuk memperoleh informasi
darinya.
 Array numpy disimpan di satu tempat terus menerus dalam memori
tidak seperti list, sehingga proses dapat mengakses dan memanipulasi
mereka dengan sangat efisien. Perilaku ini disebut lokalitas referensi
dalam ilmu komputer. Ini adalah alasan utama mengapa numpy lebih cepat
dari daftar.

Gambar 6.1 Mengimpor numpy dengan impor numpy

Untuk mengimpor numpy dapat dilakukan dengan import numpy,

seperti contoh di atas.
Cara lain untuk meng-import numpy adalah dengan alias : numpy as
np. Numpy biasanya diimpor dengan alias np. Dalam python alias adalah
nama alternatif untuk merujuk ke hal yang sama.

6.2.1 Numpy Membuat Array

Gambar 6.2 Numpy dengan fungsi array()

Numpy digunakan untuk bekerja dengan array. Objek array di

numpy disebut ndarray. Kita dapat membuat objek numpy Numpy dengan
menggunakan fungsi array() seperti yang ditunjukkan pada gambar 6.2.
Numpy memiliki dimensi dalam array. Dimensi dalam array adalah
satu tingkat kedalaman array (array bersarang/nested). Nested array
adalah array yang memiliki array sebagai elemennya.
Ada beberapa jenis dimensi array:
1. Array 0-D
Array 0-D atau skalars adalah elemen dalam array. Setiap nilai
dalam array adalah array 0-D.

Gambar 6.3 Array 0-D

2. Array 1-D
Array yang memiliki array 0-D sebagai elemen-elemennya disebut
array uni-dimensional atau 1-D. Ini adalah array yang paling umum
dan dasar. Contoh membuat larik 1-D yang berisi nilai
‘a’,’b’,’c’,’d’,’e’.

Gambar 6.4 Array 1-D

3. Array 2-D
Array yang memiliki array 1-D sebagai elemen-elemennya disebut
array 2-D. Ini sering digunakan untuk merepresentasikan matriks atau
tensor orde 2. Numpy memiliki seluruh sub modul yang didedikasikan
untuk operasi matriks yang disebut numpy.mat. Contoh array 2-D
yang berisi dua array dengan nilai 1,2,3 dan 4,5,6

Gambar 6.5 Array 2-D

 4. Array 3-D
Array yang memiliki array 2-D (matriks) sebagai elemen-
elemennya disebut array 3-D. Ini sering digunakan untuk mewakili
tensor orde 3. Contoh array 3-D dengan dua array 2-D, keduanya
mengandung dua array dengan nilai 1,2,3 dan 4,5,6.

Gambar 6.6 Array 3-D

Array numpy menyediakan atribut ndim yang mengembalikan

integer yang memberi tahu kita berapa dimensi array. Contoh memeriksa
berapa dimensi yang dimiliki array.

Gambar 6.7 Contoh memeriksa dimensi yang dimiliki array

Pada gambar 6.7, a merupakan dimensi 0, b merupakan dimensi 1, c

merupakan dimensi 2, dan d merupakan dimensi 3.
Array dapat memiliki sejumlah dimensi. Ketika array dibuat, kita
dapat menentukan jumlah dimensi dengan menggunakan argumen ndmin.
Contoh sebuah array dengan 5 dimensi dan verifikasi bahwa ia memiliki
5 dimensi.
 Gambar 6.8 Contoh array dengan lima dimensi dan verifikasinya

Berdasarkan gambar 6.8 array ini dimensi paling dalam (dim ke-5)
memiliki 4 elemen, dim ke-4 memiliki 1 elemen yaitu vektor, dim ke-3
memiliki 1 elemen yaitu matriks dengan vektor, dim ke-2 memiliki 1
elemen yaitu array 3D dan dim 1 memiliki 1 elemen yang merupakan
array 4D.

6.2.2 Numpy Array Indexing

1. Akses Array 1-D

Gambar 6.9 Contoh akses array 1-D

Pada gambar 6.9 terdapat kode untuk mengakses array 1-D dan
menjumlahkan elemen pada array. Pengindeksan array sama dengan
mengakses elemen array. Kita dapat mengakses elemen array dengan
merujuk ke nomor indeksnya. Indeks dalam array numpy dimulai dengan 0,
yang berarti bahwa elemen pertama memiliki indeks 0, dan yang kedua
memiliki indeks 1 dan seterusnya.
 2. Akses Array 2-D

Gambar 6.10 Contoh akses array 2-D

Untuk mengakses elemen dari array 2-D kita dapat menggunakan

integer yang dipisahkan koma yang mewakili dimensi dan indeks elemen.
3. Akses Array 3-D

Gambar 6.11 Contoh akses array 3-D

Pada gambar 6.11 terdapat contoh mengakses elemen ketiga dari

array kedua dari array pertama. Untuk mengakses elemen dari array 3-D
kita dapat menggunakan integer yang dipisahkan koma yang mewakili
dimensi dan indeks elemen.
4. Pengindeksan Negatif
Pengindeksan negatif digunakan untuk mengakses array dari akhir.
Contoh mencetak elemen terakhir dari dim ke-2.

Gambar 6.12 Contoh mencetak elemen terakhir dari dim kedua

6.2.3 Numpy Array Slicing

Slicing/mengiris dalam python berarti mengambil elemen dari satu
indeks yang diberikan ke indeks yang diberikan lainnya. Untuk
menggunakan slice dengan bentuk umum indeks seperti ini: [start: end].
Kita juga bisa mendefinisikan langkahnya, seperti ini: [start: end: step].
Jika start tidak ditentukan, maka start dianggap 0.
Jika end tidak ditentukan maka end dianggap panjang array di dimensi itu.
Jika step tidak ditentukan maka step ini dianggap 1
1. Slicing 1-D

Gambar 6.13 Contoh slicing 1-D

Pada gambar 6.13 terdapat contoh slicing 1-D dengan beberapa

variasi. Pada print(arr[1:5]) berarti mencetak slicing dari indeks pertama
sampai indeks kelima, print(arr[4:]) berarti mencetak nilai indeks keempat
sampai akhir, dan seterusnya.
2. Slicing 2-D

Gambar 6.14 Contoh slicing 2-D

 Pada gambar 6.14 terdapat contoh slicing 2-D dengan beberapa
variasi. Pada print(arr[1,1:4]) berarti mencetak slicing dari array dimensi
dua indeks pertama sampai indeks keempat, dan seterusnya.

6.2.4 Tipe Data dalam Numpy

Secara default python memiliki tipe data :
Tabel 6.1 Tipe data pada python

Tipe Data Keterangan Contoh

String Digunakan untuk mewakili data teks, ABCD

teks diberikan di bawah tanda kutip.

Integer Digunakan untuk mewakili angka -1, -2, -3

integer (bilangan bulat).

Float Digunakan untuk mewakili bilangan 1.2 dan 42.42

real (desimal/pecahan).

Boolean Digunakan untuk mewakili True atau True/False

False.

Complex Digunakan untuk mempresentasikan 1.0+2.0j, 1.5+2.5j

angka dalam bilangan kompleks.

Numpy memiliki beberapa tipe data tambahan, dan merujuk ke tipe

data dengan satu karakter, seperti i untuk bilangan bulat, u untuk bilangan
bulat tak bertanda (unsigned), dan lain-lain. Di bawah ini adalah tabel semua
tipe data dalam numpy dan karakter yang digunakan untuk mewakili
mereka.
Tabel 6.2 Tipe data dan karakter dalam numpy

Tipe Data Karakter

i Integer

b Boolean

u Bilangan bulat tidak memiliki tanda

f Mengapung
 c Pelampung kompleks

m Timedata

M Datatime

O Objek

S String

U Unicode string

V Memori tetap untuk tipe lain (tidak berlaku)

1. Memeriksa Tipe Data dari Array

Untuk memeriksa tipe data dari array, numpy memiliki properti
yang disebut dtype yang mengembalikan tipe data array. Contoh memeriksa
tipe data objek array.

Gambar 6.15 Contoh memeriksa tipe data dari array

2. Membuat Array dengan Tipe Data yang Ditentukan

Dalam numpy bisa menggunakan fungsi array() untuk membuat
array, fungsi ini dapat mengambil argumen opsional: tipe yang
memungkinkan kita untuk menentukan tipe data yang diharapkan dari
elemen array. contoh membuat array dengan tipe data string dan integer.

Gambar 6.16 Contoh membuat array dengan tipe data string dan integer
3. Memunculkan ValueError
Jika tipe data yang diberikan dimana elemen tidak dapat disesuaikan
maka numpy akan memunculkan ValueError. Dalam python ValueError
dimunculkan ketika jenis argumen yang dikirimkan ke suatu fungsi tidak
terduga/salah. Contoh string bukan integer seperti 'a' tidak dapat dikonversi
ke integer (akan memunculkan kesalahan).

Gambar 6.17 Memunculkan ValueError

4. Konversi Jenis Data pada Array yang Ada

Cara terbaik untuk mengubah tipe data dari array yang ada adalah
dengan membuat salinan array dengan metode astype(). Fungsi astype()
membuat salinan array dan memungkinkan kita untuk menentukan tipe data
sebagai parameter.
Tipe data dapat ditentukan menggunakan string, seperti 'f' untuk
float, 'i' untuk integer dan lain-lain. Atau kita dapat menggunakan tipe data
secara langsung seperti float untuk bilangan desimal dan int untuk integer
(bilangan bulat).
Contoh mengubah tipe data dari float ke integer dengan
menggunakan 'i' sebagai nilai parameter.
 Gambar 6.18 Contoh mengubah tipe dari float ke integer

5. Perbedaan Antara Copy (Salin) dan View (Tampilan)

Perbedaan utama antara copy dan view array adalah bahwa copy
merupakan array baru, dan view hanya berupa tampilan array asli. Copy
memiliki data dan setiap perubahan yang dilakukan pada copy (salinan)
tidak akan memengaruhi array asli dan perubahan apapun yang dilakukan
pada array asli tidak akan memengaruhi salinan.
Sedangkan view (tampilan) tidak memiliki data dan perubahan apa
pun yang dilakukan pada tampilan akan mempengaruhi array asli, dan
perubahan apapun yang dilakukan pada array asli akan mempengaruhi
tampilan.
Contoh membuat salinan, kemudian mengubah ubah array asli, dan
menampilkan kedua array.
 Gambar 6.19 Contoh membuat salinan, kemudian mengubah ubah array asli, dan
menampilkan kedua array

6. Mencetak Nilai Atribut Dasar

Setiap array numpy memiliki basis atribut yang mengembalikan
tidak ada jika array memiliki data. Jika tidak, atribut dasar merujuk ke objek
asli. Contoh mencetak nilai atribut dasar untuk memeriksa apakah array
memiliki datanya atau tidak.

Gambar 6.20 Contoh mencetak nilai atribut dasar

6.3 Analisis dan Pembahasan
6.3.1 Import Numpy

Gambar 6.21 Import numpy

NumPy adalah pustaka python yang digunakan untuk bekerja dengan array.
NumPy juga memiliki fungsi untuk bekerja dalam domain aljabar linier,
transformasi fourier, dan matriks. Pada gambar di atas, fungsi “import numpy”
digunakan untuk membuat array dengan nama variabel “kode” dengan memebuat
kode = numpy.array([10, 11,12, 13, 14, 15, 16, 17 ,18]) seperti pada gambar 6.21.

6.3.2 Numpy Membuat Array

Gambar 6.22 Numpy membuat array

 Jika ingin membuat array untuk bekerja dengan numpy dapat menggunakan
fungsi array() maka dilakukan dengan perintah “import numpy as np” untuk
mengimport library numpy yang sudah disediakan oleh python dan mengaliaskan
sebagai np, berikutnya “kode = np.array([10, 11, 12, 13, 14, 15, 16, 17, 18])”
kemudian “print(kode)” dan akan menghasilkan output “[10, 11, 12, 13, 14, 15, 16,
17, 18]”. Untuk mencetak tipe dari array yang sudah dibuat dapat dilakukan dengan
perintah “print(type(kode))” dan akan menghasilkan output
“<class’numpy.ndarray’>”. Selain itu jika ingin mencetak versi dari numpy yang
digunakan dapat dilakukan dengan perintah “print(np. version )” dan akan
menghasilkan output “1.22.3” seperti pada gambar 6.22.

● Array 0-D

Gambar 6.23 Array 0 dimensi

Dimensi dalam array adalah satu tingkat kedalaman array (array bersarang,
yaitu array yang memiliki array sebagai penyusunnya) Jika ingin membuat array
0-D atau yang biasa disebut sebagai scalar maka dapat dilakukan dengan perintah
“import numpy as np” untuk mengimport library numpy yang sudah disediakan
oleh python dan mengaliaskan sebagai np, berikutnya “kode = np.array(21)”
kemudian “print(kode)” dan akan menghasilkan output “21” seperti pada gambar
6.23, yaitu elemen dengan dimensi nol atau bisa dikatakan sebagai scalar.
 ● Array 1-D

Gambar 6.24 Array 1 dimensi

Array 1-D atau bisa disebut sebagai array uni-dimensional merupakan

array yang paling dasar juga paling banyak digunakan, dan memiliki array 0-D
sebagai elemen penyusunnya. Jika ingin membuat array 1-D maka dapat dilakukan
dengan perintah “import numpy as np” untuk mengimport library numpy yang
sudah disediakan oleh python dan mengaliaskan sebagai np, berikutnya “kode =
np.array(['a','h','m','a','d']) kemudian “print(kode)” dan akan menghasilkan output
['a','h','m','a','d'] seperti pada gambar 6.24
 ● Array 2-D

Gambar 6.25 Array 2 dimensi

Array 2-D merupakan array memiliki array 1-D sebagai elemen-elemen

penyusunnya, artinya memiliki dua array 1-D, sering digunakan untuk
merepresentasikan matriks atau sesuatu lainnya yang memiliki orde 2. Jika ingin
membuat array 2-D maka dapat dilakukan dengan perintah “import numpy as np”
untuk mengimport library numpy yang sudah disediakan oleh python dan
mengaliaskan sebagai np, berikutnya “kode = np.array([[2,4,6],[8,10,12]])”
kemudian “print(kode)” dan akan menghasilkan output seperti pada gambar 6.25.
 ● Array 3-D

Gambar 6.26 Array 3 dimensi

Array 3-D merupakan array yang memiliki array 2-D sebagai elemen-
elemen penyusunnya, artinya Array 3-D memiliki dua array 2-D yang setiap
arraynya memiliki dua array, sering digunakan untuk mewakili tensor orde 3.
Jika ingin membuat array 3-D maka dapat dilakukan dengan perintah
“import numpy as np” untuk mengimport library numpy yang sudah disediakan oleh
python dan mengaliaskan sebagai np, berikutnya “kode =
np.array([[2,4,6],[8,10,12]],[[2,4,6],[8,10,12]])” kemudian “print(kode)” dan akan
menghasilkan output seperti pada gambar 6.26.
6.3.3 Atribut Ndim

Gambar 6.27 Atribut ndim

Atribut ndim merupakan sebuah atribut yang akan memberitahu dimensi

berapa array yang dibuat. Jika ingin mengecek dimensi array yang sudah dibuat
misalnya:
a = np.array(21)
b = np.array([2,4,6,8,10,12,14,16])
c = np.array([[2,4,6,8],[10,12,14,16]])
d = np.array([[[2,4,6,8],[10,12,14,16]],[[2,4,6,8],[10,12,14,16]]])”
menggunakan dimensi ndim maka dapat dilakukan dengan perintah:
“print(a.ndim)
print(b.ndim)
print(c.ndim)
print(d.ndim)”
Akan menghasilkan output “(0,1,2,3)” seperti pada gambar 6.27, yaitu merupakan
jumlah masing-masing dimensi dari setiap variabel.
6.3.4 Argumen Ndmin

Gambar 6.28 Argumen ndmin

Argumen ndmin dilakukan untuk menentukan jumlah dimensi dari sebuah

array. Jika ingin menentukan jumlah dimensi menggunakan argumen ndmin maka
dapat dilakukan dengan perintah “import numpy as np” untuk mengimport library
numpy yang sudah disediakan oleh python dan mengaliaskan sebagai np, berikutnya
“angka = np.array([1,2,3,4,5,6,7,8],ndmin=5)” kemudian “print(angka)” juga
“print(“Number of dimension : “ , arg.ndim) dan akan menghasilkan output “[[[[1 2
3 4 5 6 7 8]]]]” dan “angka dimensinya : 5” seperti pada gambar 6.28, array
ditentukan untuk menjadi 1 dimensi menggunakan argumen ndmin.
6.3.5 Numpy Array Indexing
● 1-D

Gambar 6.29 Numpy array indexing

Numpy array indexing merupakan mengakses suatu elemen dalam array

berdasarkan indeksnya, indeks positif dimulai dari 0 untuk elemen pertama, dan
bertambah satu pada setiap elemen berikutnya.
Jika ingin mengakses elemen menggunakan numpy array indexing maka
dapat dilakukan dengan perintah “import numpy as np” untuk mengimport library
numpy yang sudah disediakan oleh python dan mengaliaskan sebagai np, berikutnya
“kode = np.array([2,4,6,8,10,12,14,16])” kemudian
“print(kode[0])
print(kode[1])
print(kode[5])”
Akan menghasilkan output elemen dengan indeks pertama,kedua,dan
keenam pada array, yaitu “2,4,12”
Numpy array indexing juga dapat digunakan untuk menjumlah setiap
elemennya berdasarkan indeks, misalnya “print(kode[0]+kode[2]” maka akan
menjumlahkan elemen pertama dan ketiga menghasilkan output “8” seperti pada
gambar 6.29.
 ● 2-D

Gambar 6.30 Numpy array indexing 2-D

Jika ingin mengakses elemen pada array 2-D menggunakan indeks positif
maka dapat dilakukan dengan perintah “import numpy as np” untuk meng-import
library numpy yang sudah disediakan oleh python dan mengaliaskan sebagai np,
berikutnya “kode = np.array([["2","4","6",], ["8","10","12"]])” kemudian
“print(kode)” lalu “print("elemen ke 1 pada dimensi kedua: ", kode[1, 0])” 1 untuk
berfokus pada array kedua dan 1 untuk berfokus pada elemen dengan indeks 1, juga
“print("elemen ke-2 pada dimensi ketiga: ", kode[1, 0])” 2 untuk berfokus pada
array ketiga dan 1 untuk berfokus pada elemen dengan indeks 1 akan menghasilkan
output “elemen ke 2 pada dimensi pertama: 4” dan “elemen ke 3 pada dimensi ke
kedua: 12” seperti pada gambar 6.30.
● 3-D

Gambar 6.31 Numpy array indexing 3-D

Jika ingin mengakses elemen pada array 3-D menggunakan indeks positif
maka dapat dilakukan dengan perintah “import numpy as np” untuk mengimport
library numpy yang sudah disediakan oleh python dan mengaliaskan sebagai np,
berikutnya“kode=np.array([[[2,4,6],[8,10,12]],[[14,16,18],[20,22,24]]])”
kemudian “print(kode)” lalu “print("elemen pertama dari dim ke -2 : ", kode[1,-
1])” 0 pertama akan berfokus pada array 2-D pertama, 1 akan berfokus pada array
1-D kedua, dan 0 akan berfokus pada elemen pertama atau elemen dengan indeks
nol, akan menghasilkan output 12 dan “elemen pertama dari dim ke -2 : 12” seperti
pada gambar 6.31.
6.3.6 Pengindeksan Negatif

Gambar 6.32 Pengindeksan negatif

Indeks negatif dimulai dari -1 untuk elemen terakhir pada array dan terus
berkurang satu menjadi -2,-3,… sampai elemen pertama.
Jika ingin mengakses elemen pada array menggunakan indeks negatif maka
dapat dilakukan dengan perintah “import numpy as np” untuk mengimport library
numpy yang sudah disediakan oleh python dan meng-aliaskan sebagai np, kode[1,-
1] memiliki arti elemen terakhir dari dimensi kedua menghasilkan angka 12. seperti
pada gambar 6.32.
6.3.7 Numpy Array Slicing

Gambar 6.33 Numpy array slicing

Gambar 6.34 Numpy array slicing

Numpy array slicing merupakan suatu proses untuk men-slice atau

memotong elemen yang akan ditampilkan berdasarkan rentang indeks, secara
umum dapat dilakukan dengan cara “[start:end]” atau “[start:end:step]” apabila
start tidak ditentukan maka dianggap mulai dari elemen pertama, end tidak
ditentukan maka dianggap sepanjang array tersebut, dan step tidak ditentukan maka
dianggap satu.
 Jika ingin melakukan numpy array slicing pada array 1-D menggunakan
indeks positif dan negatif maka dapat dilakukan dengan perintah “kode = np.array
([2,4,6,8,10,12,14,16,18])” kemudian “print(kode[1:5])” slicing dari indeks ke-1
sampai indeks ke-5,” print(kode[6:]) slicing dari indeks ke-6 sampai indeks
terakhir, “print(kode[:6])” slicing dari indeks pertama sampai indeks ke 6,
“print(kode[-3:-1])” slicing dari indeks ketiga terakhir sampai indeks terakhir,
“print(slc[::2])” slicing dengan tahap 2, “print(kode[1:5:2])” slicing dari indeks ke
1 sampai indeks ke 5 dengan tahap 2, akan menghasilkan output “[4 6 8 10]”, “[14
16 18]”, “[2 4 6 8 10 12]”, “[14 16]”, “[2 6 10 14 18]”, dan “[4 8]” seperti pada
gambar 6.33.

6.3.8 Slicing Dua Dimensi

Gambar 6.35 Slicing dua dimensi

Jika ingin melakukan numpy array slicing pada array 2-D menggunakan
indeks positif dan negatif maka dapat dilakukan dengan perintah “kode =
np.array([[2,4,6,8,10], [12,14,16,18,20]])”kemudian“print(kode[1, 1:4])” slicing
yang berfokus pada array kedua dimulai dari indeks kesatu sampai indeks keempat,
“print(kode[0:2, 2])” slicing yang berfokus pada array pertama dan kedua lalu
berfokus indeks kedua pada setiap arraynya, “print(kode[0:2, 1:4])” slicing yang
berfokus pada array pertama dan kedua lalu berfokus dari indeks kesatu sampai
indeks keempat pada setiap arraynya, akan menghasilkan output “[14 16 18]”, ”[ 6
16]”, “[[4 6 8]”, dan “[14 16 18]]” seperti pada gambar 6.34.

6.3.9 Tipe Data dalam Numpy

Gambar 6.36 Tipe data dalam numpy

Beberapa contoh tipe data dalam numpy adalah i untuk bilangan bulat, dan
u untuk bilangan bulat tak bertanda atau unsigned, dtype dalam numpy dapat
digunakan untuk memeriksa tipe data dari sebuah array.
Jika ingin mengecek tipe data dari sebuah array menggunakan dtype maka
dapat dilakukan dengan perintah “import numpy as np” untuk mengimport library
numpy yang sudah disediakan oleh python dan mengaliaskan sebagai np, berikutnya
“kode=np.array([2,4,6,8])” kemudian “print(angka.dtype)” akan menghasilkan
output “int32” seperti pada gambar 6.35 artinya tipe data dari array tersebut adalah
integer atau bilangan bulat.
Contoh lainnya dapat dilakukan dengan perintah “import numpy as np”
untuk mengimport library numpy yang sudah disediakan oleh python dan
mengaliaskan sebagai np, berikutnya “kodemobil=np.array (['pajero', 'avanza',
'brio'])” kemudian “print(kodemobil.dtype)” akan menghasilkan output “<U5”
seperti pada Gambar 6.35 artinya tipe data dari array tersebut adalah unsigned.
6.3.10 Menentukan Tipe Data Array

Gambar 6.37 Menentukan tipe data array

Jika ingin menentukan tipe data sebuah array menjadi string maka dapat
dilakukan dengan perintah “import numpy as np” untuk mengimport library numpy
yang sudah disediakan oleh python dan mengaliaskan sebagai np, berikutnya
“angka = np.array([2, 4 ,6, 8],dtype='S')” menentukan tipe data array menjadi
string, kemudian “print(angka)” dan “print(angka.dtype)” untuk mengecek tipe
data dari array yang sudah ditentukan, akan menghasilkan output “[b'2' b'4' b'6'
b'8']” dan”|S1” seperti pada gambar 6.36, artinya tipe data dari array sudah menjadi
string.
Contoh lain dapat dilakukan dengan perintah ”import numpy as np” untuk
mengimport library numpy yang sudah disediakan oleh python dan mengaliaskan
sebagai np, berikutnya “kode = np.array([2,4,5,6,8],dtype='i4')” menentukan tipe
data array menjadi integer, kemudian “print(kode)” dan “print(angka.dtype)”
untuk mengecek tipe data dari array yang sudah ditentukan, akan menghasilkan
output “[2 4 5 6 7 8]” dan”int32” seperti pada gambar 6.36, artinya tipe data dari
array sudah menjadi integer.
Ketika ada elemen yang dari array yang tidak sesuai dengan tipe data yang
akan ditentukan maka akan menghasilkan output error, contohnya “import numpy
as np” untuk mengimport library numpy yang sudah disediakan oleh python dan
mengaliaskan sebagai np, berikutnya “angka = np.array([‘p’, 0, 1],dtype='i')”
kemudian “print(kode)” dan “print(kode. dtype=’1’)” karena terdapat elemen tidak
sesuai dengan integer yaitu tipe data yang diinginkan maka program akan error
seperti pada gambar 6.37.

6.3.11 Konversi Tipe Data Array

Gambar 6.38 Konversi tipe data array

Fungsi astype() membuat salinan array, dan memungkinkan Anda untuk

menentukan tipe data sebagai parameter. Tipe data dapat ditentukan menggunakan
string, seperti 'f' untuk float, 'i' untuk integer dan lain-lain. Atau Anda dapat
menggunakan tipe data secara langsung seperti float untuk bilangan desimal dan int
untuk integer (bilangan bulat). Hal tersebut dapat dilihat pada gambar 6.38
6.3.12 Perbedaan antara Copy dan View

Gambar 6.39 Perbedaan antara copy dan view

Perbedaan utama antara copy dan view array adalah bahwa copy
merupakan array baru, dan view hanya berupa tampilan array asli. Copy memiliki
data dan setiap perubahan yang dilakukan pada copy (salinan) tidak akan
memengaruhi array asli, dan perubahan apa pun yang dilakukan pada array asli
tidak akan memengaruhi salinan.View (Tampilan) tidak memiliki data dan
perubahan apa pun yang dilakukan pada tampilan akan memengaruhi array asli, dan
perubahan apapun yang dilakukan pada array asli akan memengaruhi tampilan.
Untuk menerapkannya dapa dengan membuat salinan, ubah array asli, dan
tampilkan kedua array, hal tersebut dapat dilihat pada gambar 6.39
 Gambar 6.40 Base

Base akan menghasilkan output None apabila suatu array memiliki data.
Pada Gambar di atas terdapat cara untuk memeriksa aapakah suatu array memiliki
datanya atau tidak. Setiap array memiliki basis atrubut yang mengembalikan ‘none’
jika array memiliki data seperti array n diatas. Dan sebaliknya pada array m, atribut
dasar merujuk ke objek asli yang artinya tidak memiliki data. Hal tersebut dapat
dilihat pada Gambar 6.40.
6.4 Kesimpulan
1. Numpy (Numerical Python) adalah pustaka python yang digunakan
untuk bekerja dengan array. Numpy juga memiliki fungsi untuk bekerja
dalam domain aljabar linier, transformasi fourier, dan matriks
2. Python memiliki lists yang digunakan untuk melayani fungsi
array/larik, tetapi lists memiliki karakteristik yang lambat untuk
diproses. Numpy bertujuan untuk menyediakan objek array yang
hingga 50 kali lebih cepat dari list python tradisional
3. Numpy memiliki dimensi dalam array. Dimensi dalam array adalah
satu tingkat kedalaman array (array bersarang/nested). Nested array
adalah array yang memiliki array sebagai elemennya. Ada beberapa
jenis dimensi array yaitu: array 0-D, array 1-D, array 2-D, array 3-D
4. Pengindeksan array sama dengan mengakses elemen array. Kita dapat
mengakses elemen array dengan merujuk ke nomor indeksnya. Indeks
dalam array numpy dimulai dengan 0, yang berarti bahwa elemen
pertama memiliki indeks 0, dan yang kedua memiliki indeks 1 dan
seterusnya
5. Slicing/mengiris dalam python berarti mengambil elemen dari satu
indeks yang diberikan ke indeks yang diberikan lainnya. Untuk
menggunakan slice dengan bentuk umum indeks seperti ini: [start:
end]. Kita juga bisa mendefinisikan langkahnya, seperti ini: [start: end:
step]
6. Pada gambar 6.21 dapat terlihat bahwa cara untuk mengimport numpy
dalam python “import numpy” atau dapat juga menggunakan “import
numpy as np”
7. Pada gambar 6.22 dapat terlihat bahwa jika ingin membuat array untuk
bekerja dengan numpy dapat menggunakan fungsi array() maka
dilakukan dengan perintah “import numpy as np” untuk mengimport
library numpy yang sudah disediakan oleh python dan mengaliaskan
sebagai np, berikutnya “ituarray = np.array([1,2,3,4,5,6,7,40,100])”
kemudian “print(ituarray)”
8. Dimensi dalam array adalah satu tingkat kedalaman array, pada
gambar 6.24 dapat terlihat bahwa Jika ingin membuat array 1-D maka
dapat dilakukan dengan perintah “import numpy as np” untuk
mengimport library numpy yang sudah disediakan oleh python dan
mengaliaskan sebagai np, berikutnya “Dsatu = np.array([‘a’, ’b’, ‘d’,
‘i’, ‘l’, ‘f’, ‘r’, ‘s’])” kemudian “print(Dsatu)”
9. Pada gambar 6.39 dapat terlihat bahwa perbedaan antara copy dan view
adalah pada copy apabila array asal dirubah nilai elemen di dalamnya.
Sedangkan pada view apabila array asal dirubah nilai elemen di
dalamnya
10. Pada gambar 6.40 dapat terlihat bahwa jika menggunakan base akan
menghasilkan output None apabila suatu array memiliki data
contohnya array “cpy” memiliki data hasil copy dari array “bulan”
maka base menghasilkan output “None”. Selain itu base akan
menghasilkan output data pada objek asli apabila suatu array tidak
memiliki data