ABSTRACT

Modul ini menjelaskan dasar/prinsip umum

datasains dengan python, google colab, instalasi
anaconda, jupyternotebook, konfigurasi dasar,
mengenal data dalam python, looping, function

MODUL secara mendasar. Pengembangan kemampuan

lanjutannya dapat diikuti dalam webinar selanjutnya
atau media lain di internet.

WEBINAR I Hermawan US
Pengenalan Python dan Data Science revisi 0.1

python
Pengenalan Python Data cience

www.imageintellegence.com
1 Mengapa dipilih python sebagai tools pengolahan data

Python telah menjadi pilihan utama dalam pengolahan data dan analisis data karena sejumlah alasan
yang menjadikannya bahasa yang sangat populer di dunia ilmu data. Berikut beberapa alasan
mengapa Python dipilih sebagai tools pengolahan data:

1. Sintaksis yang Mudah Dibaca dan Dipahami:

Python memiliki sintaksis yang mudah dibaca dan dipahami, membuatnya menjadi pilihan yang baik
untuk para ilmuwan data yang mungkin memiliki latar belakang dalam berbagai disiplin ilmu.

2. Komunitas yang Besar:

Python memiliki komunitas yang besar dan aktif. Ada banyak pakar dan pengembang di seluruh dunia
yang berkontribusi pada proyek-proyek open source di bidang ilmu data, seperti NumPy, pandas,
scikit-learn, dan banyak lagi.

3. Banyaknya Pustaka dan Alat Ilmu Data/Datascience:

Python memiliki banyak pustaka dan alat yang dibangun khusus untuk ilmu data, seperti NumPy untuk
komputasi numerik, pandas untuk analisis data, Matplotlib dan Seaborn untuk visualisasi, scikit-learn
untuk pembelajaran mesin, dan lainnya. Ini membuatnya mudah untuk melakukan berbagai tugas
dalam satu lingkungan.

4. Ekosistem yang Kaya:

Python memiliki ekosistem yang kaya dan mendukung berbagai kebutuhan dalam ilmu data, termasuk
pemrosesan data besar, analisis statistik, visualisasi data, pembelajaran mesin, dan sebagainya.

5. Fleksibilitas dan Ekstensibilitas:

Python adalah bahasa yang sangat fleksibel dan dapat digunakan dalam berbagai konteks. Selain itu,
Python dapat diintegrasikan dengan bahasa pemrograman lain, dan banyak perpustakaan ilmu data
dapat diakses melalui antarmuka Python.

6. Pengembangan Web dan Integrasi Mudah:

Python dapat digunakan untuk pengembangan web, dan banyak framework web seperti Django dan
Flask memudahkan integrasi antara analisis data dan tampilan web.
Dukungan Industri:

Banyak perusahaan dan organisasi besar menggunakan Python untuk analisis data dan ilmu data
secara umum. Oleh karena itu, pengguna Python dapat menemukan dukungan dan sumber daya
yang luas di industri.

7. Kemampuan Pembelajaran Mesin yang Kuat:

1
Python menjadi bahasa yang sangat populer dalam pengembangan model pembelajaran mesin.
Framework seperti TensorFlow dan PyTorch yang mendukung pembelajaran mesin dapat dengan
mudah diintegrasikan dengan Python.

Kombinasi dari faktor-faktor di atas membuat Python menjadi alat yang kuat dan populer dalam
pengolahan data dan analisis data.

2 Data Science Live Cycle (Siklus Data sains)

1. Pemahaman Masalah:

Identifikasi dan pemahaman masalah atau pertanyaan yang ingin dipecahkan dengan
menggunakan ilmu data. Diskusi dengan pemangku kepentingan dan pemahaman
mendalam tentang konteks bisnis sangat penting pada tahap ini.

2. Pemahaman Data:

Mengumpulkan data yang relevan untuk menyelesaikan masalah atau menjawab

pertanyaan yang diidentifikasi sebelumnya. Pada tahap ini, dilakukan eksplorasi awal data
dan pemahaman karakteristik data yang ada.

3. Pembersihan Data (Data Cleaning):

Proses membersihkan dan merapikan data dari kesalahan, nilai yang hilang, atau anomali.
Pembersihan data adalah tahap yang kritis untuk memastikan bahwa data yang digunakan
dalam analisis bersih dan akurat.

4. Eksplorasi Data (Data Exploration):

Melakukan analisis eksploratif terhadap data untuk mendapatkan wawasan awal. Ini
melibatkan penggunaan teknik statistik dan visualisasi data untuk memahami pola, tren, dan
karakteristik data.

5. Pemodelan Data:

Mengembangkan model atau algoritma untuk menyelesaikan masalah atau menjawab

pertanyaan. Ini melibatkan pemilihan dan pengujian model, serta penyesuaian parameter
untuk meningkatkan kinerja model.

2
6. Evaluasi Model:

Mengukur kinerja model yang telah dikembangkan menggunakan metrik yang relevan.
Evaluasi model membantu menentukan seberapa baik model bekerja dalam menangani
masalah atau pertanyaan yang diberikan.

7. Implementasi Solusi:

Menerapkan hasil dari model ke lingkungan bisnis atau mengintegrasikannya ke dalam

proses yang ada. Hal ini juga melibatkan penyusunan laporan atau visualisasi untuk
mempresentasikan hasil kepada pemangku kepentingan.

8. Monitoring dan Pemeliharaan:

Memantau kinerja model secara berkelanjutan dan melakukan pemeliharaan jika

diperlukan. Proses ini memastikan bahwa solusi ilmu data tetap efektif seiring waktu.
Iterasi:

Berdasarkan hasil evaluasi dan umpan balik, mungkin perlu mengulang siklus hidup untuk
meningkatkan model atau menangani masalah baru yang muncul.

3 Apa saja Library python yang digunakan dalam Data Science Live
Cycle

Python memiliki sejumlah besar perpustakaan (libraries) yang sangat berguna dalam
setiap tahap siklus hidup ilmu data. Berikut adalah beberapa perpustakaan Python yang
umumnya digunakan dalam masing-masing tahap siklus hidup ilmu data:

1. Pemahaman Masalah dan Pemahaman Data:

NumPy: Untuk komputasi numerik dan manipulasi array.

Pandas: Untuk analisis dan manipulasi data tabular.
Matplotlib dan Seaborn: Untuk visualisasi data.

2. Pembersihan Data:

Pandas: Untuk pembersihan dan transformasi data.

OpenRefine: Meskipun bukan perpustakaan Python, OpenRefine adalah alat interaktif yang
sangat berguna untuk pembersihan data.

3
3. Eksplorasi Data:

Matplotlib, Seaborn, dan Plotly: Untuk visualisasi data.

Pandas: Untuk eksplorasi dan analisis awal.

4. Pemodelan Data:

Scikit-learn: Menyediakan berbagai algoritma machine learning dan fungsi evaluasi.

Statsmodels: Untuk analisis statistik.

5. Evaluasi Model:

`Implementasi Solusi:

Flask atau Django: Untuk pengembangan aplikasi web (jika diperlukan).

Dash: Untuk membuat aplikasi analisis interaktif.

6. Monitoring dan Pemeliharaan:

Apache Airflow: Untuk mengelola alur kerja (workflow) dan penjadwalan tugas.
MLflow: Untuk melacak dan mengelola eksperimen dan model machine learning.

7. Iterasi:

Jupyter Notebooks: Untuk eksperimen dan dokumentasi interaktif.

Git: Untuk kontrol versi proyek.

Perlu diingat bahwa banyak perpustakaan ini bekerja bersama dan sering digunakan
bersamaan dalam proyek ilmu data. Pemilihan perpustakaan tergantung pada kebutuhan dan
preferensi individu, serta karakteristik khusus dari proyek yang sedang dijalankan.

4
4 Introduction to google Colab

I. PENDAHULUAN

a. Apa itu Google Colab:

Google Colab (Collaboratory) adalah platform komputasi yang disediakan oleh Google secara
gratis. Colab memungkinkan pengguna untuk menulis dan mengeksekusi kode Python di
lingkungan cloud tanpa memerlukan instalasi perangkat lunak di lokal. Platform ini
menyediakan akses ke GPU dan TPU secara gratis, memungkinkan eksekusi cepat dari kode
yang membutuhkan daya komputasi tinggi.

b. Fitur Utama

Akses Ke GPU dan TPU:

Colab memberikan akses ke unit pemrosesan grafis (GPU) dan unit pemrosesan tensor (TPU)
Google secara gratis, mempercepat eksekusi kode untuk tugas-tugas seperti pelatihan model
machine learning.

Berbagi dan Kolaborasi:

Colab memungkinkan pengguna untuk berbagi notebook secara langsung dan berkolaborasi
secara real-time, mirip dengan Google Docs.

Integrasi Google Drive:

Notebook Colab dapat disimpan langsung di Google Drive, memudahkan penyimpanan dan
akses proyek.

Dukungan untuk Berbagai Library:

Colab mendukung sejumlah besar perpustakaan Python populer dan menyertakan beberapa
pustaka bawaan seperti NumPy, Pandas, dan Matplotlib.

Notebook Interaktif:

Colab menggunakan format notebook interaktif yang memungkinkan penyisipan teks, kode,
dan hasil dalam satu dokumen yang dapat dijalankan secara bertahap.

5
II. MEMULAI GOOGLE COLAB (Praktik)

a. Membuat Notebook Baru

1. Buka Google Colab di browser dengan mengunjungi
colab.research.google.com.
2. Pilih "File" > "New Notebook" untuk membuat notebook baru.

b. Lingkungan Colab

1. Cell:

Notebook terdiri dari sel-sel yang dapat berisi teks atau kode Python.
Sel dapat dijalankan satu per satu atau secara keseluruhan.

2. Code dan Text Cell:

Pilih jenis sel menggunakan dropdown di toolbar.

Gunakan sel teks untuk memberikan penjelasan atau dokumentasi, dan sel kode
untuk menulis dan mengeksekusi kode Python.

3. Runtime dan Hardware Accelerator:

Pilih "Runtime" > "Change runtime type" untuk mengonfigurasi runtime dan
memilih jenis akselerator perangkat keras seperti GPU atau TPU.

c. Menulis dan mengeksekusi Code

1. Menulis Kode:

Masukkan kode Python ke dalam sel kode.

Gunakan Shift + Enter untuk menjalankan sel dan melihat hasilnya.

2. Mengimpor Library:

Gunakan import untuk mengimpor perpustakaan seperti NumPy atau Pandas.

3. Visualisasi Data:

Gunakan Matplotlib atau library visualisasi lainnya untuk membuat grafik dan
diagram.

6
 III. Dukungan untuk Machine Learning

1. TensorFlow dan PyTorch:

Colab mendukung framework pembelajaran mesin seperti TensorFlow dan

PyTorch.
Pengguna dapat melatih model machine learning dengan menggunakan GPU
atau TPU.

2. Contoh Notebook:

Colab menyertakan contoh notebook untuk machine learning yang dapat

dijalankan dan dimodifikasi.

IV. Penyimpanan dan Colaborasi

a. Penyimpanan di Google Drive
Save dan ShareSimpan notebook di Google Drive dan bagikan dengan mudah
kepada kolaborator.
Kolaborasi Real Time
kolaborasi real-time memungkinkan beberapa pengguna bekerja pada notebook
yang sama secara bersamaan

V. Kesempulan

Google Colab memberikan akses mudah ke lingkungan komputasi cloud

dengan sejumlah fitur berguna untuk pengembangan dan eksperimen dengan kode
Python. Platform ini sangat bermanfaat, terutama untuk proyek-proyek yang
memerlukan sumber daya komputasi tinggi atau kolaborasi tim secara online. Dengan
Colab, pengguna dapat dengan cepat memulai proyek ilmu data atau pembelajaran
mesin tanpa harus khawatir tentang konfigurasi perangkat keras loka

VI. Memulai Google Colab

Untuk memulai menggunakan Google Colab, ikuti langkah-langkah berikut:

Buka Browser:

Buka browser web favorit Anda.

1. Akses Google Colab:

Kunjungi situs web Google Colab di colab.research.google.com.

Masuk dengan Akun Google:

7
 Pastikan Anda sudah masuk dengan akun Google. Jika belum, klik tombol "Sign in" dan
masukkan informasi akun Google Anda.

2. Buat Notebook Baru:

Setelah masuk, Anda akan diarahkan ke dashboard Colab. Klik pada opsi "New
Notebook" untuk membuat notebook baru.

3. Nama Notebook:

Berikan nama untuk notebook Anda. Klik pada judul notebook (yang defaultnya
"Untitled") untuk mengganti namanya.

4. Memulai Menulis Kode:

Setelah membuka notebook, Anda dapat memulai menulis kode Python pada sel kode.
Anda dapat menambahkan sel baru dengan menggunakan tombol "+" di toolbar atau
dengan menggunakan pintasan keyboard Ctrl + M dan kemudian B untuk
menambahkan di bawah sel aktif.

5. Menjalankan Kode:

Untuk mengeksekusi sel kode, klik pada sel tersebut dan tekan Shift + Enter. Ini akan
menjalankan kode dan menampilkan hasilnya di bawah sel.

6. Menyimpan Notebook:

Untuk menyimpan notebook, Anda dapat menggunakan opsi "File" > "Save" atau
menggunakan pintasan Ctrl + S. Colab secara otomatis menyimpan perubahan secara
berkala.

7. Penyimpanan di Google Drive (Opsional):

Jika Anda ingin menyimpan notebook di Google Drive, Anda dapat memilih opsi "File"
> "Save a copy in Drive". Ini memindahkan notebook ke Google Drive dan
memungkinkan Anda mengaksesnya dari perangkat lain.

8. Konfigurasi Runtime (Opsional):

Jika proyek Anda memerlukan akselerasi perangkat keras seperti GPU atau TPU, Anda
dapat mengonfigurasinya melalui "Runtime" > "Change runtime type". Pilih jenis
akselerator yang diinginkan dan simpan perubahan.

8
Dengan langkah-langkah di atas, Anda sudah dapat memulai menggunakan Google
Colab untuk menulis dan mengeksekusi kode Python dalam lingkungan cloud.
Platform ini sangat berguna untuk eksperimen dengan proyek ilmu data dan machine
learning tanpa memerlukan konfigurasi perangkat keras lokal.

VII. Contoh Code

Untuk membuat DataFrame dan membuat grafik dengan visualisasi

menggunakan Python, kita dapat menggunakan perpustakaan pandas dan matplotlib.
Berikut adalah contoh code singkat:

# Import perpustakaan
import pandas as pd
import matplotlib.pyplot as plt

# Membuat DataFrame
data = {'Nama': ['Alice', 'Bob', 'Charlie', 'David', 'Emma'],
'Usia': [25, 30, 35, 40, 28],
'Pendapatan': [50000, 60000, 75000, 80000, 55000]}

df = pd.DataFrame(data)

# Menampilkan DataFrame
print("DataFrame:")
print(df)

# Membuat Grafik
plt.figure(figsize=(8, 5))

# Grafik Scatterplot
plt.scatter(df['Usia'], df['Pendapatan'], color='blue', marker='o')
plt.title('Scatterplot Usia vs Pendapatan')
plt.xlabel('Usia')
plt.ylabel('Pendapatan')

# Menampilkan Grafik
plt.show()

9
5 Install Python Anaconda

Berikut adalah langkah-langkah untuk mendownload dan menginstall Anaconda Python di

sistem Anda: (Catatan: Pastikan untuk memilih versi Anaconda yang sesuai dengan sistem
operasi Anda (Windows, macOS, atau Linux) dan jenis arsitektur CPU (32-bit atau 64-bit).

Untuk Windows:

Download Anaconda:

Kunjungi situs web resmi Anaconda di

https://www.anaconda.com/products/distribution.

Klik pada versi Anaconda yang sesuai dengan sistem operasi Windows.

Unduh installer (.exe file).

Jalankan Installer:
di command Prompt

Buka file installer yang telah diunduh.

Ikuti petunjuk di layar. Pastikan Anda mencentang opsi "Add Anaconda to my PATH
environment variable" selama instalasi.

Selesai Instalasi:

Setelah instalasi selesai, Anda dapat mengecek apakah Anaconda berhasil diinstal dengan
membuka Anaconda Command Prompt dan mengetik perintah:

Copy code
conda –version
phython -V

10
6 Setting Environtment dan Integrai python dengan Jupyter

Untuk mengonfigurasi environment dalam Python menggunakan Conda, Anda dapat

menggunakan beberapa perintah yang disediakan oleh Conda. Berikut adalah langkah-
langkah umum:
1. Membuat Environment Baru:

Anda dapat membuat environment baru dengan menggunakan perintah conda create.
Gantilah nama_env dengan nama environment yang Anda inginkan.

conda create --name nama_env

2. Mengaktifkan Environment:

Setelah membuat environment, aktifkan environment tersebut. Gantilah nama_env

dengan nama environment yang telah Anda buat.

conda activate nama_env

3. Menambahkan Paket ke Environment:

Anda dapat menambahkan paket-paket yang diperlukan ke environment

menggunakan perintah conda install. Misalnya, untuk menginstal paket NumPy:
conda install numpy
4. Menyimpan Environment ke File:
Anda dapat menyimpan informasi environment ke dalam file yang dapat digunakan
untuk replikasi environment tersebut di tempat lain. Gantilah nama_env.yml dengan
nama file yang Anda inginkan.

Conda env export > nama_env.yml

11
 5. Membuat Environment dari File:

Anda dapat membuat environment baru berdasarkan file konfigurasi yang telah
disimpan sebelumnya.
conda env create -f nama_env.yml
6. Melihat Daftar Environment:
Anda dapat melihat daftar environment yang telah dibuat.
conda env list
7. Menampilkan Informasi Environment Aktif:
Untuk menampilkan informasi mengenai environment yang sedang aktif.
conda info --envs

8. Menghapus Environment:

Anda dapat menghapus environment yang tidak diperlukan.

conda env remove --name nama_env
9. Menonaktifkan Environment:
Jika Anda ingin kembali ke environment base, Anda dapat menonaktifkan
environment aktif.
conda deactivate
Dengan menggunakan perintah-perintah di atas, Anda dapat mengelola environment
dalam proyek Python Anda dengan menggunakan Conda. Ini memungkinkan Anda untuk
membuat lingkungan yang terisolasi dengan paket-paket yang spesifik sesuai kebutuhan
proyek Anda.

Pastikan Environment Aktif:

Pastikan bahwa Anda sudah mengaktifkan environment yang ingin Anda gunakan. Jika
belum, gunakan perintah:

conda activate nama_env

12
7 Install Jupyter Notebook

Untuk menginstal Jupyter Notebook di dalam environment yang aktif menggunakan Conda,
Anda dapat mengikuti langkah-langkah berikut

Instal Jupyter Notebook:

Gunakan perintah berikut untuk menginstal Jupyter Notebook di dalam environment yang
aktif:
conda install jupyter
Jika Anda ingin menggunakan pip (pip merupakan manajer paket Python) untuk
instalasi, Anda dapat menggunakan perintah:
pip install notebook
Untuk mengaktifkan environment tertentu dalam Jupyter Notebook dan menggunakan
IPython kernel dari environment tersebut, Anda dapat mengikuti langkah-langkah berikut:
Instal IPykernel:
Pastikan Anda telah menginstal ipykernel di dalam environment yang aktif. Jika belum,
gunakan perintah berikut di dalam environment tersebut:

conda install ipykernel

atau

pip install ipykernel

Tambahkan Kernel Environment ke Jupyter:

Aktifkan environment yang ingin Anda tambahkan ke Jupyter Notebook, kemudian jalankan
perintah berikut untuk menambahkan kernel environment ke Jupyter:

python -m ipykernel install --user --name=nama_env

Gantilah nama_env dengan nama environment yang ingin Anda tambahkan.

Buka Jupyter Notebook:

Jalankan perintah berikut untuk membuka Jupyter Notebook:

jupyter notebook

13
Pilih Kernel Environment pada Notebook:

Setelah membuka Jupyter Notebook di browser, buat atau buka notebook yang ingin Anda
gunakan. Pada bagian atas, di sebelah kanan, Anda dapat memilih kernel environment dengan
menggunakan dropdown di toolbar. Pilih kernel yang sesuai dengan environment yang telah
Anda tambahkan sebelumnya.

Dengan langkah-langkah tersebut, Anda sekarang dapat menggunakan Jupyter Notebook

dengan kernel dari environment yang spesifik. Ini memastikan bahwa Anda dapat mengakses
paket-paket dan konfigurasi yang ada dalam environment tersebut. Pastikan bahwa
environment tersebut sudah aktif sebelum Anda menjalankan Jupyter Notebook.

8 Memulai Pemrograman dengan Juyter Notebook

a. Penulisan Variabel dalam Python

Dalam Python, aturan penulisan variabel melibatkan penggunaan huruf, angka, dan garis bawah
(_). Berikut adalah beberapa aturan dan contoh penulisan variabel yang benar:

Aturan Penulisan Variabel:

Nama variabel dapat dimulai dengan huruf (a-z, A-Z) atau garis bawah (_).

Variabel hanya dapat mengandung huruf, angka, dan garis bawah.

Huruf kapital dan huruf kecil dianggap berbeda.

Contoh Penulisan Variabel yang Benar:

# Nama variabel yang valid

nama = "John"

usia = 25

gaji_rata_rata = 50000.0

nama_lengkap = "John Doe"

hasil_pertama = 10

_nama_rahasia = "rahasia"

Contoh Penulisan Variabel yang Tidak Benar:

# Nama variabel yang tidak valid

123_angka = 123 # tidak boleh dimulai dengan angka

14
 nama depan = "Alice" # tidak boleh menggunakan spasi

gaji-rata-rata = 60000.0 # tidak boleh menggunakan tanda hubung

Dalam praktiknya, disarankan untuk menggunakan gaya penulisan snake_case untuk nama
variabel. Ini berarti huruf kecil semua dan menggunakan garis bawah untuk memisahkan kata-kata,
seperti nama_variabel atau gaji_rata_rata. Gaya ini umum digunakan dalam komunitas Python dan
memudahkan pembacaan dan pemahaman kode.

b. Type Data Dalam Python

Python memiliki beberapa tipe data dasar yang sering digunakan. Berikut adalah
beberapa tipe data dasar beserta contoh code untuk masing-masing:

1. Integer (int):

Representasi bilangan bulat.

angka_bulat = 42
2. Float (float):

Representasi bilangan desimal atau floating-point.

angka_desimal = 3.14

3. String (str):

Representasi teks atau karakter.

teks = "Hello, World!"

4. Boolean (bool):
Representasi nilai kebenaran, yaitu True atau False.

benar = True
salah = False

5. List:

Urutan elemen-elemen yang bisa diubah.

daftar_angka = [1, 2, 3, 4, 5]

15
6. Tuple:

Urutan elemen-elemen yang tidak bisa diubah.

python

tupel_warna = ('merah', 'hijau', 'biru')

7. Set:

Kumpulan elemen unik tanpa urutan.

himpunan_angka = {1, 2, 3, 4, 5}

8. Dictionary:

Kumpulan pasangan kunci-nilai.

data_mahasiswa = {'nama': 'John', 'usia': 20, 'jurusan': 'Informatika'}

9. NoneType:

Representasi nilai null atau tidak ada.

nilai_tidak_ada = None

Contoh-contoh di atas adalah penggunaan dasar tipe data dalam Python. Perlu
diingat bahwa Python bersifat dinamis, sehingga tipe data suatu variabel dapat
berubah selama program berjalan.

16
 Conditional

Conditional statements, atau pernyataan kondisional, adalah struktur pengendalian alur

program yang memungkinkan kita menjalankan blok kode tertentu berdasarkan kebenaran
atau kebenaran dari suatu kondisi. Dalam Python, kita menggunakan pernyataan if, elif (else
if), dan else untuk mengimplementasikan kondisi. Berikut adalah bentuk umumnya:

if kondisi:
# Blok kode dijalankan jika kondisi benar (True)
pernyataan_1
pernyataan_2
# ...

elif kondisi_lain:
# Blok kode dijalankan jika kondisi pertama salah (False)
# dan kondisi lainnya benar (True)
pernyataan_a
pernyataan_b
# ...

else:
# Blok kode dijalankan jika semua kondisi sebelumnya salah (False)
pernyataan_x
pernyataan_y
# ...

Contoh Penggunaan Dalam python

angka = 10

if angka > 0:
print("Angka positif")
elif angka == 0:
print("Angka nol")
else:
print("Angka negatif")

Dalam contoh ini, blok kode yang tercetak tergantung pada nilai variabel angka. Jika angka
lebih besar dari 0, maka pesan "Angka positif" akan dicetak. Jika angka sama dengan 0, pesan
"Angka nol" akan dicetak. Jika keduanya tidak benar, maka blok kode di dalam else akan
dijalankan, mencetak pesan "Angka negatif".

17
 Looping

Dalam Python, terdapat dua jenis loop yang umum digunakan: for loop dan while loop. Di
bawah ini adalah contoh penggunaan looping dengan memanfaatkan tipe data list, DataFrame,
dan tuple.

1. For Loop dengan List:

# Contoh looping dengan list

buah = ["apel", "jeruk", "pisang", "mangga"]

print("Menggunakan For Loop untuk List:")

for buah_item in buah:
print(buah_item)

2. For Loop dengan DataFrame (menggunakan Pandas):

import pandas as pd

# Contoh DataFrame
data = {'Nama': ['Alice', 'Bob', 'Charlie'],
'Usia': [25, 30, 35]}
df = pd.DataFrame(data)

print("\nMenggunakan For Loop untuk DataFrame:")

for index, row in df.iterrows():
print(f"{row['Nama']} berusia {row['Usia']} tahun.")

3. For Loop dengan Tuple:

# Contoh looping dengan tuple

warna = ('merah', 'hijau', 'biru')

print("\nMenggunakan For Loop untuk Tuple:")

for warna_item in warna:
print(warna_item)

4. While Loop dengan List:

# Contoh while loop dengan list

angka = [1, 2, 3, 4, 5]
index = 0

print("\nMenggunakan While Loop untuk List:")

while index < len(angka):
print(angka[index])
index += 1

18
 Membuat Function

Function atau fungsi dalam pemrograman Python adalah blok kode yang dirancang untuk
melakukan tugas tertentu dan dapat dipanggil atau dijalankan sesuai kebutuhan. Fungsi
memungkinkan pemisahan dan pengorganisasian kode, memudahkan pembacaan, serta
mengurangi duplikasi kode.

Berikut adalah contoh penggunaan fungsi dengan beberapa code snippet yang telah diberikan
sebelumnya:

1. Function dengan list

def print_buah(buah_list):

# Fungsi untuk mencetak elemen-elemen dalam list buah

for buah_item in buah_list:
print(buah_item)

# List buah
buah = ["apel", "jeruk", "pisang", "mangga"]

# Memanggil fungsi
print("Menggunakan Function untuk List:")
print_buah(buah)

2. Function dengan dataframe

import pandas as pd

def print_df_info(dataframe):
# Fungsi untuk mencetak informasi DataFrame
for index, row in dataframe.iterrows():
print(f"{row['Nama']} berusia {row['Usia']} tahun.")

# DataFrame
data = {'Nama': ['Alice', 'Bob', 'Charlie'],
'Usia': [25, 30, 35]}
df = pd.DataFrame(data)

# Memanggil fungsi
print("\nMenggunakan Function untuk DataFrame:")
print_df_info(df)

3. Function dengan tuple

def print_warna(warna_tuple):
# Fungsi untuk mencetak elemen-elemen dalam tuple warna

19
 for warna_item in warna_tuple:
print(warna_item)

# Tuple warna
warna = ('merah', 'hijau', 'biru')

# Memanggil fungsi
print("\nMenggunakan Function untuk Tuple:")
print_warna(warna)

4. Function dengan While Loop dan List:

def print_list_with_while(angka_list):
# Fungsi untuk mencetak elemen-elemen dalam list dengan while loop
index = 0
while index < len(angka_list):
print(angka_list[index])
index += 1

# List angka
angka = [1, 2, 3, 4, 5]

# Memanggil fungsi
print("\nMenggunakan Function untuk List dengan While Loop:")
print_list_with_while(angka)

Dalam contoh-contoh di atas, fungsi digunakan untuk membungkus dan mengorganisir

blok kode yang bersifat terpisah. Masing-masing fungsi menerima parameter dan
melakukan tugas tertentu. Pemanggilan fungsi dilakukan dengan menyertakan argumen
yang sesuai. Penggunaan fungsi membantu dalam membuat kode yang lebih mudah
dimengerti dan dapat digunakan kembali.

20
 TERIMA KASIH

SAMPAI BERTEMU DI WEBINAR/EVENT SELANJUTNYA

21