Pengampu :<\/strong> Zuli Irawanto, ST<\/p>\n Setelah mempelajari materi ini, siswa diharapkan mampu:<\/p>\n Di Bagian E kita menghitung total dan rata-rata dengan menulis perulangan sendiri. Bayangkan kalau setiap kali analisis kita harus menulis semua rumus dari nol. Capek, bukan? Untungnya, para programmer di seluruh dunia sudah menulis kode yang rapi, cepat, dan teruji, lalu membagikannya. Kumpulan kode siap pakai itu disebut pustaka<\/strong> atau library<\/em><\/strong>.<\/p>\n Tiga pustaka paling populer untuk analisis data:<\/p>\n Kabar baiknya, ketiga pustaka ini sudah terpasang<\/strong> di Google Colab, jadi kita tinggal memakainya.<\/p>\n Bagian ini berisi 5 Tugas Praktik<\/strong>, yaitu Praktik 24 sampai 28<\/strong> (melanjutkan Bagian E). Polanya masih sama: \ud83e\udd14 Tebak dulu<\/strong> \u2192 \u2328\ufe0f Ketik & jalankan<\/strong> \u2192 \u2705 Cocokkan<\/strong> \u2192 \ud83d\udca1 Pahami<\/strong> \u2192 \ud83c\udfc1 Tantangan mini<\/strong>.<\/p>\n \u2328\ufe0f Ketik di sel kode, lalu jalankan:<\/strong><\/p>\n \u2705 Hasilnya:<\/strong><\/p>\n \ud83d\udca1 Penjelasan:<\/strong> Perintah \u2328\ufe0f Ketik di sel kode, lalu jalankan:<\/strong><\/p>\n \u2705 Hasilnya:<\/strong><\/p>\n \ud83d\udca1 Penjelasan:<\/strong> Kata \u2328\ufe0f Ketik di sel kode, lalu jalankan:<\/strong><\/p>\n \u2705 Hasilnya:<\/strong><\/p>\n \ud83d\udca1 Penjelasan:<\/strong> pandas<\/strong> mengolah data dalam bentuk tabel yang disebut DataFrame<\/strong> (singkatnya \u2328\ufe0f Ketik di sel kode, lalu jalankan:<\/strong><\/p>\n \u2705 Hasilnya:<\/strong><\/p>\n \ud83d\udca1 Penjelasan:<\/strong> Satu kolom diambil dengan \u2328\ufe0f Ketik di sel kode, lalu jalankan:<\/strong><\/p>\n \u2705 Hasilnya:<\/strong><\/p>\n \ud83d\udca1 Penjelasan:<\/strong> Menulis Pustaka yang belum terpasang di Colab dapat dipasang dengan perintah yang diawali tanda seru. Contoh:<\/p>\n Selain itu, coba jalankan Di Bagian G nanti kita akan memakai pustaka lain untuk mengambil data otomatis dari internet (web scraping).<\/em><\/p>\n<\/div>\n Pustaka lahir dari kerja ribuan orang<\/strong> yang menuliskan ilmunya lalu membagikannya agar bisa dipakai siapa saja. Dengan memakai pustaka, kita belajar dari ilmu yang sudah ada tanpa mengulang dari nol, sambil tetap rendah hati dan terus ingin tahu<\/strong>, misalnya dengan membaca dokumentasinya. Menghargai karya orang lain, mau belajar dari mereka, dan tidak berhenti mencari tahu adalah wujud nyata dari cinta ilmu pengetahuan<\/strong>.<\/p>\n Refleksi: Ilmu atau keterampilan apa yang kamu dapat dari orang lain (guru, teman, atau internet)? Bagaimana caramu menghargai dan memanfaatkannya?<\/em><\/p>\n<\/div>\n Tugas Mandiri: Tabel Nilai Kelompokku<\/strong><\/p>\n Setelah menyelesaikan Praktik 24\u201328, buat satu notebook baru<\/strong> bernama Tugas_Pandas_NamaKamu<\/strong>, lalu kerjakan:<\/p>\n
\n\ud83c\udfaf Tujuan Pembelajaran<\/h3>\n
\n
import<\/code> untuk memanggil pustaka.<\/li>\n
\nApa Itu Pustaka (Library)?<\/h3>\n
\nPustaka itu seperti kotak perkakas<\/strong>. Tukang tidak perlu membuat palu sendiri setiap kali mau memaku. Ia cukup mengambil palu dari kotak perkakasnya. Di Python, kita “mengambil” perkakas itu dengan perintah import<\/code>.<\/div>\n
\nCara Belajar Bagian Ini<\/h3>\n
\n\ud83e\uddea Tugas Praktik 24: Mengenal import<\/h3>\n
math<\/code> untuk perhitungan matematika. Menurutmu, berapa akar kuadrat dari 81?<\/div>\nimport math\r\n\r\nprint(math.sqrt(81))\r\nprint(math.pi)<\/pre>\n
9.0\r\n3.141592653589793<\/pre>\n
import math<\/code> “mengambil” pustaka math<\/code> dari kotak perkakas. Sesudah itu, kita memakai isinya dengan format nama_pustaka.nama_fungsi<\/code>. Di sini math.sqrt(81)<\/code> menghitung akar kuadrat, dan math.pi<\/code> adalah nilai \u03c0. Tanpa import<\/code>, Python akan menampilkan NameError<\/code> karena belum tahu apa itu math<\/code>.<\/p>\n
\n\ud83e\uddea Tugas Praktik 25: NumPy: Menghitung Angka dengan Cepat<\/h3>\n
import numpy as np\r\n\r\nnilai = np.array([87, 65, 90, 72, 95])\r\n\r\nprint(nilai.mean())\r\nprint(nilai.max())\r\nprint(nilai.min())\r\nprint(nilai + 5)<\/pre>\n
81.8\r\n95\r\n65\r\n[ 92 70 95 77 100]<\/pre>\n
as np<\/code> memberi nama singkat<\/strong> agar tidak repot mengetik numpy<\/code> berulang kali. np.array([...])<\/code> membuat array<\/em> NumPy dari sebuah list. Dengan array, .mean()<\/code> langsung menghitung rata-rata (81,8, sama dengan di Bagian A!), dan nilai + 5<\/code> menambah 5 pada semua elemen sekaligus<\/strong> tanpa perulangan. Pada list biasa, hal itu tidak bisa.<\/p>\nnilai * 2<\/code> dan nilai.sum()<\/code>. Tebak dulu hasilnya!<\/div>\n
\n\ud83e\uddea Tugas Praktik 26: pandas: Membuat Tabel Data (DataFrame)<\/h3>\n
import pandas as pd\r\n\r\ndata = {\r\n \"Nama\": [\"Budi\", \"Sari\", \"Andi\"],\r\n \"Nilai\": [87, 90, 75]\r\n}\r\n\r\ndf = pd.DataFrame(data)\r\nprint(df)<\/pre>\n Nama Nilai\r\n0 Budi 87\r\n1 Sari 90\r\n2 Andi 75<\/pre>\n
df<\/code>). Data awalnya kita tulis dalam kurung kurawal { }<\/code> yang disebut dictionary<\/strong>: setiap pasangan berbentuk \"nama kolom\": [isi kolom]<\/code>. Nomor di kiri (0, 1, 2) adalah indeks baris<\/strong> yang dibuat otomatis, mirip indeks list di Bagian D. Tips: di Colab, kalau kamu menulis df<\/code> saja di baris terakhir sel (tanpa print<\/code>), tabelnya tampil lebih cantik.<\/p>\n
\n\ud83e\uddea Tugas Praktik 27: Menjelajahi Isi DataFrame<\/h3>\n
print(df[\"Nilai\"].mean())\r\nprint(df[\"Nilai\"].max())\r\nprint(df.shape)\r\n\r\nprint(df[df[\"Nilai\"] >= 80])<\/pre>\n
84.0\r\n90\r\n(3, 2)\r\n Nama Nilai\r\n0 Budi 87\r\n1 Sari 90<\/pre>\n
df[\"Nilai\"]<\/code>, lalu kita bisa langsung memakai .mean()<\/code> dan .max()<\/code>. df.shape<\/code> menunjukkan ukuran tabel: 3 baris dan 2 kolom. Baris terakhir menyaring (filter)<\/strong> data: df[df[\"Nilai\"] >= 80]<\/code> hanya menampilkan baris yang memenuhi kondisi. Ini sama dengan if<\/code> di Bagian E, tetapi tanpa perulangan. Praktik ini memakai variabel df<\/code> dari Praktik 26, jadi jalankan sel itu dulu.<\/p>\n
\n\ud83e\uddea Tugas Praktik 28: Menambah Kolom dan Mengurutkan Data<\/h3>\n
df[\"Bonus\"] = df[\"Nilai\"] + 5\r\n\r\ndf_urut = df.sort_values(\"Nilai\", ascending=False)\r\nprint(df_urut)<\/pre>\n
Nama Nilai Bonus\r\n1 Sari 90 95\r\n0 Budi 87 92\r\n2 Andi 75 80<\/pre>\n
df[\"Bonus\"] = ...<\/code> membuat kolom baru<\/strong> yang dihitung untuk semua baris sekaligus. sort_values(\"Nilai\", ascending=False)<\/code> mengurutkan berdasarkan kolom Nilai dari yang terbesar<\/strong> (ascending=False<\/code> artinya menurun). Perhatikan angka indeks di kiri: Sari tetap bernomor 1 karena nomor itu melekat pada barisnya. Selamat! \ud83c\udf89 Kamu sudah menganalisis data dengan pandas.<\/p>\nascending=True<\/code>. Bagaimana urutan tabelnya sekarang?<\/div>\n
\nRangkuman<\/h3>\n
\n
import<\/code>.<\/li>\nnama_pustaka.nama_fungsi<\/code>. Nama singkat dibuat dengan as<\/code>, misalnya import numpy as np<\/code>.<\/li>\n.mean()<\/code> dan operasi pada semua elemen sekaligus.<\/li>\ndf[\"Nilai\"]<\/code>), menyaring baris, menambah kolom, dan mengurutkan data.<\/li>\n
\n\ud83c\udf31 Pengayaan (Opsional)<\/h4>\n
!pip install nama_pustaka<\/pre>\n
df.describe()<\/code> pada DataFrame nilaimu. pandas akan menampilkan ringkasan statistik (jumlah data, rata-rata, nilai terkecil, nilai terbesar, dan lainnya) sekaligus!<\/p>\n
\n\ud83d\udc97 Nilai Panca Cinta: Cinta Ilmu Pengetahuan<\/h3>\n
\n\ud83d\udcdd Tugas Siswa<\/h3>\n
\n
Nama<\/code>, Matematika<\/code>, dan Informatika<\/code>. Tampilkan dengan print(df)<\/code>.<\/li>\nRata<\/code> berisi rata-rata dua nilai tiap siswa, lalu urutkan dari yang tertinggi.<\/li>\n<\/ol>\n