Instalasi Library Data Science

Python bawaan sudah dilengkapi standard library yang kaya, tetapi peralatan inti data science justru hidup di luar sana: library buatan komunitas yang dipasang terpisah. Empat nama akan menyertai kita sepanjang Course ini — NumPy untuk komputasi array, pandas untuk tabel data, matplotlib untuk grafik, dan scikit-learn untuk machine learning. Pada chapter ini kita memasang keempatnya ke dalam virtual environment yang sudah disiapkan, lalu memverifikasi versi mana yang benar-benar terpasang di komputer kita. Verifikasi tersebut penting karena perilaku library dapat berubah antar versi, dan contoh kode pada materi ini diuji terhadap versi-versi tertentu.

Empat Library Inti dan Perannya #

Sebelum mengetik perintah instalasi, kita kenali dulu siapa yang akan kita pasang:

Library	Peran dalam alur kerja data science
NumPy	Komputasi numerik berbasis array; fondasi yang dipakai hampir semua library data science lainnya
pandas	Struktur data tabel (data frame) untuk memuat, memfilter, menggabungkan, dan membersihkan data
matplotlib	Pembuatan grafik — dari diagram garis hingga histogram — sebagai tahap visualisasi
scikit-learn	Algoritma machine learning siap pakai: regresi, klasifikasi, clustering, hingga evaluasi model

Keempatnya saling melengkapi, bukan saling menggantikan: pandas membaca berkas CSV ke dalam data frame, NumPy menghitung operasi numerik di baliknya, matplotlib menggambar temuan, dan scikit-learn membangun model dari data yang sudah bersih.

Memasang Library dengan pip install #

Pastikan virtual environment proyek sedang aktif — prompt menampilkan (.venv) — lalu jalankan satu perintah berikut:

bash

pip install numpy pandas matplotlib scikit-learn

Output yang Dihasilkan (potongan; versi dapat berbeda mengikuti rilis terbaru):

text
Collecting numpy
  Downloading numpy-2.1.3-...whl.metadata
Collecting pandas
  Downloading pandas-2.2.3-...whl.metadata
Collecting matplotlib
  Downloading matplotlib-3.9.2-...whl.metadata
Collecting scikit-learn
  Downloading scikit-learn-1.5.2-...whl.metadata
...
Successfully installed contourpy-1.3.3 cycler-0.12.1 fonttools-4.62.1
joblib-1.5.3 kiwisolver-1.5.0 matplotlib-3.9.2 numpy-2.1.3 packaging-26.0
pandas-2.2.3 pillow-11.3.0 pyparsing-3.3.2 python-dateutil-2.9.0.post0
pytz-2026.1.post1 scikit-learn-1.5.2 scipy-1.14.1 threadpoolctl-3.6.0
tzdata-2026.1

Mari kita bedah peristiwa di balik keluaran tersebut:

pip install: pip mengunduh berkas wheel (paket siap pasang) setiap library dari PyPI — repositori publik milik komunitas Python — membutuhkan koneksi internet.
Collecting ... Downloading ...: pip membaca metadata setiap paket dan mengunduh versi yang cocok dengan Python 3.12 kita.
Successfully installed ...: daftar yang terpasang ternyata lebih panjang dari empat nama yang kita tulis. Library lain seperti scipy dan pillow adalah dependensi — paket yang dibutuhkan oleh scikit-learn dan matplotlib agar berfungsi. Pip menyelesaikannya otomatis.

Memverifikasi Versi yang Terpasang #

Instalasi yang berhasil tetap perlu dibuktikan. Setiap library populer menyimpan nomor versinya pada atribut __version__, sehingga kita bisa mencetak semuanya sekaligus:

python
import numpy
import pandas
import matplotlib
import sklearn

print("numpy       :", numpy.__version__)
print("pandas      :", pandas.__version__)
print("matplotlib  :", matplotlib.__version__)
print("scikit-learn:", sklearn.__version__)

Output yang Dihasilkan:

text
numpy       : 2.1.3
pandas      : 2.2.3
matplotlib  : 3.9.2
scikit-learn: 1.5.2

Mari kita bedah skrip di atas:

Baris 1-4 (import ...): keempat library diimpor dengan nama modulnya. Perhatikan bahwa scikit-learn diimpor sebagai sklearn — singkatan itulah nama modul resminya di PyPI sekalipun nama paketnya panjang.
Baris 6-9 (.__version__): setiap baris mencetak nama library dan versi terpasangnya. Pola nama_library.__version__ adalah konvensi yang berlaku nyaris di seluruh ekosistem Python.

Empat baris keluaran tersebut sekaligus menjadi bukti bahwa interpreter yang menjalankan skrip adalah interpreter di dalam venv kita — versi-versi di atas persis yang kita pasang pada sesi sebelumnya. Bila muncul ModuleNotFoundError, artinya skrip berjalan di luar venv atau instalasi belum selesai.

Kita juga bisa bertanya kepada pip sendiri. Perintah pip show menampilkan metadata satu paket, termasuk versi dan dependensinya:

bash

pip show pandas

Output yang Dihasilkan (potongan; jalur Location akan berbeda di komputer Anda):

text
Name: pandas
Version: 2.2.3
Summary: Powerful data structures for data analysis, time series, and statistics
Location: /home/budi/proyek-toko-kopi/.venv/lib/python3.12/site-packages
Requires: numpy, python-dateutil, pytz, tzdata

Baris Location menunjuk ke folder .venv proyek — penegasan bahwa pandas terpasang di lingkungan proyek, bukan di instalasi global. Sementara baris Requires mendaftarkan dependensi pandas, topik yang akan kita bedah tuntas pada bab Manajemen Dependensi.

Uji Cepat: Library Bukan Sekadar Terpasang #

Angka versi hanyalah angka; mari pastikan library benar-benar bisa dipakai berhitung. NumPy kita minta mengolah stok empat produk minuman di gudang:

python
import numpy as np

stok_kopi = np.array([120, 85, 60, 95])
print("Rata-rata stok :", stok_kopi.mean())
print("Stok tertinggi :", stok_kopi.max())
print("Stok terendah  :", stok_kopi.min())

Output yang Dihasilkan:

text
Rata-rata stok : 90.0
Stok tertinggi : 120
Stok terendah  : 60

Dua hal penting dari contoh singkat ini. Pertama, import numpy as np memendekkan nama menjadi np — konvensi universal yang dipakai seluruh dokumentasi dan forum, jadi kita ikut sejak awal. Kedua, method mean(), max(), dan min() masing-masing menghitung rata-rata, nilai terbesar, dan nilai terkecil dari seluruh elemen array dalam satu panggilan — bayangkan mengerjakannya dengan loop manual di Python murni. Ketika data membesar, keunggulan NumPy baru terasa nyata.

Referensi Resmi #

Dokumentasi pip — panduan lengkap pip install, pip show, dan pip list.
NumPy: the absolute basics for beginners — pengantar resmi konsep array NumPy.
Pandas: getting started tutorials — tur berpandu pertama memakai data frame.

Rangkuman #

Empat library inti data science: NumPy (array numerik), pandas (data frame), matplotlib (visualisasi), dan scikit-learn (machine learning).
pip install numpy pandas matplotlib scikit-learn memasang keempatnya sekaligus beserta dependensi otomatis dari PyPI.
Verifikasi versi dari dalam Python memakai atribut __version__; dari luar memakai pip show <nama> atau pip list.
Nama impor sklearn adalah singkatan resmi scikit-learn; import numpy as np adalah konvensi baku.
Baris Location pada pip show membuktikan library terpasang di dalam .venv proyek.

Peralatan terpasang dan terbukti bekerja. Tinggal satu kebutuhan lagi sebelum kita benar-benar mulai mengolah data: ruang kerja tempat kode, angka, dan grafik dapat hidup berdampingan secara interaktif. Kita berkenalan dengan Jupyter Notebook pada chapter berikutnya.