Referensi Matematika

Anggapan bahwa kita harus menyelesaikan kuliah matematika dulu sebelum menyentuh data science membuat banyak orang tidak pernah memulai. Kenyataannya, sebagian besar tugas sehari-hari data scientist hanya membutuhkan sebagian kecil konsep matematika — tetapi bagian itu perlu dipahami dengan benar, bukan sekadar hafal rumus. Pada chapter ini kita memetakan konsep matematika yang benar-benar dipakai di Course ini, rujukan resmi NumPy untuk latihan menghitungnya, serta strategi belajar matematika secukupnya tanpa tersesat berbulan-barulan di teori.

Strategi Belajar Matematika Separlunya #

Cara paling efektif mempelajari matematika untuk data science adalah just-in-time learning: pelajari sebuah konsep tepat ketika teknik data science yang sedang kita kerjakan membutuhkannya. Misalnya, kita tidak perlu menamatkan buku aljabar linear sebelum mencoba regresi linear; cukup pahami perkalian matriks dan vektor ketika mulai bertanya mengapa model dilatih dengan operasi tersebut. Dengan cara ini setiap rumus langsung dikaitkan dengan kegunaannya, sehingga lebih mudah diingat daripada dipelajari dalam keadaan kosong konteks.

Konsekuensi praktisnya, kita butuh rujukan yang bisa dibuka per konsep, bukan buku yang harus dibaca berurutan dari halaman satu. Section Dasar Matematika pada Course ini disusun dengan semangat yang sama: aljabar dasar untuk membaca rumus, fungsi dan grafik untuk memahami hubungan antar variabel, vektor dan matriks untuk data berbentuk tabel, serta konsep kalkulus secukupnya untuk memahami bagaimana model belajar memperbaiki diri.

Rujukan NumPy untuk Matematika Praktis #

Dokumentasi NumPy layak menjadi rujukan matematika pertama karena dua halaman berikut mengajarkan matematika sekaligus kode yang menghitungnya. Halaman NumPy: the absolute basics for beginners menjelaskan cara memandang array sebagai kumpulan angka berdimensi, cara membuat dan menyaringnya, dan bagaimana operasi diterapkan serentak pada seluruh elemen. Pemahaman ini adalah fondasi bagi hampir semua perhitungan data science di Python, karena pandas dan scikit-learn sama-sama berdiri di atas array NumPy.

Ketika kita butuh detail satu fungsi statistik, halaman referensinya menjelaskan parameter dan perilakunya. Contohnya numpy.mean : halaman tersebut menjelaskan parameter axis yang mengatur arah perata-rata — sesuatu yang sering menjadi sumber kebingungan ketika hasil keluaran tidak sesuai dugaan. Pola membacanya sama dengan yang sudah kita latih pada chapter Dokumentasi Resmi : buka bagian penjelasan singkat, periksa parameter, lalu baca contoh di bagian bawah halaman.

Konsep Inti dan Posisinya dalam Analisis Data #

Tabel berikut memetakan cabang matematika ke kegunaan praktisnya dan chapter Course ini tempat konsep tersebut terpakai:

Satu contoh nyata manfaat aljabar linear: dekomposisi nilai tunggal (SVD) yang dipakai principal component analysis untuk mereduksi dimensi data. Kita tidak perlu mampu menurunkan rumusnya, tetapi tahu bahwa SVD membongkar matriks menjadi komponen arah data membuat keluaran PCA tidak terasa seperti kotak tertutup. Halaman numpy.linalg.svd memuat penjelasan dan contohnya bila suatu saat kita ingin mencobanya langsung.

Sumber Konsep di Luar Dokumentasi #

Untuk penjelasan konsep yang lebih panjang dari satu halaman dokumentasi, ada beberapa jenis sumber yang biasa diandalkan praktisi — dan semuanya bisa diakses tanpa biaya. Buku teks aljabar linear gratis milik kampus, misalnya yang ditulis dosen dan dibagikan terbuka melalui situs universitas, umumnya memuat bab ringkas tentang vektor, matriks, dan SVD. Kuliah terbuka dari universitas besar juga menyediakan rekaman kelas matematika untuk data science lengkap dengan soal latihan. Kanal edukasi terkemuka membahas kalkulus dan aljabar linear dengan animasi yang memperlihatkan intuisi di balik rumus.

Kita sengaja tidak mencantumkan pranala spesifik untuk jenis sumber tersebut karena alamatnya sering berpindah dan koleksinya terus bertambah; carilah dengan kata kunci seperti linear algebra for data science melalui mesin pencari. Kriteria seleksinya sama seperti memilih dataset: penulisnya jelas, pembahasannya berfokus pada intuisi dan contoh terhitung, serta terdapat latihan yang bisa kita kerjakan sendiri.

Menghitung Rata-Rata dengan NumPy #

Untuk menutup chapter ini, mari kita latihan pola just-in-time dengan konsep paling sering dipakai: rata-rata. Kode berikut menghitung rata-rata penjualan dua cabang toko dengan tiga variasi arah perhitungan sekaligus.

import numpy as np

# Baris = Senin-Sabtu, kolom = [Toko Bandung, Toko Surabaya]
penjualan = np.array([[120, 135], [98, 142], [143, 150],
                      [110, 128], [152, 161], [133, 147]])

print("Rata-rata seluruh toko :", round(float(np.mean(penjualan)), 2))
print("Rata-rata per hari      :", np.round(np.mean(penjualan, axis=1), 2))
print("Rata-rata per toko      :", np.round(np.mean(penjualan, axis=0), 2))

Output yang Dihasilkan:

Rata-rata seluruh toko : 134.92
Rata-rata per hari      : [127.5 120.  146.5 119.  156.5 140. ]
Rata-rata per toko      : [126.   143.83]

Mari kita telaah baris-baris kode di atas:

1. Baris 4-5 (penjualan = np.array(...)): data penjualan disusun sebagai array dua dimensi — enam hari kali dua toko. Struktur inilah yang membuat parameter axis bermakna: sumbu 0 menjelajahi baris (hari), sumbu 1 menjelajahi kolom (toko).
2. Baris 7 (np.mean(penjualan)): tanpa axis, NumPy merata-ratakan seluruh elemen menjadi satu angka — 134,92 gelas.
3. Baris 8-9 (axis=1 dan axis=0): axis=1 merata-ratakan sepanjang toko sehingga hasilnya per hari; axis=0 merata-ratakan sepanjang hari sehingga hasilnya per toko. Toko Surabaya unggul dengan 143,83 berbanding 126,0.

Rangkuman #

• Gunakan strategi just-in-time learning: pelajari konsep matematika tepat saat teknik data science yang dikerjakan membutuhkannya, bukan menamatkan teori terlebih dahulu.
• Dua halaman NumPy yang paling sering dibuka: absolute basics for beginners untuk fondasi array, dan halaman per fungsi seperti numpy.mean untuk detail parameter.
• Empat cabang inti yang menopang Course ini: aljabar dasar untuk membaca rumus, aljabar linear untuk data tabel, kalkulus untuk proses belajar model, dan probabilitas untuk ketidakpastian.
• Sumber konsep gratis — buku teks kampus, kuliah terbuka, kanal edukasi — dipilih dengan kriteria sama seperti dataset: penulis jelas, fokus intuisi, dan ada latihan.

Matematika menyediakan bahasa untuk menyusun dugaan; statistika menyediakan aturan untuk menguji dugaan itu secara jujur. Chapter berikutnya, Referensi Statistika, memetakan rujukan untuk pendalaman dari ukuran pemusatan sampai uji hipotesis.