Broadcasting dan vectorization adalah dua konsep yang membuat kode NumPy terlihat ringkas namun tetap berjalan cepat. Section ini membedah aturan broadcasting langkah demi langkah, menunjukkan penerapannya pada array multidimensi, lalu membandingkan performa loop Python dengan operasi ter-vektorisasi. Pada bagian akhir, kita membahas kapan broadcasting justru boros memori dan bagaimana menghindarinya.

# Pengenalan Broadcasting

Mengenal broadcasting sebagai mekanisme NumPy mengoperasikan array dengan bentuk berbeda tanpa menyalin data.

Buka → # Aturan Broadcasting

Membedah dua aturan resmi broadcasting: perataan bentuk dari belakang dan syarat dimensi kompatibel.

Buka → # Broadcasting pada Array Multidimensi

Menerapkan aturan broadcasting pada array dua dan tiga dimensi dengan visualisasi perluasan dimensi.

Buka → # Broadcasting dengan Scalar

Menghitung array dengan satu angka: scalar dianggap array berbentuk kosong yang kompatibel dengan semua bentuk.

Buka → # Broadcasting dengan Dimensi Baru

Membentuk kolom vektor dan baris vektor dengan np.newaxis untuk pola broadcasting yang paling sering dipakai.

Buka → # Pengenalan Vectorization

Memahami vectorization sebagai gaya penulisan operasi pada seluruh array tanpa loop eksplisit.

Buka → # Loop Python vs Vectorization

Membandingkan waktu eksekusi loop Python dan operasi ter-vektorisasi untuk memahami sumber percepatannya.

Buka → # Conditional Ter-vektorisasi

Menggantikan if-else per elemen dengan np.where dan np.select agar keputusan logika ikut ter-vektorisasi.

Buka → # Menghindari Broadcasting yang Tidak Efisien

Mengenali pola broadcasting yang membengkakkan memori dan menerapkan alternatif perhitungan yang lebih hemat.

Buka →