Glosarium

Halaman ini menutup course. Sepanjang bab-bab sebelumnya kita menemui istilah teknis yang hampir selalu berbahasa Inggris, dan saat membaca dokumentasi atau buku lain, istilah-istilah itu akan muncul lagi tanpa penjelasan ulang. Glosarium berikut merangkum istilah yang paling sering dipakai, lengkap dengan arti singkat dan petunjuk bab yang membahasnya secara mendalam.

Simpan halaman ini sebagai rujukan cepat. Untuk daftar istilah resmi yang lebih lengkap (berbahasa Inggris), halaman glossary dokumentasi tersedia di situs NumPy.

Istilah Inti Course #

Istilah	Arti singkat	Dibahas pada chapter
ndarray	Struktur data inti NumPy: array berdimensi-n dengan seluruh elemen bertipe sama	Konsep ndarray
dtype	Tipe data elemen array, misalnya `int64` atau `float64`	Atribut dtype
shape	Ukuran array per dimensi; `(2, 3)` berarti 2 baris dan 3 kolom	Atribut shape
scalar	Nilai tunggal; dalam NumPy berupa array 0-dimensi atau objek seperti `np.float64(27.5)`	Broadcasting dengan Scalar
axis	Nomor dimensi tempat operasi bekerja; `axis=0` melintasi baris, `axis=1` melintasi kolom	Operasi Berdasarkan Axis
broadcasting	Aturan penyebaran bentuk agar array dengan `shape` berbeda dapat dioperasikan tanpa salinan	Aturan Broadcasting
ufunc	Fungsi universal yang beroperasi per elemen, misalnya `np.exp` dan `np.add`	Fungsi Universal (ufunc)
vectorization	Menuliskan operasi atas array secara keseluruhan tanpa loop Python eksplisit	Pengenalan Vectorization
view	Array baru yang berbagi buffer memori dengan array aslinya	View vs Copy
copy	Array baru dengan buffer memori sendiri; perubahan pada salinan tidak menyentuh aslinya	View vs Copy
stride	Jumlah byte yang dilompati untuk berpindah satu langkah di tiap dimensi	Strides dan Memory Access
mask	Array boolean yang menandai elemen mana yang diambil atau ditutup	Masking dan Conditional Selection
NaN	“Not a number”; penanda nilai numerik yang hilang atau tidak sah	NaN dan Infinity
fancy indexing	Mengindeks dengan array atau list indeks; hasilnya selalu array baru	Fancy Indexing
flatten / ravel	Mengubah array menjadi satu dimensi; `flatten` selalu menyalin, `ravel` dapat mengembalikan view	flatten dan ravel
reduce	Menekan satu axis menjadi satu nilai dengan operasi berulang, misalnya `np.add.reduce`	ufunc Lanjutan
aggregate	Fungsi yang merangkum banyak elemen menjadi satu angka, misalnya `sum` dan `mean`	sum dan prod
structured array	Array yang setiap elemennya terdiri atas beberapa field bertipe berbeda	Structured Array
memmap	Array yang menyimpan datanya di file dan memuat bagian yang dibutuhkan sesuai permintaan	Memory-mapped Array
RNG / Generator	Pembangkit bilangan acak modern berbasis objek `Generator`	default_rng dan Generator
seed	Nilai awal yang menentukan urutan angka acak sehingga hasil dapat direproduksi	Reproducibility dan Random Seed

Istilah dalam Kode #

Empat istilah pertama — shape, axis, scalar, dan broadcasting — paling sering membingungkan pemula karena abstrak. Blok berikut menampilkannya dalam satu layar:

python
import numpy as np

a = np.arange(6).reshape(2, 3)
print("sum(axis=0):", a.sum(axis=0))
print("sum(axis=1):", a.sum(axis=1))
print(a + 10)

Output yang Dihasilkan:

text
sum(axis=0): [3 5 7]
sum(axis=1): [ 3 12]
[[10 11 12]
 [13 14 15]]

Array ber-shape (2, 3) diringkas dua arah: axis=0 menjumlahkan tiap kolom sehingga tersisa satu nilai per kolom, axis=1 menjumlahkan tiap baris. Baris terakhir memperlihatkan broadcasting dengan scalar 10: satu angka disebarkan ke seluruh elemen tanpa loop.

Pasangan view dan copy paling mudah dipahami lewat eksperimen mutasi:

python
import numpy as np

a = np.arange(4)
v = a[1:3]      # slice -> view
c = a[[1, 2]]   # fancy indexing -> copy
print("v.base is a:", v.base is a, "| c.base is a:", c.base is a)
v[0] = 99
print("a setelah mutasi view:", a)

Output yang Dihasilkan:

text

v.base is a: True | c.base is a: False
a setelah mutasi view: [ 0 99  2  3]

Mari kita bedah baris demi baris:

Baris 3 (v = a[1:3]): slicing mengembalikan view; atribut v.base menunjuk ke a, bukti kedua array berbagi buffer yang sama.
Baris 4 (c = a[[1, 2]]): fancy indexing mengembalikan copy dengan buffer sendiri, sehingga c.base is a bernilai False.
Baris 5 (print(...)): kedua status base dicetak sebagai bukti statis yang bisa diulang siapa pun.
Baris 6 (v[0] = 99): mengubah view turut mengubah a — posisi ke-1 berubah dari 1 menjadi 99, persis perilaku yang diwaspadai pada bab View vs Copy.

Terakhir, istilah NaN, mask, dan nan-aware aggregation sering muncul bersama saat bekerja dengan data yang tidak sempurna:

python
import numpy as np

suhu = np.array([27.5, np.nan, 30.0])
mask = np.isnan(suhu)
print("mask :", mask)
print("nanmean:", np.nanmean(suhu))
print("suhu[~mask]:", suhu[~mask])

Output yang Dihasilkan:

text
mask : [False  True False]
nanmean: 28.75
suhu[~mask]: [27.5 30. ]

np.isnan adalah ufunc yang menghasilkan mask boolean; np.nanmean menghitung rata-rata dengan melewati NaN; dan suhu[~mask] memakai mask terbalik untuk menyaring elemen yang valid. Tiga pola ini adalah inti bab NaN dan Infinity, Masking dan Conditional Selection, dan NaN-aware Aggregation.

Dengan glosarium ini, setiap istilah yang muncul di dokumentasi, buku, atau tutorial kini punya tempat kembali: arti singkatnya di tabel, dan penjelasan penuhnya pada chapter yang dirujuk.