Persiapan Python

Dua belas section sebelumnya kita menghitung mean, standard deviation, confidence interval, sampai ANOVA dengan pensil dan kalkulator. Cara itu tepat untuk memahami konsep, tetapi ketika data membengkak menjadi ratusan baris, perhitungan manual tidak lagi realistis. Python memindahkan seluruh rumus tersebut menjadi kode yang berjalan dalam hitungan detik dan dapat diulang dengan hasil yang sama. Chapter pertama section ini menyiapkan perkakasnya: instalasi Python, lingkungan virtual yang terisolasi, pustaka statistika, pilihan cara menjalankan kode, dan satu dataset latihan yang akan menemani kita sampai chapter terakhir.

Mengapa Python untuk Statistika #

Python bukan satu-satunya alat statistika — R, SPSS, dan SAS telah lebih dulu dipakai di lapangan. Keunggulan Python ada pada ekosistemnya yang berlapis dan saling terhubung. Module statistics yang sudah terpasang bersama Python menangani statistik dasar; NumPy menyediakan array untuk perhitungan vektor; SciPy membawa distribusi dan uji hipotesis; pandas mengelola data berbentuk tabel; matplotlib menggambar grafiknya. Satu bahasa menampung seluruh alur kerja, dari membaca data mentah sampai laporan akhir.

Alasan kedua adalah reproduksibilitas. Sebuah file Python adalah catatan lengkap langkah perhitungan: siapa pun yang menjalankan file yang sama pada data yang sama akan memperoleh angka yang sama. Kebiasaan inilah yang kita bangun di section ini — setiap blok kode pada chapter berikutnya benar-benar dijalankan, dan setiap angka pada teks adalah hasil eksekusi yang dapat Anda periksa ulang. Dokumentasi lengkap tiap pustaka tersedia gratis, misalnya dokumen resmi Python dan dokumentasi pandas .

Menginstal dan Memverifikasi Python #

Langkah pertama mengunduh installer dari python.org/downloads , lalu menjalankannya seperti aplikasi biasa. Pada Windows, centang opsi Add python.exe to PATH agar perintah Python dikenali terminal; pengguna Linux dan macOS umumnya sudah memiliki Python terpasang. Setelah proses selesai, buka terminal baru dan periksa versinya:

python3 --version

Output yang muncul berformat Python 3.12.15 — angka versi minor boleh berbeda di komputer Anda; materi ini aman dijalankan pada Python 3.10 ke atas. Pada Windows, perintahnya sering ditulis python atau py, sedangkan Linux dan macOS memakai python3. Perintah python3 akan kita pakai konsisten di seluruh section agar contoh dapat disalin langsung.

Lingkungan Virtual #

Mengapa perlu isolasi? Proyek yang berbeda sering membutuhkan versi pustaka yang berbeda — proyek lama mungkin belum kompatibel dengan NumPy terbaru, dan memasang semuanya ke sistem tentu menimbulkan benturan. Lingkungan virtual (virtual environment) mengatasinya dengan membuat folder .venv yang berisi salinan Python dan pustaka miliknya sendiri, terpisah dari sistem dan dari proyek lain. Buat sekali di folder proyek, lalu aktifkan:

python3 -m venv .venv
source .venv/bin/activate

Setelah aktif, prompt terminal diawali (.venv) dan perintah pip hanya memasang pustaka ke dalam folder tersebut. Pengguna Windows mengganti baris kedua dengan .venv\Scripts\activate. Perintah deactivate mematikan lingkungan, dan folder .venv boleh dihapus serta dibuat ulang kapan saja karena seluruh isinya berasal dari perintah instalasi yang terdokumentasi.

Memasang Pustaka Statistika #

Dengan lingkungan virtual aktif, empat pustaka inti dipasang dalam satu perintah lewat pip, manajer package Python:

python3 -m pip install numpy scipy pandas matplotlib

Perintah ini mengunduh versi rilis stabil dan seluruh dependensinya. Module statistics tidak ikut dipasang karena bagian dari Python itu sendiri — chapter berikutnya memanfaatkannya tanpa instalasi apa pun. Peran tiap pustaka di section ini:

REPL, Skrip, atau Notebook #

Python bisa dijalankan tiga cara, dan tiap cara punya waktu terbaiknya:

Materi section ini memakai format skrip: kode disimpan sebagai file .py, lalu dijalankan dari terminal dengan pola tetap:

python3 nama_file.py

Pola skrip memaksa kita menuliskan seluruh langkah secara berurutan — kebiasaan yang membuat analisis mudah diperiksa dan diulang. Notebook tetap layak dipakai untuk eksplorasi pribadi; hasilnya sebaiknya dipindahkan ke skrip begitu langkah-langkahnya final. Struktur data atau function dari chapter Python di course sebelumnya (misalnya list dan dictionary) dipakai terus di sini tanpa perubahan.

Menguji Instalasi #

Blok berikut memastikan keempat pustaka terpasang dan melaporkan versinya. Simpan sebagai cek_versi.py atau jalankan baris demi baris di REPL:

import sys

import matplotlib
import numpy
import pandas
import scipy

print("Python     :", sys.version.split()[0])
print("NumPy      :", numpy.__version__)
print("SciPy      :", scipy.__version__)
print("pandas     :", pandas.__version__)
print("matplotlib :", matplotlib.__version__)

Output yang Dihasilkan:

Python     : 3.12.15
NumPy      : 2.1.3
SciPy      : 1.14.1
pandas     : 2.2.3
matplotlib : 3.9.2

Baris sys.version.split()[0] memotong nomor versi Python dari teks versi lengkap, sedangkan tiap pustaka menyimpan versinya di attribute __version__. Kelima baris hasil menegaskan bahwa interpreter menemukan seluruh pustaka yang kita butuhkan.

Dataset Latihan Section Ini #

Analisis membutuhkan data yang akrab, jadi kita membawa kembali dataset nilai ulangan Matematika dari Section Statistika Deskriptif — sembilan siswa dengan nilai 68, 75, 75, 81, 84, 88, 90, 92, 97 (mean 83.33, standard deviation 9.41) — dan menambahkan satu siswa baru bernilai 70 sehingga jumlah data menjadi genap. Dataset sepuluh nilai ini dipakai dari chapter ini sampai chapter Analisis Data dengan pandas:

import statistics

nilai = [68, 75, 75, 81, 84, 88, 90, 92, 97, 70]

print("banyak data :", len(nilai))
print("mean        :", statistics.mean(nilai))
print("median      :", statistics.median(nilai))
print("stdev       :", round(statistics.stdev(nilai), 4))

Output yang Dihasilkan:

banyak data : 10
mean        : 82
median      : 82.5
stdev       : 9.8206

Mari kita bedah angkanya. Jumlah seluruh nilai 820 dibagi 10 menghasilkan mean 82 — turun dari 83.33 karena nilai baru 70 berada di bawah rata-rata lama. Median menjadi 82.5 karena jumlah data genap: dua nilai tengah 81 dan 84 dirata-ratakan, persis aturan dari chapter Median. Standard deviation sampel 9.8206 (dibulatkan ke empat desimal) mengukur sebaran nilai terhadap mean 82.

Lingkungan siap dan data siap. Chapter berikutnya langsung bekerja: module statistics bawaan Python menghitung seluruh ukuran pemusatan, penyebaran, kuartil, korelasi, sampai peluang distribusi normal — tanpa satu baris instalasi pun.