Menyiapkan Python untuk Belajar AI

Lingkungan Python yang rapi membantu Anda belajar tanpa sering terganggu masalah instalasi. Tujuan panduan ini adalah membuat satu proyek kecil yang terisolasi dan mudah dijalankan kembali.

Apa yang akan disiapkan

Pada akhir panduan, Anda akan memiliki:

• instalasi Python yang bisa dipanggil dari terminal;
• lingkungan virtual untuk satu proyek;
• JupyterLab untuk menjalankan notebook;
• folder data dan notebook yang teratur;
• daftar dependensi proyek.

1. Instal Python

Unduh Python dari situs resminya. Gunakan versi stabil yang masih didukung oleh pustaka yang akan dipakai.

Setelah instalasi, buka terminal dan periksa versinya:

python --version

Pada beberapa sistem, perintahnya mungkin:

python3 --version

Jika terminal tidak menemukan Python, periksa dokumentasi instalasi untuk sistem operasi Anda. Hindari mengunduh installer dari situs yang tidak resmi.

2. Buat folder proyek

Buat satu folder khusus untuk latihan pertama:

proyek-ai-pertama/
  data/
  notebooks/
  src/
  README.md

Fungsi setiap folder:

• data/ menyimpan dataset;
• notebooks/ menyimpan eksperimen dan catatan;
• src/ menyimpan kode yang mulai digunakan berulang kali;
• README.md menjelaskan tujuan dan cara menjalankan proyek.

Pisahkan data mentah dari hasil olahan ketika proyek mulai berkembang.

3. Buat lingkungan virtual

Masuk ke folder proyek melalui terminal, lalu jalankan:

python -m venv .venv

Aktifkan lingkungan tersebut.

Windows PowerShell:

.venv\Scripts\Activate.ps1

macOS atau Linux:

source .venv/bin/activate

Jika berhasil, nama lingkungan biasanya muncul di awal baris terminal.

Lingkungan virtual menjaga dependensi proyek ini agar tidak bercampur dengan proyek lain.

4. Perbarui pip dan instal alat awal

Jalankan:

python -m pip install --upgrade pip
python -m pip install jupyterlab numpy pandas matplotlib scikit-learn

Paket tersebut cukup untuk latihan data dan machine learning dasar:

• JupyterLab untuk notebook;
• NumPy untuk array numerik;
• pandas untuk data tabel;
• Matplotlib untuk visualisasi;
• scikit-learn untuk machine learning klasik.

Jangan menginstal banyak framework sekaligus. Tambahkan dependensi ketika proyek benar-benar membutuhkannya.

5. Jalankan JupyterLab

Dari folder proyek, jalankan:

jupyter lab

Buat notebook baru di dalam folder notebooks/. Jalankan kode berikut sebagai pemeriksaan awal:

import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression

print("Lingkungan siap")

Jika sel berjalan tanpa kesalahan impor, lingkungan awal sudah siap.

6. Simpan dependensi

Setelah instalasi berhasil, simpan daftar paket:

python -m pip freeze > requirements.txt

Untuk menginstal dependensi yang sama di lingkungan baru:

python -m pip install -r requirements.txt

Untuk proyek belajar kecil, cara ini sudah cukup. Ketika proyek berkembang, Anda dapat mempertimbangkan alat manajemen dependensi yang lebih lengkap.

7. Buat notebook pertama

Gunakan data kecil agar fokus pada alur kerja.

import pandas as pd

data = pd.DataFrame(
    {
        "jam_belajar": [1, 2, 3, 4, 5],
        "nilai": [55, 60, 72, 80, 88],
    }
)

data.describe()

Lanjutkan dengan visualisasi sederhana:

import matplotlib.pyplot as plt

data.plot.scatter(x="jam_belajar", y="nilai")
plt.show()

Tujuan latihan ini bukan menarik kesimpulan ilmiah. Tujuannya adalah memastikan proses memasukkan data, menjalankan kode, dan melihat hasil sudah bekerja.

Kebiasaan yang membantu

Gunakan satu lingkungan virtual untuk setiap proyek. Jangan menyimpan .venv ke Git. Simpan requirements.txt, kode, notebook, dan petunjuk menjalankannya.

Ketika terjadi kesalahan, catat:

1. Perintah yang dijalankan.
2. Pesan kesalahan lengkap.
3. Versi Python.
4. Sistem operasi.
5. Perubahan terakhir sebelum kesalahan muncul.

Catatan tersebut membuat proses mencari solusi jauh lebih terarah.

Langkah berikutnya

Setelah lingkungan siap, lanjutkan dengan Python dasar dan latihan manipulasi data. Jangan buru-buru masuk ke model sebelum Anda nyaman membaca tabel, memeriksa nilai yang hilang, dan membuat visualisasi sederhana.