MODUL 3: Pengenalan Python & Google Colab

A. Dasar Teori

1. Bahasa Pemrograman Python dalam AI

        Dalam dunia pengembangan kecerdasan buatan (Artificial Intelligence/AI), Python menjadi bahasa pemrograman yang paling banyak digunakan. Bahasa ini dikembangkan oleh Guido van Rossum pada tahun 1991 dengan tujuan agar mudah dibaca dan dipelajari, bahkan oleh pemula. Nama “Python” sendiri diambil dari acara komedi Monty Python, bukan dari nama hewan.

        Popularitas Python dalam bidang AI disebabkan oleh beberapa faktor. Pertama, sintaksnya sederhana dan menyerupai bahasa manusia sehingga mudah dipahami serta mengurangi kemungkinan kesalahan penulisan. Kedua, Python memiliki komunitas pengguna yang besar dan aktif, yang menyediakan berbagai sumber belajar seperti dokumentasi, forum, hingga tutorial. Ketiga, Python dilengkapi dengan banyak library pendukung seperti NumPy, Pandas, TensorFlow, dan PyTorch yang membantu proses pengembangan AI dari tahap awal hingga produksi.

        Dibandingkan dengan bahasa lain seperti R, Java, atau C++, Python lebih fleksibel dan cepat dalam pengembangan. Karena kemudahan serta kelengkapan ekosistemnya, Python kini menjadi keterampilan wajib bagi pengembang dan peneliti di bidang teknologi.

2. Ekosistem Python untuk AI

        Kekuatan utama Python dalam AI terletak pada ekosistem library-nya yang sangat luas. Library ini mencakup seluruh tahap proses pengembangan, mulai dari pengolahan data, visualisasi, hingga implementasi model.

        Untuk pengolahan data, library seperti NumPy dan Pandas sering digunakan. NumPy berfungsi untuk operasi numerik yang efisien, sedangkan Pandas membantu dalam manipulasi data dalam bentuk tabel (dataframe). Pada tahap visualisasi, Matplotlib dan Seaborn menjadi pilihan utama karena mampu menampilkan data dalam bentuk grafik yang menarik dan mudah dipahami.

        Sementara itu, untuk pengembangan model machine learning, Scikit-learn banyak digunakan karena menyediakan berbagai algoritma siap pakai dan cocok untuk pemula. Pada tahap lebih lanjut seperti deep learning, library TensorFlow dan Keras memungkinkan pembuatan jaringan saraf (neural network) yang kompleks.

        Selain itu, Python juga mendukung pengembangan API menggunakan framework seperti Flask dan FastAPI, yang dapat menghubungkan model AI dengan aplikasi lain. Dengan kemudahan dan kelengkapan ini, Python menjadi pilihan utama dalam berbagai riset dan proyek AI modern.

3. Google Colab sebagai Tools Praktikum

        Google Colab adalah platform berbasis cloud yang memungkinkan pengguna menulis dan menjalankan kode Python langsung di browser tanpa instalasi tambahan. Colab mendukung GPU dan TPU gratis serta terintegrasi dengan Google Drive untuk penyimpanan dan kolaborasi secara real-time.
Struktur notebook pada Colab memudahkan pengguna menulis kode, menambahkan catatan, dan menjalankan program secara interaktif. Dibanding Jupyter Notebook, Colab lebih praktis karena mudah diakses dan mendukung kerja kelompok.

4. Persiapan Praktikum

        Sebelum praktikum, pengguna menyiapkan notebook baru di Google Colab. Langkah awal adalah membuat file baru dan mengenal dasar sintaks Python seperti menampilkan teks, membuat variabel, serta memahami tipe data (string, integer, float, boolean).
Selanjutnya diperkenalkan library penting untuk analisis data dan AI seperti NumPy, Pandas, dan Matplotlib yang digunakan untuk pengolahan data, manipulasi tabel, dan visualisasi grafik.

5. Kumpulan Sintaks Dasar untuk Praktikum AI di Google Colab

Sintaks dasar digunakan untuk mempermudah pengelolaan data dan analisis di Colab.

• a) Pengaturan & Interaksi Colab
  Menghubungkan Colab dengan Google Drive, menginstal library tambahan, dan menampilkan file di direktori kerja.

• b) Manajemen Data dengan Pandas
  Digunakan untuk membaca, menulis, dan mengelola data dalam bentuk tabel. Sintaks umum mencakup membaca file CSV, melihat baris awal/akhir data, mengecek struktur data, serta menghapus atau mengganti nilai kosong.

• c) Visualisasi Data dengan Matplotlib & Seaborn
  Matplotlib digunakan untuk grafik dasar, sedangkan Seaborn menghasilkan grafik yang lebih menarik dan informatif. Keduanya membantu memahami pola data secara visual dalam analisis AI.

• d) Preprocessing & Membangun Model (Scikit-learn)

            Scikit-learn merupakan salah satu library utama di Python yang digunakan untuk membangun                model machine learning klasik. Library ini menyediakan berbagai alat untuk pemrosesan                        data (preprocessing) dan pembuatan model prediksi dengan cara yang mudah dan efisien.

         

Praktikum 1 : klik disini

Praktikum 2 : klik disini

Latihan : klik disini

Tugas : klik disini

Referensi

Sumber utama:

Modul Praktikum Machine Learning & AI, disusun oleh Adi Muhamad Muhsidi (2025).

Program Studi Bisnis Digital Fakultas Ekonomi dan Bisnis, Universitas Kuningan. 

link: https://heyzine.com/flip-book/cbbbf75431.html

Atau dapat diakses langsung dari blog pribadi penulis di: https://adi-muhamad.my.id