Kelompok 7

1. Pengertian Numpy

NumPy (Numerical Python) adalah sebuah library untuk bahasa pemrograman Python
yang fokus pada komputasi ilmiah dan numerik. NumPy menyediakan dukungan untuk array
dan matriks multidimensi beserta koleksi besar fungsi matematika tingkat tinggi untuk
melakukan operasi pada array tersebut. NumPy sering digunakan dalam bidang Data Science,
Machine Learning, dan komputasi saintifik karena menyediakan fungsi siap pakai untuk
memudahkan perhitungan saintifik seperti matriks, aljabar, statistik, dan lainnya.

NumPy memiliki kemampuan untuk membentuk objek N-dimensional array, yang

mirip dengan list pada Python. Keunggulan NumPy array dibandingka dengan list pada
Python adalah konsumsi memory yang lebih kecil serta runtime yang lebih cepat. NumPy juga
memudahkan kita pada Aljabar Linear, terutama operasi pada Vector (1-d array) dan Matrix
(2-d array). NumPy merupakan singkatan dari Numerical Python. Library ini
menyediakan objek array multidimensi yang efisien, serta berbagai fungsi untuk
melakukan operasi matematika pada array tersebut. NumPy merupakan salah satu library
yang sangat populer dalam komunitas ilmu data dan kecerdasan buatan

Dengan NumPy, pengguna dapat melakukan berbagai macam pengolahan numerik, seperti
operasi matematika dan logika dalam sebuah array, transformasi Fourier, dan operasi aljabar
linear[5]. NumPy juga menawarkan fungsi matematika komprehensif, pembangkit bilangan
acak, rutinitas aljabar linear, transformasi Fourier, dan lainnya. Dengan kekuatan komputasi
dari bahasa seperti C dan Fortran, NumPy membawa kesederhanaan dalam penyelesaian
masalah, di mana solusi dalam NumPy seringkali jelas dan elegan. Dengan lisensi open
source, NumPy dapat digunakan secara bebas oleh siapa saja.

2. Kegunaan Numpy dalam Python

NumPy (Numerical Python) adalah library Python yang fokus pada scientific
computing. NumPy memiliki berbagai kegunaan dalam pengembangan perangkat lunak dan
analisis data, antara lain :

Memudahkan perhitungan saintifik seperti matriks, aljabar, statistik, dan operasi

matematika tingkat tinggi lainnya.
Digunakan dalam bidang Data Science, Machine Learning, dan komputasi saintifik
karena menyediakan fungsi siap pakai untuk memudahkan perhitungan saintifik.
Menyediakan array dan matriks multidimensi beserta koleksi besar fungsi
matematika tingkat tinggi untuk melakukan operasi pada array tersebut.
 Memiliki performa yang lebih cepat dibandingkan dengan list karena ditulis
dengan bahasa C dan sebagian lagi Python.
Memudahkan operasi komputasi pada data, cocok untuk melakukan akses secara
acak, dan elemen array merupakan sebuah nilai yang independen sehingga
penyimpanannya dianggap sangat efisien.
Mendukung beberapa tipe data lain yang tidak didukung secara langsung oleh
Python, seperti bilangan kompleks dan intc.

NumPy juga memiliki berbagai kegunaan, antara lain:

Memungkinkan manipulasi dan operasi matematika yang efisien pada array

multidimensi.
Menyediakan fungsi untuk melakukan operasi statistik pada data.
Digunakan dalam pengolahan dan analisis data, terutama ketika bekerja dengan
data numerik.
Mendukung pembuatan dan manipulasi matriks.
Memungkinkan integrasi yang baik dengan library lain seperti Pandas dan
Matplotlib

3. Kelebihan dan Kekurangan Numpy

Kelebihan Numpy:
1. Komputasi Berorientasi Array: NumPy melakukan komputasi berorientasi array,
yang memudahkan pengguna dalam melakukan perhitungan saintifik dan operasi
matematika tingkat tinggi.
2. Efisiensi dalam Implementasi Array Multidimensi: NumPy secara efisien
mengimplementasikan array multidimensi, memfasilitasi analisis data yang
kompleks dengan kecepatan yang luar biasa.
3. Perhitungan Ilmiah yang Mudah: NumPy memudahkan pengguna dalam
melakukan perhitungan ilmiah dan saintifik tanpa perlu membuat rumus manual.
4. Transformasi Fourier dan Manipulasi Data: NumPy mampu melakukan
transformasi Fourier dan membentuk kembali data yang disimpan dalam array
multidimensi.
5. Performa Lebih Cepat: NumPy memiliki performa yang lebih cepat
dibandingkan dengan list karena sebagian besar ditulis dengan bahasa C.
6. Dukungan Tipe Data Lain: NumPy mendukung beberapa tipe data lain yang
tidak didukung secara langsung oleh Python, seperti bilangan kompleks dan intc.
7. Efisien dalam melakukan operasi matematika pada array multidimensi.
8. Memiliki dukungan yang luas dan aktif dari komunitas pengguna Python.
9. Memiliki integrasi yang baik dengan library lain dalam ekosistem Python,
seperti Pandas dan Matplotlib.
10. Memiliki dokumentasi yang lengkap dan tersedia banyak tutorial online.

Kekurangan Numpy:
 1. Kurva Pembelajaran: Pengguna yang baru mempelajari NumPy mungkin
memerlukan waktu untuk memahami konsep-konsep array multidimensi dan
fungsi-fungsi matematika tingkat tinggi yang disediakan oleh NumPy.
2. Membutuhkan Instalasi Tambahan: NumPy perlu diinstal terlebih dahulu
sebelum dapat digunakan, meskipun proses instalasinya relatif mudah dengan
menggunakan pip atau conda.
3. Memiliki kurva pembelajaran yang agak curam bagi pemula yang belum
terbiasa dengan konsep array multidimensi.
4. Tidak memiliki dukungan built-in untuk manipulasi data tabular seperti yang
disediakan oleh Pandas

4. Aplikasi Numpy

NumPy memiliki berbagai aplikasi dalam pengembangan perangkat lunak dan

analisis data, antara lain:

1. Komputasi Ilmiah: NumPy menyediakan fungsi yang siap pakai untuk

memudahkan perhitungan saintifik seperti matriks, aljabar, statistik, dan operasi
matematika tingkat tinggi.

2. Data Science dan Machine Learning: NumPy sering digunakan dalam bidang
Data Science dan Machine Learning karena menyediakan fungsi siap pakai untuk
memudahkan perhitungan saintifik.

3. Manipulasi Data: NumPy dapat digunakan untuk pengolahan data numerik,

transformasi Fourier, dan pembentukan kembali data yang disimpan dalam array
multidimensi.

4. Operasi Aljabar Linear : NumPy mendukung operasi aljabar linear, yang berguna
dalam analisis data kompleks.

5. Pengolahan Data Numerik: NumPy memungkinkan pengguna untuk melakukan

operasi komputasi pada data, cocok untuk melakukan akses secara acak, dan
elemen array merupakan sebuah nilai yang independen sehingga penyimpanannya
dianggap sangat efisien

NumPy juga digunakan dalam berbagai aplikasi, antara lain:

Analisis data dan kecerdasan buatan

Komputasi ilmiah dan matematika
Pengolahan gambar dan penglihatan komputer menggunakan library seperti
OpenCV.
Simulasi fisika dan komputasi numerik.
Pembelajaran mesin dan pengolahan sinyal.
Visualisasi data menggunakan library seperti Matplotlib dan Seaborn

5. Penggunaan Numpy pada Python

 Untuk menggunakan NumPy pada Python, langkah-langkah berikut dapat
diikuti:

1. Install NumPy menggunakan pip dengan menjalankan perintah berikut di

terminal atau command prompt:

2. Setelah instalasi selesai, import NumPy ke dalam program Python dengan

menambahkan baris berikut di awal kode:

3. NumPy siap digunakan dalam program Python. Anda dapat membuat array,
melakukan operasi matematika, dan menggunakan fungsi-fungsi NumPy
lainnya.

6. Contoh program Numpy

Berikut adalah contoh program sederhana menggunakan NumPy untuk

membuat array dan melakukan operasi sederhana:
import numpy as np

# Membuat array
arr = np.array([1, 2, 3, 4, 5])
print(arr)
print(type(arr))

# Operasi pada array

x = np.arange(15, dtype=np.int64).reshape(3, 5)
x[1:, ::2] = -99
print(x)
print(x.max(axis=1))

# Generate bilangan acak yang terdistribusi normal

rng = np.random.default_rng()
samples = rng.normal(size=2500)
print(samples)

contoh program sederhana yang menggunakan NumPy untuk melakukan

penjumlahan matriks:
 import numpy as np

matriks_a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

matriks_b = np.array([[3, 2, 1], [6, 5, 4], [9, 8, 7]])

hasil = matriks_a + matriks_b

print(hasil)

Dalam contoh di atas, kita menggunakan NumPy untuk membuat array, melakukan
operasi pada array, dan menghasilkan bilangan acak yang terdistribusi normal. NumPy
menyediakan fungsi-fungsi yang memudahkan manipulasi array dan operasi matematika pada
data numerik.

Materi 1,3 dan 5: ( Resa Dwi Permata Syahendra_22033036)

Materi 2, 4 dan 6: (Rindi_22033038)