NUMPY

Python merupakan salah satu bahasa pemrograman yang cukup menarik minat.
Python dapat digunakan untuk membuat beberapa program seperti CLI, GUI, Aplikasi
Mobile, Web, IoT, dan lain-lain. Python merupakan bahasa pemrograman yang dapat
digunakan untuk menyelesaikan berbagai macam permasalahan. Terdapat beberapa
library yang cukup sering digunakan dalam dalam Python, antara lain NumPy, Pandas
dan Matplotlib.

NumPy merupakan singkatan dari Numerical Python. NumPy merupakan salah satu
library Python yang berfungsi untuk proses komputasi numerik. NumPy memiliki
kemampuan untuk membuat objek N-dimensi array. Array merupakan sekumpulan
variabel yang memiliki tipe data yang sama. Kelebihan dari NumPy Array adalah dapat
memudahkan operasi komputasi pada data, cocok untuk melakukan akses secara acak,
dan elemen array merupakan sebuah nilai yang independen sehingga penyimpanannya
dianggap sangat efisien.

Pada praktikum ini menggunakan Anaconda yang didalamnya sudah terinstal Numpy.

1. Import Numpy

Gambar 1.1 Import Numpy

Pada gambar 1.1 dapat dilihat bahwa langkah pertama dalam membuat array adalah
dengan cara mengimport terlebih dahulu library numpy dengan cara mengetikkan import
numpy as np. Untuk membuat array maka kita akan menggunakan fungsi array().
 Selanjutnya adalah melakukan pengecekan tipe data array dengan menggunakan fungsi
type(). NumPy array merupakan sebuah objek ndarray, yang merupakan singkatan dari n-
dimensional array.

Ada cara cara lain untuk mengimport NumPy adalah dengan alias : numpy as np.
NumPy biasanya diimpor dengan alias np. Dalam Python alias adalah nama alternatif
untuk merujuk ke hal yang sama. Pada percobaan saya membuat alias dari numpy,
mencetak type dari numpy, mencetak versi yang digunakan.

2. Dimensi 0-D

Gambar 1.2 Dimensi

Numpy memiliki Dimensi dalam Array. Dimensi dalam array adalah satu tingkat
kedalaman array (array bersarang/nested. nested array adalah array yang memiliki array
sebagai elemennya.
Ada beberapa jenis dimensi Array:
- Array 0-D
- Array 1-D
- Array 2-D
- Array 3-D
Pada gambar 1.2 adalah contoh Array 0-D, atau Skalars, adalah elemen dalam array.
Setiap nilai dalam array adalah array 0-D. Array 0-D atau yang lebih dikenal dengan
scalars merupakan elemen dari sebuah array.Disini saya melakukan perintah num =
np.array(30) maka jika kita print, output yang akan dihasilkan adalah 30.
3. Array 1-D

Gambar 1.3 Array 1-D

Pada gambar 1.3 ditunjukkan dilakukan praktikum 1-D atau uni dimensional. Array
yang elemennya terdiri dari array 0-D. Array ini menjadi array yang paling umum dan
paling banyak digunakan.Pada gambar diatas,saya mencoba melakukan perintah num =
np.array (['e', 'f', 'g', 'h', 'i']) dengan print(num) lalu akan dihasilkan output ['e', 'f', 'g', 'h',
'i'] inilah yang dinamakan Array 1-D

4. Array 2-D

Gambar 1.4 Array 2-D

 Pada gambar 1.4 2-D ditunjukkan 2-D Array atau array 2 dimensi merupakan array yang
elemennya terdiri dari array 1 dimensi. Array 2 dimensi ini sering digunakan untuk
membuat matriks.Untuk menampilkan output dari Array 2-D ini, saya melakukan
perintah num = np.array ([[12,11,10],[9,8,7]]) lalu print(num) maka akan menampilkan
keluaran [[12 11 10] [ 9 8 7]]

5. Array 3-D

Gambar 1.5 Array 3-D

Pada gambar 1.5 untuk 3-D array atau array 3 dimensi merupakan array yang
elemennya memiliki larik 2-D array atau matriks.Disini, saya menggunakan data angka
([[[12,11,10],[9,8,7]],[[12,11,10],[9,8,7]] dengan perintah num = np.array ([[[12,11,10],
[9,8,7]],[[12,11,10],[9,8,7]]] ) lalu print(num), maka output yang akan dihasilkan adalah
Array 3 dimensi seperti pada gambar.
6. Menentukan Dimensi Array

Gambar 1.6 Array Menentukan dimensi Array

Pada gambar diatas, yaitu gambar 1.6 pada pembuatan sebuah array numpy dapat
menentukan berapa dimensi yang dipakai pada sebuah numpy array. Hal tersebut dapat
dilakukan dengan menggunakan fungsi ndim.Saya melakukan 4 perintah fungsi ndim
yang keempatnya mengeluarkan output yang benar dan sesuai.

7. Argumen ndim

Gambar 1.7 Argumen ndim

 Pada gambar 1.7 ditunjukkan Argument ndim yang dapat digunakan untuk
menentukan jumlah dimensi pada pembuatan sebuah array numpy. Array dapat memiliki
sejumlah dimensi. Ketika array dibuat, Anda dapat menentukan jumlah dimensi dengan
menggunakan argumen ndmin.Pada percobaan kali ini saya mencoba melakukan perintah
num = np.array ([9,8,7,6,5,4,3,2,1], ndmin=2) lalu dengan print(num) dan print('Angka
dimensinya adalah', kode.ndim).Output yang akan dihasilkan dari perintah tersebut
adalah [[9 8 7 6 5 4 3 2 1]] Angka dimensinya adalah 2.

8. Numpy Array Indexing

Gambar 1.8 Numpy array indexing

Selanjut gambar 1.8 dilakukan pengindeksan array yaitu sama dengan mengakses
elemen array. Elemen array dapat diakses dengan merujuk nomor indeksnya. Indeks
dalam array numpy dimulai dengan 0. Saya melakukan perintah num = np.array
([11,12,13,14,15,16,17]) dengan print(num[0]),print(num[2]),print(num[4]) dimana
num[0] adalah 11, num[2] adalah 13, dan num[4] adalah 15.Output yang dihasilkan
adalah benar dan sesuai.
9. Penjumlahan dengan indeks pada array numpy

Gambar 1.9 Array Penjumlahan dengan indeks

Pada gambar 1.9 ditunjukan kegunaan indeks juga dapat dimanfaatkan untuk operasi
bilangan dengan menjabarkan nilai indeksnya saat melakukan perjumlahan. Disinni, saya
melakukan perintah penjumlahan indeks [2] dan [4] yang berarti 13 ditambah 15 hasilnya
yaitu 28.

10. Mengakses Array 2 dimensi

Gambar 1.10 Mengakses array 2 dimensi

 Pada percobaan diatas yaitu gambar 1.10 praktikum melakukan percobaan untuk
mengakses array 2 dimensi. Untuk mengakses elemen dari array 2-D kita dapat
menggunakan integer yang dipisahkan koma yang mewakili dimensi dan indeks elemen.

11. Mengakses array 3 Dimensi

Gambar 1.11 Mengakses array 3 dimensi

Pada percobaan diatas yaitu gambar 1.11 praktikan melakukan percobaan untuk
mengakses array 3 dimensi. Untuk mengakses elemen dari array 3-D kita dapat
menggunakan integer yang dipisahkan koma yang mewakili dimensi dan indeks
elemen.Disini saya melakukan perintang num = np.array ([[[8,9,10], [11,12,13]],
[[14,15,16],[17,18,19]]]) print(num[0,1,2]) maka output yang dihasilkan adalah 13.
12. Indeks negative pada array numpy

Gambar 1.12 Indeks negative pada array numpy

Pada percobaan diatas praktikan melakukan percobaan untuk menggunakan indeks

negatif. Indeks negative akan mengakses elemen dimulai pada akhir.Lalu, saya
menambhakna print ‘elemen terakhir daru dim ke -3 :’ dan outputnya adalah elemen
terakhir daru dim ke -3 : 26.

13. NumPy Array Slicing

 Gambar 1.13 Numpy Array Slicing

Pada gambar 1.14 ditunjukkan tentang slicing / mengiris dalam python berarti
mengambil elemen dari satu indeks yang diberikan ke indeks yang diberikan lainnya.
Untuk menggunakan slice dengan bentuk umum indeks seperti ini: [start: end]. Kita juga
bisa mendefinisikan langkahnya, seperti ini: [start: end: step]. Jika start tidak ditentukan,
maka start dianggap 0. Jika end tidak ditentukan maka end dianggap panjang array di
dimensi itu. Jika step tidak ditentukan maka step ini dianggap 1.Bisa kit alihat bahwa
setiap perintah yang saya jalankan memiliki output yang sesuai dan benar.

14. Slicing Numpy Array Pada 2 Dimensi

 Gambar 1.14 Slicing numpy array pada 2 dimensi

Pada percobaan gambar 1.14 saya mencoba melakukan pecobaan untuk slicing
numpy pada 2 dimensi. Dapat diketahui kita dapat melakukan slicing pada kedua dimensi
secara sekaligus.Output bisa kita lihat pada gambar diatas.

15. Tipe data pada Array Numpy

 Gambar 1.15 Tipe data Array Numpy

Pada numpy memiliki beberapa tipe data tambahan, dan merujuk ke tipe data dengan
satu karakter, seperti i untuk bilangan bulat, u untuk bilangan bulat tak bertanda
(unsigned), dan lain-lain. Pada library numpy terdapat argument yang dapat digunakan
untuk mengembalikan tipe data array yang digunakan pada array tersebut yaitu
dtype.Disini saya melakukan perintah num = np.array ([13,14,15,16]) dengan
print(num.dtype) maka output yang akan dihasilkan adalah int 32.

16. Menentukan Tipe Data Pada Array Numpy

 Gambar 1.16 Menentukan tipe data

Pada 1.16 ditunjukkan pembuktian bahwa numpy kita juga dapat untuk membuat
array dengan tipe data yang ditentukan saat pembuatannya. Hal ini dapat dilakukan
dengan menggunakan argument dtype=.

17. Konversi jenis data pada array yang ada

Gambar 1.17 Konversi jenis data

 Gambar 1.18 Penjelasan tipe data

Pada gambar diatas 1.17 saya mencoba melakukan konversi jenis data pada array dengan
menggunakan metode astype(). Dimana metode ini adalah cara terbaik untuk mengubah
tipe data dari array yang ada dengan membuat Salinan array dan memungkinkan untuk
memenentukan tipe data sebagai parameter
.

18. Perbedaan Copy dan View Array

Gambar 1.19 Perbedaan copy dan view array

 Pada gambar 1.19 saya mencoba melakukan copy dan view.Dari percobaan ini saya
dapat menyimpulkan bahwa perbedaan utama antara copy dan view pada array adalah
copy berupa array baru, dan view hanya berupa tampilan array asli. Copy memiliki data
dan perubahan apapun yang dilakukan pada copy tidak akan memengaruhi array asli, dan
perubahan apa pun yang dibuat pada array asli tidak akan memengaruhi copy. View tidak
memiliki data dan perubahan apapun yang dilakukan pada view akan memengaruhi array
asli, dan setiap perubahan yang dibuat pada array asli akan memengaruhi view.

19. Basic atribut

Gambar 1.20 Basic atribut

Pada percobaan diatas ditunjukkan Basic Atribut yaitu percobaan untuk memeriksa
apakan array lama dan baru memiliki basis apa tidak. Setiap array NumPy memiliki basis
atribut yang mengembalikan Tidak Ada jika array memiliki data. Jika tidak, atribut
dasar merujuk ke objek asl