BUDI RAHARDJO

PEMROGRAMAN PYTHON
 Contents

1 Pendahuluan 7

2 Koding Tingkat Medium 25

3 Triks 41

4 Bibliography 45
Pengantar

Buku ini sebetulnya merupakan catatan pribadi saya dalam belajar

pemrograman dengan menggunakan bahasa Python. Saya sudah
mengenal Python sejak dari jaman dahulu kala, tetapi pada masa
itu saya tidak terlalu tertarik karena saya lebih suka menggunakan
bahasa Perl. Sampai sekarang sebetulnya saya masih suka meng-
gunakan bahasa Perl, tetapi karena tuntutan zaman yang banyak
membutuhkan pemrograman dengan menggunakan bahasa Python
maka saya kembali mempelajari bahasa Python.
Buku ini lebih banyak menampilkan contoh-contoh yang saya
gunakan untuk mengingat-ingat hal-hal yang pernah saya kerjakan
atau untuk mencari ide ketika memecahkan masalah lain. Jadinya
buku ini seperti sebuah cookbook. Semoga pendekatan seperti ini
cocok juga untuk Anda.
Yang namanya catatan tentu saja sesuai dengan apa yang saya
lakukan. Basis saya menggunakan Linux. Jadi ada kemungkinan con-
toh yang tidak persis sama. Demikian pula cara saya menggunakan
(memprogram dengan) Python mungkin bukan cara yang paling
sempurna, tetapi mengikuti cara saya. (Apapun itu.)
Ketika buku ini ditulis, versi Python yang paling stabil adalah
versi 2.7 meskipun versi 3 juga sudah banyak digunakan orang. Ada
banyak bagian di dalam buku ini yang dituliskan untuk Python versi
2.7 kemungkinan harus disesuaikan untuk versi 3. Sebagai contoh,
print harus menggunakan tanda kurung. Namun secara prinsip
mestinya sebagian besar akan tetap sama.
Versi buku ini sudah menganjurkan untuk lebih condong ke
Python versi 3 karena pengembangan versi 2 sudah mulai dihen-
tikan. [Catatan: buku mulai ditulis akhir 2017.] Bagian-bagian yang
sudah terlanjur ditulis dengan menggunakan versi 2, sedikit demi
sedikit mulai diubah ke versi 3.
Selamat menikmati versi 0.94
Bandung, April 2024
Budi Rahardjo
1
Pendahuluan

Bahasa pemrograman Python mulai populer saat dikarenakan berba-

gai hal; mudah dipelajari, tersedia dan banyak library-nya. Nanti
akan kita bahas beberapa library Python ini. Lengkapnya library ini
juga yang menyebabkan Python dipergunakan di berbagai aplikasi.
Berbagai sekolah (dan perguruan tinggi) bahkan mengajarkan Python
sebagai pengantar pemrograman.
Bahasa Python dianggap agak “mudah” digunakan sehingga da-
pat diajarkan kepada orang-orang yang tidak memiliki latar belakang
pendidikan pemrograman. Jadi Python digunakan oleh orang-orang
di bidang Biologi sampai Bahasa. Manager-manager yang ingin be-
lajar statistik atau data science dapat menggunakan bahasa Python
ini. Alternatifnya adalah belajar menggunakan bahasa R, tetapi kalau
nanti ingin melakukan pemrograman untuk yang lainnya lagi harus
belajar bahasa pemrograman lagi. Daripada seperti itu, lebih baik
belajar satu bahasa saja. Pilihannya adalah bahasa Python.
Bahasa Python merupakan sebuah interpreted language berbeda
dengan bahasa C yang compiled. Pada bahasa yang compiled, kita
memiliki kode sumber (source code) yang harus dirakit (compile)
dahulu sampai menjadi kode mesin yang langsung dapat dieksekusi
pada komputer yang bersangkutan. Ketika algoritma salah, maka
kode sumber harus diperbaiki dahulu kemudian di-compile) sebelum
dapat dijalankan. Prosesnya menjadi agak panjang. Sementara itu
untuk bahasa yang interpreted, program langsung dieksekusi dari
kode sumbernya (tanpa perlu proses kompilasi). Dahulu program
yang compiled lebih cepat dalam eksekusinya karena tidak perlu
menerjemahkan baris perbaris ketika dijalankan, namun sekarang
perbedaannya sudah tipis.
Bahasa Python tersedia untuk berbagai sistem operasi; Windows,
Mac OS, dan berbagai variasi dari UNIX (Linux, *BSD, dan seterus-
nya). Di dalam buku ini saya akan menggunakan contoh-contoh
yang saya gunakan di komputer saya yang berbasis Linux Mint.
Meskipun seharusnya semuanya kompatibel dengan berbagai sistem
8 budi rahardjo

operasi, kemungkinan ada hal-hal yang agak berbeda. Jika hal itu
terjadi, gunakan internet untuk mencari jawabannya.

1.1 Instalasi

Python dapat diperoleh secara gratis dari berbagai sumber. Sumber

utamanya adalah di situs python.org. Untuk sementara ini bagian ini
saya serahkan kepada Anda. Ada terlalu banyak perubahan sehingga
bagian ini akan cepat kadaluwarsa. Untuk sistem berbasis sistem
operasi Microsoft Windows, biasanya instalasi Python menggun-
gankan Anaconda. (Informasi mengenai ini juga dapat dilihat pada
situs python.org.)
Untuk sistem operasi berbasis Linux dan Mac OS, Python sudah
terpasang sebagai bawaan dari sistem operasinya. Jika Anda ingin
memasang versi terbaru maka Anda harus memasangnya sendiri
dengan mengunduh instalasinya di python.org. Atau, jika Python
sudah terpasang di komputer Anda, maka Anda dapat melakukan
upgrade.

1.2 Python Tanpa Instalasi - Google Colab

Ada cara lain menggunakan Python adalah dengan menggunakan

layanan Google Colabs, yang mana kita diberikan akses ke sebuah
mesin virtual yang sudah terpasang Python. Python berada di cloud.
Untuk pendekatan ini kita tidak perlu memasang Python lagi. Lebih
mudah untuk belajar dan bahkan untuk membuat prototipe.
Bagi saya, sebagai seorang dosen, pemanfaatan Google Colab ini
sangat menarik karena siswa akan memiliki konfigurasi yang sama.
Seringkali kalau mengajar di kelas dengan komputer yang berbeda-
beda (beda sistem operasi, beda versi Python, letak instalasi, beda
versi dari library, dan seterusnya), waktu dan tenaga akan habis un-
tuk mengurusi hal-hal yang tidak jalan karena perbedaan tersebut.
Bagi Anda yang mengajar Python, saya sarankan untuk menggu-
nakan pendekatan dengan menggunakan Google Colab ini.
Buku ini akan diperbaharui dengan cara menggunakan Google
Colabs ini.
Layanan Google Colab dapat diakses dengan menggunakan
browser dan diarahkan ke alamat colab.research.google.com (atau
gunakan search engine untuk mencapai domain tersebu). Setelah
ditampilkan halaman depan, kita dapat membuka program baru
dengan membuka New Notebook atau membukan kodingan lama
kita yang sudah disimpan di akun Google Drive kita. Google colab
menyediakan sebuah komputer virtual yang dapat kita gunakan un-
tuk melakukan pemrograman dalam bahasa Python (yang dalam hal
 pemrograman python 9

Figure 1.1: Tampilan Google Colab

ini dapat kita pilih mau menggunakan versi 2 atau 3).

1.3 Memulai

Untuk memastikan Python berjalan, ketikkan “python” di terminal

Linux Anda. (Bagi yang menggunakan Windows, hal ini dapat di-
lakukan dengan menggunakan CMD.exe.) Catatan, di sistem Linux,
tanda “dollar” (atau persen) merupakan prompt dari shell Anda. Jan-
gan diketikkan. Di beberapa sistem yang memiliki instalasi Python 2
dan Pyhton 3 secara bersamaan, ada kemungkinan Anda harus
mengetikkan “python3” (perhatikan ada angka “3”). Di kemudian
hari, default dari perintah ‘python’ akan mengacu kepada versi 3.

$ python
Python 2.7.12 (default, Nov 20 2017, 18:23:56)
[GCC 5.4.0 20160609] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>>

Dari tampilan di atas dapat kita ketahui bahwa Python yang saya
gunakan adalah versi 2.7.121 . 1
Pada awal penulisan buku ini, versi
bahasa Python Yang stabil digunakan
adalah versi 2. Saat ini versi 3 meru-
% python3 pakan versi yang dianggap sebagai
Python 3.9.10 (main, Jan 15 2022, 11:40:53) versi stabil. Untuk itu buku ini sedikit
[Clang 13.0.0 (clang-1300.0.29.3)] on darwin demi sedikit akan diperbaharui dengan
menggunakan Python versi 3.
Type "help", "copyright", "credits" or "license" for more information.
>>>

Sekarang kita dapat memulai pemrograman Python dengan

menuliskan program “hello world” (yang merupakan standar bagi
belajar pemrograman). Ketikkan “print ...” (dan seterusnya seperti di
bawah ini).
10 budi rahardjo

print("Hello, world!")
Hello, world!

Python akan menampilkan apapun yang ada di antara tanda petik

tersebut. Hore! Selamat! Anda berhasil membuat program Python
yang pertama.
Ada beberapa cara untuk menjalankan Python. Pada contoh di
atas, kita menjalankannya secara langsung. Cara ini memang yang
paling cepat, tetapi ada banyak hal yang harus kita lakukan secara
manual. Sebagai contoh, jika kita ingin membuat sebuah block, maka
kita harus mengetikkan sendiri empat spasi untuk membuatnya
masuk. Jika ini tidak kita lakukan, maka dia akan “marah” dan
menampilkan pesan. Berikut ini contoh sesi yang salah.

$ python3
Python 3.5.2 (default, Nov 23 2017, 16:37:01)
[GCC 5.4.0 20160609] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> for i in range(10):
... print(i)
File "<stdin>", line 2
print(i)
^
IndentationError: expected an indented block
>>>

Pada contoh di atas, kesalahan terjadi karena kita tidak mem-

berikan spasi di depan perintah “print(i)”. Seharusnya kita melakukan
hal seperti ini. (Perhatikan spasi sebelum kata “print”.)

$ python3
Python 3.5.2 (default, Nov 23 2017, 16:37:01)
[GCC 5.4.0 20160609] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> for i in range(10):
... print(i)
...
0
1
2
3
4
5
6
7
8
 pemrograman python 11

9
>>>

Mari kita lanjutkan dengan membuat program yang lebih panjang.

Program Python dapat disimpan di dalam sebuah berkas untuk
kemudian dieksekusi belakangan. Buka editor kesukaan Anda dan
ketikkan program hello world di atas di dalam editor Anda tersebut.
Setelah itu simpan berkas tersebut dengan nama “hello.py”. Biasanya
berkas program Python ditandai dengan akhiran (extension) “.py”.
Setelah berkas tersebut tersedia, maka kita dapat menjalankan
Python dengan memberikan perintah python dan nama berkas terse-
but. Kata “Hello world” akan ditampilkan.

$ python hello.py
Hello, world!

Cara lain yang dapat dilakukan adalah dengan menggunakan pro-

gram IPython, yaitu interactive Python. Biasanya program IPython
ini belum terpasang di sistem operasi bawaan komputer Anda. Ting-
gal unduh dari ipython.org. (Perhatikan IPython ini sudah mengenal
syntax dari Python sehingga ketika kita mengetikkan for loop maka
dia akan memberikan spasi 4 buah sebagai indentation.)

$ ipython3
In [1]: print("Hello World")
Hello World

In [2]: for i in range(10):

...: print(i)
...:
0
1
2
3
4
5
6
7
8
9

In [3]:

Masih ada satu cara lain menjalankan program Python, yaitu

dengan menggunakan Jupyter. Yang ini akan kita bahas secara lebih
khusus.
12 budi rahardjo

Pada contoh-contoh di atas hasil print dicetak ke bawah. Bagaimana

jika kita ingin hasil cetaknya tidak turun ke bawah atau tanpa new-
line? Cara berikut ini - dengan menambahkan (end = " ") - dapat
digunakan:

for n in range(10):
print(n, end=" ")

Keluaran dari program di atas adalah cetakan yang ke kanan.

0 1 2 3 4 5 6 7 8 9

1.4 Shell atau IDE

Pemrograman Python dapat dilakukan dengan editor seperti yang

sudah ditunjukkan di atas dan kemudian menjalankannya secara
command line di shell, Cara lain yang lebih sering dilakukan orang
adalah menggunakan sebuah Integrated Development Editor (IDE)
untuk melakukan pemrogramannnya. Menjalankan kodenya dapat
dikomandokan dari IDE atau dari shell juga.
Ada beberapa IDE untuk Python, seperti misalnya IDLE. Yang
sekarang sedang naik daun adalah dengan menggunakan Jupyter
Notebook. Yang menarik dengan pendekatan ini adalah kita melakukan
dokumentasi dan pemrograman sekaligus di lingkungan tersebut.
Google Colab pun sesungguhnya menggunakan konsep Jupyter
Notebook ini tetapi membawanya ke lingkungan cloud. Nanti ini
akan kita bahas dengan lebih lanjut.

1.5 Bahasa Python

Tentang bahasa Python itu sendiri akan diperdalam pada versi

berikutnya. Sementara itu fitur tentang bahasa Python akan diba-
has sambil berjalan. Pendekatan ini saya ambil untuk membuat buku
menjadi lebih menarik dan lebih singkat. Belajar seperlunya. Mari
kita mulai.
Variabel di dalam Python langsung dapat digunakan tanpa melakukan
deklarasi sebelumnya. Pada bahasa pemrograman seperti C, variabel
harus dideklarasikan tipenya; apakah dia integer atau string. Con-
tohnya di bawah ini.
a = 7
b = 5
print(a,b)

Pada contoh di atas, variabel a dan b dibuat dan langsung diisi den-
gan angka (7 dan 5) dalam kasus ini. Kemudian kedua variabel terse-
but disampaikan sekaligus. Perhatikan bahwa dengan menggunakan
 pemrograman python 13

tanda koma (,) nilai dari kedua variabel tersebut ditampilkan dengan
spasi.

7 5

Berikut ini kita buat penampilan yang lebih “menarik” (untuk

Python3).

a = 7
b = 5
c = a + b
print ("a = ", a)
print ("b = ", b)
print ("a+b = ", c)

Keluaran dari Python3 adalah seperti ini:

a = 7
b = 5
a+b = 12

Hal yang sangat berbeda dari bahasa Python dengan bahasa pem-
rograman lainnya adalah masalah block dari kode. Bahasa pemro-
graman C misalnya menggunakan tanda kurung kurawal “{” untuk
menyatakan blok. Sementara itu Python menggunakan indentation
untuk menyatakan satu blok. Lihat contoh di bawah ini.

for i in range(5):
for j in range(3):
print(i,j)

Disarankan untuk menggunakan spasi sebanyak empat (4) buah

untuk indentation tersebut. (Ini membuat banyak perdebatan karena
ada banyak orang yang menggunakan tab bukan spasi.)
Mari kita buat contoh-contoh lain. Apa keluaran program di
bawah ini?

nama1 = "budi"
nama2 = "rahardjo"
nama3 = nama1 + nama2
print(nama3)

Perhatikan bahwa untuk variabel yang berjenis angka (integer)

maka operator tambah (+) akan menambahkan angkanya. Sementara
itu pada variabel yang berjenis string, operator (+) akan menyam-
bungkan (concatenate) variabel string tersebut. Ini merupakan ciri
dari sebuah bahasa yang berorientasi obyek (object oriented). Untuk
tipe data yang lainnya, operator tambah (+) kemungkinan juga akan
memiliki perilaku yang berbeda.
14 budi rahardjo

Mari kembali ke data yang berbentuk angka. Apa keluaran dari

program di bawah ini?

a = 7
b = 5
c = a/b
print(c)

Keluarannya adalah nilai “1.4”. Jenis atau tipe data dari “a” dan
“c” adalah berbeda. Tipe data “a” adalah integer, sementara itu tipe
data “c” adalah floating point.

>>> a=7
>>> type(a)
<class ’int’>
>>> b=5
>>> c=a/b
>>> type(c)
<class ’float’>

Bolehkah kita mencampurkan tipe data yang berbeda? Mari kita

lanjutkan dengan contoh di atas.

d = a+c
print(d)

Keluaran dari kode di atas adalah “8.4”. Artinya pencampuran tipe

data yang berbeda (dalam hal ini adalah integer dan float) dapat di-
lakukan. Hasilnya adalah bilangan float. Hal ini menunjukkan bahwa
bahasa Python dapat dibuat tidak strict. Bahasa pemrograman lain -
misalnya Java (dan umumnya bahasa pemrograman yang berorien-
tasi obyek) - sangat ketat dalam hal ini.

1.6 Kompleksitas

Pada bagian sebelumnya kebetulan sempat disinggung tentang loop,

maka pada bagian ini pembahasannya sedikit melebar ke aspek
Kompleksitas (dari subuah algoritme). Ini memang lebih berbau
aspek teoritis dari ilmu komputer.
Ketika seseorang mengembangkan atau menggunakan sebuah
algoritme untuk mengimplementasikan programnya, maka ada satu
hal yang perlu diperhatikan yaitu kompleksitas. Singkatnya, kom-
pleksitas itu menunjukkan seberapa besar sumber daya yang akan
digunakan (dibutuhkan) untuk menjalankan algoritme tersebut se-
bagai sebuah fungsi dari jumlah data yang diproses. Sebagai contoh,
sebuah aplikasi mungkin berjalan dengan baik ketika jumlah datanya
hanya 100, tetapi kemudian menjadi sangat lambat atau bahkan tidak
 pemrograman python 15

jalan ketika jumlah datanya 1000 atau lebih. Nah jumlah data terse-
but (100 atau 1000) merupakan sebuah paramter yang menjadi fungsi
dari sumber daya yang digunakan. Biasanya ini kita sebut n. Kom-
pleksitas kemudian menjukkan seberapa besar sumber daya sebagai
fungsi dari n itu.
Ada algoritme yang lama komputasinya bergantung liner ter-
hadap jumlah data (n) itu. Jadi misalnya untuk 100 data dibutuhkan
100 detik, maka untuk 1000 data dibutuhkan waktu 1000 detik.
Bagaimana jika jumlah datanya 10000? Maka dapat diperkirakan
waktu yang dibutuhkan adalah 10000 detik. Kompleksitas yang
sepert ini disebuh O(n).
Ada juga algoritme yang lama perhitungannya berbanding kuadratis
(pangkat dua) terhadap jumlah datanya. Kompleksitas yang model
seperti ini disebut O(n2 )

n=1000
import time

start_time = time.time()
a = 0
for x in range(n):
a = a + 0
_
end time = time.time()
elapsed = end_time - start_time
print("elapsed %s seconds ..." % elapsed)

Contoh kode di atas menunjukkan sebuah loop dengan 1000 kali

putaran. Jumlah loop ditentukan oleh variabel n, yang pada contoh
di atas diisi 1000. Di dalam setiap loop ada perintah dummy, yaitu
variabel a ditambah dengan bilangan nol. Ini hanya sekedar untuk
menunjukkan beban komputasi penjumlahan. Tentu saja di dalam
dunia nyata, komputasiny lebih berat.
Jika program tersebut dijalankan maka dia akan menghasilkan
waktu eksekusi sebanyak 4, 5538 × 10−5 detik. Angka tepatnya tentu
saja bergantung kepada komputer yang digunakan. Ini hanya seba-
gai contoh saja, yang kebetulan diambil dari laptop saya.
Sekarang mari kita tambahkan loop di dalamnya sehingga ko-
denya menjadi seperti berikut.

n=1000
import time

start_time = time.time()
a = 0
for x in range(n):
16 budi rahardjo

for y in range(n):
a = a + 0
_
end time = time.time()
elapsed = end_time - start_time
print("elapsed %s seconds ..." % elapsed)

Pada prinsipnya, kita menambahkan sebuah loop lagi di dalam

loop sebelumnya. Jadi di dalam loop yang x, kita menambahkan loop
y yang jumlah loop-nya juga sama (n). Jika kode ini dijalankan maka
dihasilkan keluaran waktu 0, 05148 detik, atau 5, 418 × 10−2 . Per-
hatikan bahwa waktu yang dibutuhkan untuk mengeksekusi ini 1000
kali lebih besar (lebih lambat) dari waktu sebelumnya. Kompleksitas
dari algoritme ini menjadi O(n2 ).
Mari kita tambahkan satu loop lagi di dalam loop y sehingga
kodenya menjadi seperti berikut.

n=1000
import time

start_time = time.time()
a = 0
for x in range(n):
for y in range(n):
for z in range(n):
a = a + 0
end_time = time.time()
elapsed = end_time - start_time
print("elapsed %s seconds ..." % elapsed)

Seperti sebelumnya, kode ini kita jalankan juga. Hasilnya adalah

51, 1767 detik. Atau 5, 11767 × 10. Perhatikan bahwa ini 1000 kali
lebih lambat dari sebelumnya dan 1 juta kali lebih lambat dari loop
yang pertama kali (yang hanya ada x). Kompleksitas dari algoritme
ini adalah O(n3 ).
Anda boleh mencoba menggantikan angka variabel n tadi den-
gan 10000. Namun perlu diingat bahwa waktu yang dibutuhkan
untuk menjalankan kode tersebut menjadi sangat lama. Jika Anda
tertarik, coba jalankan. Berapa detik waktu yang dibutuhkan untuk
menjalankan itu?
Apa yang kita bahas ini adalah kompleksitas yang dikaitkan den-
gan lamanya (waktu) eksekusi. Ada juga kompleksitas yang terkait
dengan besarnya memori yang dibutuhkan (untuk memproses data).
Ini merupakan bahasan yang lebih kompleks, tetapi prinsipnya sama.
 pemrograman python 17

1.7 List

Python memiliki struktur data list, yang sama dengan array (larik)
di bahasa pemrograman lainnya. Untuk membuat list kita menggu-
nakan tanda siku kotak. Contoh berikut ini menunjukkan penggu-
naan struktur data list.

# contoh list di Python

daftar = [7, 1, 5, 3, 2, 4, 6, 8, 3, 5]
print(daftar)
print("list memiliki", len(daftar), "elemen")

# akses elemen yang pertama (dengan indeks 0)

print("daftar[0] =", daftar[0])

# akses ke elemen terakhir

print("terakhir =", daftar[-1])

# menambahkan data ke list

daftar = daftar + [7, 9]
print(daftar)

Keluaran dari kode di atas adalah sebagai berikut. Perhatikan

baris terakhir adalah karena penambahan dua elemen baru di list.

[7, 1, 5, 3, 2, 4, 6, 8, 3, 5]
list memiliki 10 elemen
daftar[0] = 7
[7, 1, 5, 3, 2, 4, 6, 8, 3, 5, 7, 9]

Ada banyak hal yang dapat kita lakukan dengan menggunakan

struktur data list ini. Kita dapat menghapus (delete,remove) elemen
di daftar tersebut. Kita juga dapat memotong (cut) elemen yang be-
rada di tengah-tengah. Selain itu juga kita dapat menghitung berapa
kemunculan sebuah nilai tertentu pada list tersebut.

del daftar[3]
print(daftar)
[7, 1, 5, 2, 4, 6, 8, 3, 5, 7, 9]

Untuk menghapus elemen terakhir kita juga dapat menggunakan

cara lain, yaitu dengan menggunakan perintah pop.

daftar.pop()
print(daftar)
[7, 1, 5, 2, 4, 6, 8, 3, 5, 7]
18 budi rahardjo

Untuk mengurutkan list dapat digunakan perintah sorted. Jika

kita ingin menggantikannya (in place), maka dapat kita gunakan
perintah list.sort(). (Catatan, dengan menggunakan perintah yang
terakhir tersebut, isi variable yang lama akan tergantikan dengan
yang sudah terurut.)

urut = sorted(daftar)
print(urut)

List juga dapat digunakan untuk tipe data lain, bukan hanya
angka. Sebagai contoh, kita dapat membuat list dari kata (yang
menggunakan tipe data string.) Perhatikan bahwa kita dapat meng-
gunakan huruf kecil dan besar.

people = ["budi", "cecep", "rudi", "ani", "BUDI", "rahardjo", "zoro"]

print(people)

[’budi’, ’cecep’, ’rudi’, ’ani’, ’BUDI’, ’rahardjo’, ’zoro’]

Seperti contoh sebelumnya, list ini juga dapat diurutkan. Berikut

ini contoh untuk mengurutkan dengan urutan terbalik. Perhatikan
adanya pilihan “reverse=True” ketika kita memanggil fungsi sorted.

people_sorted = sorted(people, reverse=True)

print(people_sorted)

[’zoro’, ’rudi’, ’rahardjo’, ’cecep’, ’budi’, ’ani’, ’BUDI’]

Sekarang kita akan mengubah semua huruf di dalam list terse-

but menjadi huruf kecil. Untuk ini kita akan menggunakan sebuah
fungsi yang kita buat sendiri. (Pembahasan tentang fungsi akan ada
di tempat lain. Saat ini kita pakai saja tanpa perlu teori.)

def all_lower(my_list):
return [x.lower() for x in my_list]
print(all_lower(people))

[’budi’, ’cecep’, ’rudi’, ’ani’, ’budi’, ’rahardjo’, ’zoro’]

Bagaimana jika kita ingin membuat huruf awal dari setiap nama
(kata) memiliki huruf besar? Ini caranya.

people_lower = [x.lower() for x in people]

people_cap = [x.capitalize() for x in people_lower]
print(people_cap)

[’Budi’, ’Cecep’, ’Rudi’, ’Ani’, ’Budi’, ’Rahardjo’, ’Zoro’]

 pemrograman python 19

1.8 Input

Salah satu cara untuk mendapatkan masukan (input) dari pengguna

secara interaktif adalah dengan menggunakan fungsi "input". Apa
yang Anda ketikkan akan dimasukkan ke dalam variabel sebagai
string (teks). Jika Anda ingin mengubahnya menjadi angka, maka
Anda harus melakukan hal ini secara eksplisit.

nama = input("Masukkan nama Anda: ")

print("Selamat pagi,", nama)

Perhatikan bahwa kita menggunakan variabel "nama" untuk

menyimpan masukan dari pengguna. Variabel "nama" tersebut mem-
punyai tipe string. Python mengenali secara otomatis.
Mari kita coba tampilkan huruf-huruf yang ada di dalam variabel
"nama" tersebut.

# for loop bisa menggunakan elemen dari string

# tidak harus indeks angka
for i in nama:
print i

Kita juga dapat membuat statistik kemunculan huruf dari nama

(atau teks) yang dimasukkan oleh pengguna. Statistik ini dapat di-
manfaatkan untuk proses enkripsi, misalnya. Gunakan program
"input" di atas, dan gabungkan dengan kode berikut ini.

# associative array: hitung jumlah huruf dan spasi

huruf = {} # inisialisasi
for key in nama:
if key in huruf:
huruf[key] += 1
else:
huruf[key]=1
# tampilkan hasil python 2.7
# sorted() agar key-nya diurutkan
# for python 3.* use this: for key, value in d.items():
for key, value in sorted(huruf.iteritems()):
print key, value

Contoh program di atas menggunakan associative array atau dalam

Python disebut dictionary. Pada prinsipnya ini adalah array tetapi
dengan menggunakan immutable object seperti string sebagai indeks
atau kuncinya.
Pada contoh tersebut, spasi (space) masih dianggap sebagai huruf.
Coba ubah sehingga spasi tidak dimasukkan sebagai indeks.
20 budi rahardjo

Jika kita ingin data yang dimasukkan adalah berbentuk angka,

integer misalnya, maka perlu dilakukan konversi secara eksplisit.
Contoh berikut ini dapat menunjukkan hal tersebut.

a = input("a = ")
b = input("b = ")
c = a+b

print("c =", c)
print(int(a)+int(b))

1.9 Pemrosesan Teks

Salah satu manfaat utama dari bahasa pemrograman seperti Python

adalah kemampuannya dalam memproses teks (text processing). Ba-
hasa pemrograman lainnya, seperti C, tentu saja dapat digunakan
untuk melakukan pemrosesan teks. Namun bahasa C lebih "sulit"
digunakan karena ada banyak hal yang harus kita ketahui dari awal.

# text processing
# memecah kalimat menjadi kata-kata
kalimat = raw_input("Masukkan kalimat yang cukup panjang.\n")
# pisahkan menjadi kata
kata = kalimat.split()
for k in kata:
print(k)

Contoh singkat di atas menunjukkan cara memecahkan kalimat

menjadi kata-kata. Sebagai catatan, kalimat yang dimaksudkan di-
akhiri dengan return. Untuk memproses kalimat yang lebih panjang
dan memiliki return harus dilakukan perbaikan. Coba kembangkan
program yang dapat menerima masukan dari sebuah berkas.
Dengan menggunakan ide pada bagian sebelumnya, kita dapat
menghitung jumlah kemunculan kata tertentu dalam sebuah kalimat.
(Perhatikan bahwa "kata" di sini bersifat case sensitive. Agar dia tidak
bergantung kepada huruf besar dan kecil, semua huruf harus diubah
dahulu ke huruf kecil.)
Program ini juga dapat menjadi basis dari sebuah sistem untuk
menganalisis sentimen seseorang di media sosial. Pikirkan algorit-
manya untuk melakukan hal tersebut.

1.10 Membaca Berkas: topic generator

Salah satu kegunaan utama bahasa scripting seperti Python adalah

untuk memproses sebuah berkas. Kata-kata atau data dalam berkas
 pemrograman python 21

tersebut dapat diproses seperti telah diuraikan pada bagian sebelum-

nya.
Pada bagian ini kita akan melihat bagaimana membaca sebuah
berkas teks. Agar lebih menarik, kita akan melakukannya dalam
konteks sebuah aplikasi, yaitu “topic generator”. Singkatnya aplikasi
ini digunakan untuk mengusulkan sebuah topik yang dapat Anda
bahas ketika Anda ingin menulis untuk sebuah blog (atau bahkan
vlog). Jika dijalankan, dia akan memberikan sebuah topik kepada
Anda. Sihir? Magic? Smart?
Sesungguhnya aplikasi ini hanya membaca sebuah berkas yang
berisi daftar topik-topik yang kita tulisakan sebelumnya. Kemudian
dia akan memilih (secara random) salah satu dari topik tersebut. Jadi
aplikasinya sangat sederhana.
Berkas yang akan dibaca adalah sebuah berkas teks yang memiliki
format sebagai berikut. Topik dan topik selanjutnya dipisahkan oleh
baris yang berisi dua garis-garis (“—”). Contoh isi dari berkas “top-
ics.txt” adalah seperti ini. Agar lebih fleksibel, topik dapat lebih dari
satu baris.

Ceritakan tentang sepatu Anda

--
Buku apa yang paling Anda sukai
--
Binatang apa yang paling Anda sukai
--
Ceritakan tentang pengalaman yang paling menyedihkan
ketika Anda sekolah
--
Buku (film) apa yang paling berkesan untuk Anda
--

Ada banyak cara untuk membaca berkas teks seperti itu. Untuk
berkas yang ukurannya kecil, kita dapat membaca keseluruhan
berkas dalam satu perintah. Ini biasanya dikenal dengan istilah
“slurp”. Ada pro dan kontra soal itu. Ada sebuah artikel yang men-
gatakan bahwa kalau kita melakukan slurping, maka memori akan
digunakan untuk data (betul) dan pembacaan akan membutuhkan
waktu yang lebih lama2 . 2
Saya baru tahu ini ketika menulis
Kode untuk membaca berkas di atas, menyimpan topk dalam ben- buku ini. Link menyusul.

tuk list, dan menampilkan salah satu topik tersebut secara random
adalah sebagai berikut3 . 3
Kode ini ada di
https://github.com/rahard/BRcoding
topicfile = "topics.txt"

# kata orang jangan di-slurp tapi dibaca perbaris seperti ini

22 budi rahardjo

with open(topicfile, ’r+’) as f:

count = 1
topic=’’
topics=[]
for line in f:
if (line == "--\n"):
#print(’{:>6} {}’.format(count, topic))
topics.append(topic)
topic=’’
count += 1
else:
if (topic != ’’):
# append to previous line with a space
topic = topic + ’ ’ + line[:-1]
else:
topic = topic + line[:-1]

# rangkuman
print("There are", len(topics), "topics")

# pilih sebuah topik secara random

import random
n = random.randint(0,len(topics)-1)
print(n, topics[n])

Kode ini dapat dijalankan dari CLI dan akan memilihkan salah
satu topik secara random. Pada pembahasan yang lain, kita akan
menggunakan kode ini dan menempatkannya dalam sebuah web
dalam bentuk API.

1.11 Python3

Bagaimana caranya agar kita dapat menggunakan Python3 sebagai

default dari Python?4 Cara yang paling mudah adalah dengan meng- 4
Bagian ini masih ada karena ketika
gunakan fitur alias di shell (jika Anda menggunakan variasi dari buku ini ditulis, Python yang digu-
nakan adalah versi 2. Jika nanti Python
UNIX). versi 2 sudah benar-benar dianggap
tidak ada dan umumnya orang sudah
alias python=python3 menggunakan versi 3, maka bagian ini
akan dihilangkan.
Jika Anda ingin membuat ini menjadi permanen dan Anda meng-
gunakan bash sebagai shell Anda, letakkan alias tersebut pada berkas
“.bashrc” pada home directory Anda (atau pada berkas “.bash_aliases”).
Jika Anda menyimpannya di dalam berkas tersebut, maka perubahan
baru akan terjadi jika Anda membuat sesi shell baru atau Anda lo-
gout dan login kembali. Jika Anda ingin langsung aktif, bisa juga
berkas tersebut di-source.
 pemrograman python 23

source ~/.bashrc

Untuk memasang modul-modul di Python3 dapat dilakukan den-

gan cara memanggil python3 secara eksplisit. Sebagai contoh, untuk
memasang modul “numpy” pada (dengan) python3 adalah sebagai
berikut.

python3 -m pip install numpy

Sebagai catatan ada banyak cara untuk memasang modul Python,

tetapi cara di atas yang paling konsisten bagi saya.
2
Koding Tingkat Medium

Pada bagian ini akan dibahas berbagai pemrograman Python yang

lebih advanced. Sebetulnya yang akan dibahas adalah contoh-contoh
kode Python dengan menggunakan berbagai paket yang tersedia.

2.1 Argumen CLI

Seringkali kita harus membuat sebuah program dalam bentuk com-

mand line interface (CLI) yang kemudian membaca argumen yang
diberikan. Misalnya kita ingin program kita memproses sebuah
berkas yang namanya kita berikan di command line.

$ program filename.pdf

Apa yang kita berikan kepada program di atas disebut argument.

Pada contoh di atas, argument-nya adalah “filename.pdf”. Program
kita harus dapat membaca argument yang kita berikan kepada pro-
gram tersebut. Bagaimana caranya? Ada banyak caranya. Salah
satunya dicontohkan pada contoh berikut ini.

# contoh parsing argumen yang diberikan kepada program

# beri nama skrip ini cli-args.py
# cara menjalankan:
# python3 cli-args.py opsi1 opsi2 opsi3
# opsi bisa banyak

import sys
# periksa jumlah argumennya

numberargs = len(sys.argv)
# tanpa argumen, hasilnya akan 0 (nol)
# nama skrip adalah sys.argv[0]

# print argumen yang diberikan

26 budi rahardjo

for i in range(numberargs):
print(i, sys.argv[i])

Dari contoh tersebut, Anda dapat mengembangkan hal-hal yang

lain. Misalnya Anda ingin memastikan bahwa program Anda men-
dapatkan argument dalam jumlah yang cukup (misalnya harus 3).
Jika argumen yang diberikan kurang, maka dia akan memberikan
petunjuk cara penggunaan skrip (program) kita dan kemudian keluar
(dengan exit). (Catatan: biasanya exit memiliki nilai tidak nol kalau
ada kesalahan. Kalau keluar normal, angkanya nol.)

if (numberargs) < 4:
print("Usage: " + sys.argv[0] + " data1 data2 data3")
exit(1)

2.2 Numpy

Numpy adalah paket python untuk berbagai aplikasi scientific. Di

dalamnya ada N-dimensional object, linear algebra, Fourier transform,
dan seterusnya. Sebagai contoh, jika kita ingin membangkitkan bilan-
gan random dengan distribusi tertentu (uniform atau normal), maka
kita dapat menggunakan paket Numpy ini. Biasanya paket Numpy
ini sudah terpasang ketika kita memasang Python, tetapi jika belum
terpasang maka modul Numpy ini dapat kita pasang sendiri.

$ sudo pip install numpy

Contoh-contoh penggunaan paket Numpy akan digabungkan

dengan bagian lain. Berikut ini adalah contoh sederhana penggunaan
dari Numpy. Contoh pertama adalah dalam hal matriks.

>>> import numpy as np

>>> a = np.arange(15).reshape(3, 5)
>>> a
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])

Berikut adalah contoh operasional matriks dengan menggunakan

numpy. Pertama, kita dapat membuat matriks a dan b kemudian
menjumlahkan dan mengalikan matriks tersebut.

   
1 2 3 3 3 3
A = 4 5 6 B = 5 5 5 C = A+B D = A×B
   
7 8 9 5 3 1
 pemrograman python 27

import numpy as np
a = np.array([[1,2,3],[4,5,6],[7,8,9]])
print(a)
b = np.array([[3,3,3],[5,5,5],[5,3,1]])
print(b)
c = a+b
print(c)
d = np.matmul(a, b)
print(d)

Keluaran dari perintah di atas adalah seperti ini. Pertama-tama

ditampilkan matriks a dan b, kemudian operasi penambahan dan
perkalian. Perhatikan bahwa operasi perkalian matriks menggunakan
fungsi matmul.

[1 2 3]
[4 5 6]
[7 8 9]]

[[3 3 3]
[5 5 5]
[5 3 1]]

[[ 4 5 6]
[ 9 10 11]
[12 11 10]]

[[ 28 22 16]
[ 67 55 43]
[106 88 70]]

Contoh-contoh di atas hanya sekedar ilustrasi bagaimana kita

menggunakan modul Numpy. Secara umum, jika ada pemrosesan
data yang multi dimensional dan seringkali terkait dengan operasi
matematika, maka Numpy sangat bermanfaat.
Mari kita gunakan Numpy lagi untuk beberapa contoh. Kali ini
kita akan menggunakan Numpy untuk statistik. Berikut ini contoh
untuk menghasilkan 20 bilangan bulat secara acak dengan rentang
dari 50 sampai dengan 99 (misal ini adalah berat badan).

import numpy as np
berat = np.random.randint(low=50, high=100, size=20)
print(berat)

[98 84 72 57 61 98 60 96 75 86 95 81 62 77 67 52 73 96 95 71]
28 budi rahardjo

Data di atas dapat disimpan dalam berkas untuk digunakan

dalam proses lain. Numpy memiliki fungsi untuk menyipan data
tersebut. Sebagai contoh, jika kita ingin menyimpan data tersebut
dalam berkas ‘berat.csv’ maka dapat dilakukan seperti berikut. Per-
hatikan bahwa perinta ‘fmt’ digunakan untuk memformat data seba-
gai bilangan bulat (integer).

np.savetxt("berat.csv", berat, fmt=’%i’)

Data tersebut di kemudian hari dapat dibaca dengan menggu-

nakan perintah seperti contoh berikut. (Sebagai catatan kita sudah
tahu bahwa data di dalam berkas ‘berat.csv’ tersebut tercatat masing-
masing dalam satu baris. Jika satu baris memiliki lebih dari satu data
yang dipisahkan oleh tanda koma, maka kita dapat menggunakan
perintah tambahan delimiter=’,’)

from numpy import genfromtxt

my_data = genfromtxt(’berat.csv’)
print(my_data)

2.3 Matlplotlib

Salah satu aplikasi yang cukup sering dibutuhkan ketika kita mem-
buat program untuk keperluan penelitian adalah membuat grafik
(plot). Salah satu library yang baik untuk digunakan adalah mat-
plotlib. Pada sistem Linux, paket ini membutuhkan paket lain, yaitu
python-tk. Untuk itu python-tk ini harus dipasang dulu. Di bawah
ini adalah contoh pemasangan python-tk di sistem Linux (berbasis
Debian) dengan menggunakan perintah apt-get.

$ sudo apt-get install python-tk

$ sudo pip install matplotlib

Berikut ini adalah contoh sederhana penggunaan Numpy dan

Matlplotlib. Pada contoh ini kita akan melakukan plot sebuah grafik
sederhana dari sebuah dataset. Langkah pertama dalam menggu-
nakan matplotlib adalah melakukan proses import seperti halnya di
Numpy. Yang ingin kita gunakan adalah fungsi-fungsi dari pyplot.
Ini kita persingkat dengan menggunakan plt.

import matplotlib.pyplot as plt

x1 = [1, 2, 3, 4, 5]
y1 = [2, 4, 6, 8, 10]
plt.plot(x1, y1, c=’blue’, label=’Dataset 1’)
plt.legend()
plt.show()
 pemrograman python 29

Contoh di atas akan menghasilkan sebuah grafik plot sebagaimana

ditampilkan pada 2.1. Kita dapat juga mengubah grafik menjadi
scatter plot dengan mengubah perintah plt.plot menjadi plt.scatter.
Silahkan dicoba.

Figure 2.1: Contoh sederhana dari

Matplotlib

Matplotlib dapat digunakan untuk menampilkan beberapa dataset

sekaligus. Berikut ini contoh untuk menampilkan dua dataset sekali-
gus. Pada contoh ini kita menggunakan scatter plot. Tentu saja ini
dapat juga digantikan dengan line plot sebagaimana ada dalam con-
toh sebelumnya. Hasilnya ditampilkan pada gambar 2.2.

import matplotlib.pyplot as plt

# dataset pertama
x1 = [1, 2, 3, 4, 5]
y1 = [2, 4, 6, 8, 10]
# dataset kedua
x2 = [1, 2, 3, 4, 5]
y2 = [3, 1, 7, 5, 6]

plt.scatter(x1, y1, c=’blue’, label=’Dataset 1’)

plt.scatter(x2, y2, c=’red’, label=’Dataset 2’)
plt.legend()
plt.show()
30 budi rahardjo

Figure 2.2: Menampilkan Dua Dataset

Pada contoh selanjutnya kita akan membuat data random se-

banyak 200 buah dengan distribusi Normal dengan mean (loc) di 75.
(Jika pilihan ‘loc’ tidak disebutkan, maka mean yang akan digunakan
adalah 0.0.) Data tersebut kita plot dengan pilihan histogram. Ada
banyak pilihan, misalkan kita dapat plot dengan bins dalam rentang
antara 50 dan 101.

import numpy as np
import matplotlib.pyplot as plt

berat = np.random.normal(loc=75, scale=10, size=200)

# plt.hist(berat)
plt.hist(berat, bins=range(50, 101), align=’left’)
plt.xlabel(’Berat’)
plt.ylabel(’Jumlah orang’)
plt.show()

Contoh dari tampilan kode di atas dapat dilihat pada Gambar 2.3.
Gambar ini sangat sederhana dan dapat dimodifikasi tapilannya,
warna, legend, label, dan seterusnya. Untuk melihat pilihan-pilihan
apa saja yang tersedia dapat dilakukan dengan membaca dokumen-
tasi dan melihat contoh-contoh. Misal, jika kita ingin mengganti
warna dari bar chart tersebut menjadi warna merah, tambahkan
"Color=’Red’" pada baris yang dimulai dengan plt.hist.
 pemrograman python 31

Figure 2.3: Contoh Random Data dan

Tampilan Grafik

Berikut ini adalah sebuah contoh penggunaan Matplotlib dan

Numpy. Pada contoh ini kita akan membuat kumpulan data yang
memiliki karakteristik “sekitar” persamaan Y = Ax + b. Untuk itu
perlu dihasilkan data yang sudah ditambahi atau dikurangi dengan
angka random (yang dibuat dengan menggunakan Numpy). (Kode
ini diambil dari buku “Getting Started with Tensorflow”1 .) Hasilnya 1
Giancarlo Zaccone. Getting Started with
dapat dilihat pada gambar 2.4 Tensorflow. Packt Publishing, 2016

import numpy as np
import matplotlib.pyplot as plt

# persamaan y = a*x + b
a = 0.25
b = 0.75
jumlah_titik = 300

# buat dua list yang masih kosong

x_point = []
y_point = []

for i in range(jumlah_titik):
x = np.random.normal(0.0,0.4)
y = a*x + b + np.random.normal(0.0,0.1)
x_point.append([x])
32 budi rahardjo

y_point.append([y])

plt.plot(x_point,y_point,’o’,label=’Random Data’)
plt.legend()
plt.show()

Figure 2.4: Contoh Pembangkitan

Random Data

Jika kode di atas ingin dijalankan di dalam Jupyter Notebook, maka

baris pertama perlu ditambahkan ini:

%matplotlib notebook

Data (x dan y) pada contoh di atas dapat disimpan (diekspor)

ke berkas dalam format CSV (comma separated value) dengan menggu-
nakan Numpy seperti contoh di bawah ini. Berkas “linear-regression.csv”
disimpan pada direktori dimana kode ini dijalankan. Variabel x_point
dan y_point akan dimasukkan ke berkas tersebut dengan format
yang didefinisikan dalam fmt. Pada contoh di bawah ini format yang
akan digunakan adalah floating point dengan 5 digit di belakang
koma. Variabel tersebut dipisahkan dengan menggunakan koma (,)
sebagaimana dijabarkan dalam delimiter.

np.savetxt("linear-regression.csv", np.column_stack([x_point, y_point]), fmt=’%.5f’, delimiter=’, ’)

Data di atas dapat dibaca kembali dari berkas CSV dan dilakukan
perhitungan (linear regression) untuk mencari faktor gradient (faktor
 pemrograman python 33

A) dan b dalam persamaan Y = a ∗ x + b. Perhitungan ini membu-

tuhkan modul Scipy yang harus dipasang secara terpisah. (Gunakan
pip untuk memasang modul scipy itu.)

#read CSV of data and calculate a and b

# y = ax + b
import numpy as np
# do not forget to install scipy first: python3 -m pip install scipy
from scipy import stats

my_csv = np.genfromtxt(’linear-regression.csv’, delimiter=’,’)

xp, yp = my_csv.transpose()
gradient,intercept,r_value,p_value,std_err=stats.linregress(xp,yp)
print("Gradient and intercept",gradient,intercept)
print("R-squared",r_value**2)
print("p-value",p_value)

Jika diperlukan, data tersebut dapat ditampilkan ulang dan garis

(lurus) dapat digambarkan pula.
Berikut ini adalah contoh lain untuk membuat dataset, menggu-
nakan fungsi, dan juga menampilkannya dalam grafik (scattered
plot). Dalam contoh ini kita akan membuat sebuah dataset yang
terdiri dari 3 kelas. Masing-masing kelas memiliki titik pusat (cen-
troid) yang berbeda. Semua data dimasukkan ke dalam satu list yang
sama. Pura-puranya kita tidak tahu bahwa kita memiliki tiga kelas.
(Nanti ini akan kita proses secara statistik untuk menentukan kelas
tersebut.)

import numpy as np
import matplotlib.pyplot as plt

# buat function dulu

def buat_list(cx,cy):
x_point.append([cx])
y_point.append([cy])
for i in range(jumlah_data):
x = cx + np.random.normal(0.0,0.7)
y = cy + np.random.normal(0.0,0.7)
x_point.append([x])
y_point.append([y])

jumlah_data=100
x_point = []
y_point = []
# cluster pertama, centroid di (10, 4,5)
34 budi rahardjo

buat_list(10.0, 4.5)
# cluster kedua, centroid di (3.5, 2.5)
buat_list(3.5, 2.5)
# cluster ketiga, centroid di (4.5, 8.5)
buat_list(4.5, 8.5)
# simpan dalam bentuk CSV
np.savetxt("cluster.csv", np.column_stack([x_point, y_point]), fmt=’%.5f’, delimiter=’, ’)

plt.plot(x_point,y_point, ’x’)
plt.show()

Jika kode di atas kita jalankan, maka hasilnya adalah sebuah

tampilan seperti yang ditunjukkan pada gambar 2.5. Pada gambar
ini, semua data ditampilkan seperti satu kelas saja dan semua dita-
mpilkan menggunakan simbol x. Padahal dengan mudahnya kita
dapat melihat bahwa data tersebut terdiri dari tiga kelas.

Figure 2.5: Tiga cluster data

Kode di atas juga menunjukkan cara menggunakan fungsi di

Python dan bagaimana memberikan parameter kepada fungsi terse-
but. Ini adalah contoh, pass by value, yang mana nilai dari centroid
diberikan ke fungsi dan akan mengisi variabel cx dan cy di dalam
fungsi tersebut. Nanti akan dibahas juga bagaimana melakukan pass
by reference. Juga dalam contoh ini, beberapa variabel masih meng-
 pemrograman python 35

gunakan variabel global, yang mana ini adalah contoh yang kurang
baik.

2.4 Pandas

Pandas adalah library untuk data processing. Dia banyak digunakan

untuk berbagai aplikasi, seperti misalnya di Artificial Intelligence (AI)
atau Machine Learning, statistik, dan operasi yang melibatkan banyak
data dalam bentuk tabel. Bayangkan ini seperti menggunakan spread-
sheet (seperti Excel).
Langkah pertama yang dilakukan adalah memasang Pandas. Jika
Anda menggunakan Python3, maka gunakan perintah berikut.

$ sudo python3 -m pip install pandas

Setelah Pandas terpasang, mari kita coba membuat sebuat Se-

ries. Kali ini dia berisi data bilangan dan NaN. Pandas akan secara
otomatis membuat indeks dari data tersebut (dengan index bilangan
integer)2 . 2
Contoh lain dapat dilihat di
https://pandas.pydata.org/pandas-
import pandas as pd docs/stable/10min.html

import numpy as np
import matplotlib.pyplot as plt

# create series
ser = pd.Series([1,3,5,7,np.nan,9,11])
print(ser)

Hasilnya adalah sebagai berikut. Perhatikan bentuk keluarannya

yang seperti tabel dalam spreadsheet.

0 1.0
1 3.0
2 5.0
3 7.0
4 NaN
5 9.0
6 11.0
dtype: float64

Pandas dapat membaca data dalam bentuk CSV. Berikut ini adalah
contoh kode yang membaca data dari berkas ’cluster.csv’ (yang se-
belumnya pernah kita buat).

import pandas as pd
df = pd.read_csv(’cluster.csv’, header=None)
# tambahkan label di kolomnya (tidak harus)
36 budi rahardjo

df.columns = [’x’, ’y’]

print(df)

Mari kita lanjutkan contoh penggunaan Pandas untuk melakukan

analisis statistik, yaitu clustering dengan menggunakan k-means.
(Mengenai statistik ini ada dibahas di buku lain. Akan saya berikan
referensinya di versi berikutnya.) Pada contoh sebelumnya kita mem-
baca berkas cluster.csv yang di dalamnya berisi data yang terkumpul
dalam tiga cluster. Kita ulangi lagi kodenya, akan tetapi sekarang kita
tambahkan visualisasi (scattered graph) yang dapat dilakukan den-
gan menggunakan Pandasa. (Catatan: pada bagian akhir dibutuhkan
perintah plt.show() agar grafik dapat ditampilkan.)

import pandas as pd
import matplotlib.pyplot as plt

# baca data dahulu

df = pd.read_csv(’cluster.csv’, header=None)
df.columns = [’x’, ’y’]
df.plot.scatter(x = ’x’, y=’y’, c=’red’)
plt.show()

Hasil dari kode di atas adalah tampilan grafik yang mirip dengan
yang sudah kita lakukan dengan menggunakan Matplotlib. (Lihat
gambar 2.6.)
Mari kita lanjutkan dengan melakukan clustering. Hal ini da-
pat kita lakukan dengan menggunakan pustaka (library) lain, yaitu
Sklearn. Tambahkan kode berikut ini ke kode sebelumnya.

from sklearn.cluster import KMeans

kmeans = KMeans(n_clusters=3).fit(df)
centroids = kmeans.cluster_centers_
print(centroids)
# tampilkan secara visual
plt.scatter(df[’x’],df[’y’], c=kmeans.labels_.astype(float),s=50,alpha=0.5)
plt.scatter(centroids[:, 0], centroids[:, 1], c=’red’)
plt.show()

Hasil dari kode di atas adalah tampilan tiga cluster beserta cen-
troidnya. (Lihat gambar 2.7.) Anda dapat mengubah-ubah jumlah
cluster-nya dengan mengubah variabel n_clusters. Misal, Anda dapat
menggantikan angka 3 menjadi 4 untuk membuatnya menjadi 4 clus-
ter. Pemilihan jumlah kluster yang paling optimal dapat dilakukan,
tetapi ini akan menjadi pembahasan yang terpisah. Perlu diingat juga
bahwa algoritma k-means yang kita gunakan ini akan menghasilkan
 pemrograman python 37

Figure 2.6: Tiga cluster data dengan

Pandas

urutan penomoran kluster yang berbeda setiap kita menjalankan

kode ini.
Demikianlah sedikit contoh-contoh dari penggunaan pustaka
Pandas. Pada prinsipnya jika ada masalah yang dalam pemikiran
kita bentuknya adalah tabel (seperti spreadsheet), maka solusi dapat
dilakukan dengan menggunakan Pandas.

2.5 OpenCV

OpenCV adalah kumpulan pustaka untuk bidang computer vision

atau image processing. Pustaka ini dapat diakses dengan menggu-
nakan bermacam-macam bahasa pemrograman, termasuk bahasa
Python. Untuk memasang pustaka atau modul ini gunakan perintah.

pip install opencv-python

Berikut ini adalah sebuah contoh penggunaan OpenCV untuk

membaca sebuah berkas gambar dan mengubahnya warnanya men-
jadi abu-abu (greyscale). Perhatikan nama berkas yang dalam contoh
ini berada di direktori satu tingkat di atasnya. Ganti nama berkas ini
dengan nama yang sesuai dengan berkas yang ingin Anda proses.

import cv2
38 budi rahardjo

Figure 2.7: Tiga cluster dengan k-means

img = cv2.imread(’../graphics/br-pixel.png’)
grey = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv2.imshow(’Gambar Asli’, img)
cv2.imshow(’Gambar grey’, grey)
cv2.waitKey(0)
cv2.destroyAllWindows()

Program akan menampilkan gambar sebelum dan sesudah diproses,

kemudian menunggu sampai kita menekan sesuatu di keyboard se-
belum akhirnya menutup semua peragaan gambar tersebut. Hasil
pemrosesan kode di atas dapat dilihat pada gambar-gambar berikut.
Perhatikan betapa mudahnya menggunakan OpenCV untuk
melakukan proses tersebut. Konversi warna itu dapat kita lakukan
dengan satu perintah saja. Tanpa pustaka ini kita harus membuat
sebuah loop yang mengubah setiap piksel dari gambar tersebut.
Modul OpenCV ini dapat digunakan di berbagai aplikasi, terma-
suk untuk Artificial Intelligence atau Machine Learning.

2.6 Kriptografi

Sebagaimana bidang lain, Python memiliki library yang lengkap

untuk kriptografi. Berikut ini hanya beberapa contoh penggunaan
 pemrograman python 39

Figure 2.8: Gambar asli

Figure 2.9: Hasil proses

40 budi rahardjo

library tersebut.

2.6.1 Fungsi Hash

Fungsi hash adalah fungsi satu arah yang memberikan tanda (sig-
nature) dari data digital; stream of data dan berkas. Perubahan satu
bit saja dari data tersebut akan mengubah nilai dari hash yang di-
hasilkan. Itulah sebabnya fungsi hash dapat digunakan untuk men-
jamin integritas data.
Ada banyak algoritma fungsi hash. Algoritma yang terkenal
adalah MD5 dan SHA. Saat ini MD5 sudah dianggap tidak layak lagi
karena sudah ditemukan collision, yaitu nilai hash yang sama untuk
data yang berbeda. SHA 256 merupakan algoritma yang dianggap
cocok saat ini.

unix$ echo "beli 10000" | shasum -a 256

375a6c46228994656932f4aa17d9ae50f21da75a31ff17f8517c255c06cba809 -

unix$ cat pesan1.txt

beli 10000
unix$ shasum -a 256 pesan1.txt
375a6c46228994656932f4aa17d9ae50f21da75a31ff17f8517c255c06cba809 pesan1.txt

unix$ cat pesan2.txt

beli 1000
unix$ shasum -a 256 pesan2.txt
5901bccc6a0556fac2b4a164ef831a7ed4ceddeb60c6ddde1162f5a40b9d2917 pesan2.txt

Contoh kode Python untuk hal di atas adalah sebagai berikut:

# Contoh fungsi hash

import hashlib
h = hashlib.sha256("beli 10000\n")
print h.hexdigest()

Salah satu pemanfaatan “baru” dari fungsi hash ini adalah pada
algoritma Blockchain yang digunakan pada Bitcoin. Sedikit cerita
tentang hal ini ada di blog saya 3 . 3
https://rahard.wordpress.com/2018/03/10/berburu-
hash/
3
Triks

Ada beberapa hal menarik dari Python. Pada bagian ini akan dita-
mpilkan berbagai trik tersebut.

3.1 Server Web

Python dapat kita gunakan sebagai server web sederhana yang dapat
memerikan list direktori. Fitur ini sering saya gunakan untuk transfer
berkas antar mesin. Misalnya saya ingin mengambil sebuah berkas
dari satu komputer ke komputer yang lain. Maka komputer dimana
berkas tersebut berada saya jalankan perintah ini (pada direktori
dimana berkas tersebut berada).

python -m http.server 8008

Perintah di atas akan membuat sebuah server web yang berjalan

pada port 8008. Anda dapat menggunakan port yang berbeda. Akan
ditampilkan daftar berkas yang ada di direktori tersebut. Saya ting-
gal memilih berkas yang dimaksudkan dan Save as ....
Fitur server web ini juga sering saya gunakan untuk proses debug-
ging sebuah aplikasi yang menggunakan protokol web. Untuk meli-
hat data yang dikirimkan oleh aplikasi tersebut, saya arahkan dia ke
web server ini dan kemudian saya perhatikan apa yang ditampilkan
(yang diminta oleh aplikasi tersebut).

3.2 Membaca Berkas Konfugurasi config.ini

Seringkali ada kebutuhan untuk menyimpan credential (userid, pass-

word) dalam aplikasi. Sebagai contoh, kita ingin membuat koneksi
ke server lain (server database, server FTP, dan sejenisnya) maka
dibutuhkan informasi tentang nama atau nomor IP dari server yang
dituju, userid dan password, dan informasi lainnya lagi. Seringkali
informasi ini ditanam di dalam kode (source code).
42 budi rahardjo

Apa beberapa masalah terkait dengan pendekatan ini (menanam

credential) di dalam kode sumber. Pertama, jika terjadi perubahan
(misal ada pergantian nomor IP dari server yang dituju) maka kita
harus mencari di dalam kode mana saja terdapat penanaman infor-
masi tersebut dan tentu saja harus diperbaharui. Bayangkan kalau
informasi ini terdapat di beberapa berkas. Bagaimana kita tahu itu
ada dimana? Jika konfigurasi ini hanya ada di satu berkas, misal-
nya di berkas “config.ini”, maka operator hanya perlu melakukan
perubahaan di berkas ini.
Kedua, perubahan terhadap kode sangat berisiko. Beberapa kali
terjadi kasus seseorang mengubah kode dari sebuah aplikasi (dengan
bayangan minor update), ternyata aplikasi menjadi tidak berjalan.
Ini dapat terjadi ketika update kekurangan tanda petik, misalnya,
sehingga aplikasi malah menjadi “error”.
Jika kode ingin dibagikan, misal menggunakan github, maka
credential sudah terpisahkan dengan kode sehingga kemungkinan
tersebar juga lebih kecil. Tentu saja masih mungkin terjadi jika berkas
config.ini berada dalam direktori yang dibagikan (share) dan tidak
dimasukkan ke dalam berkas (.gitignore) dalam kasus github.
Berikut ini adalah contoh kode yang lazim ditemui, yaitu menanamkan
credential di dalam kode sumber. Perhatikan bahwa alamat server,
userid, dan password tertanam dalam kode.

from ftplib import FTP

SERVER = ’192.168.4.29’
NAMA = ’jabar’
GEMBOK = ’juara2020’

ftp = FTP(SERVER)
ftp.login(user=NAMA, passwd=GEMBOK)
ftp.dir()
ftp.quit()

Cara yang lebih baik adalah dengan menyimpan credential terse-

but ke dalam sebuah berkas konfigurasi. Berikut ini adalah sebuah
contoh isi berkas “config.ini”.
[aplikasiku]
server = 192.168.4.29
user = jabar
password = juara2020
[queue]
server = rabbitmq-server
user = rabbitku
password = sangatrahasia6677
 pemrograman python 43

Berkas ini dapat dibaca dari aplikasi dengan cara berikut, den-
gan asumsi bahwa berkas “config.ini” berada dalam direktori yang
sama dengan aplikasi ini. Untuk lebih meningkatkan keamanan, ser-
ingkali letak berkas konfigurasi berada di luar struktur direktori ini
(di atasnya). Jadi variabel CONF dapat diisi dengan “../config.in”.

from ftplib import FTP

from configparser import ConfigParser

CONF=’config.ini’
config = ConfigParser()
# return filename
config.read(CONF)

SERVER = config.get(’aplikasiku’,’server’)
NAMA = config.get(’aplikasiku’,’user’)
GEMBOK = config.get(’aplikasiku’,’password’)

ftp = FTP(SERVER)
ftp.login(user=NAMA, passwd=GEMBOK)
ftp.dir()
ftp.quit()

Penjelasan mengenai ini ada dalam video berikut.

https://www.youtube.com/watch?v=jze3DC6ohRc

3.3 Menulis berkas dalam format Unicode

Unicode merupakan alternatif pengkodean karakter untuk karakter

yang tidak terdapat di kode ASCII. Bagaimana membuat berkas yang
berisi karaktor Unicode? Berikut ini adalah salah satu contohnya.

unicode_text = u’BUDI Rahardjo’

myencoded = unicode_text.encode(’utf-16-le’)
#myencoded = unicode_text.encode(’utf-16-be’)

a_file = open("budi-unicode.txt", "wb")

a_file.write(myencoded)

a_file = open("budi-unicode.txt", "r", encoding=’utf-16-le’)

#a_file = open("budi-unicode.txt", "r", encoding=’utf-16-be’)
# reads contents of a file
contents = a_file.read()
print(contents)
44 budi rahardjo

Kode di atas menyimpan string ’Budi Rahardjo’ ke dalam sebuah

berkas dalam format UTF-16 dengan enkoding little endian (le) atau
big endian (be)1 . Untuk melihat bagaimana data tersebut disimpan 1
Mengenai little endian atau big endian
dalam berkas, dapat digunakan peritah “hexdump” atau “xxd”. akan dibahas secara terpisah.

Perhatikan bahwa jika Anda menggunakan LE atau BE posisi bytes

akan tertukar. Silahkan dicoba.

hexdump budi-unicode.txt

0000000 0042 0055 0044 0049 0020 0052 0061 0068

0000010 0061 0072 0064 006a 006f
000001a
4
Bibliography

[1] Giancarlo Zaccone. Getting Started with Tensorflow. Packt Publish-

ing, 2016.