Python & Data Menengah

Mengenal Pandas dan NumPy untuk Olah Data Sebelum Masuk AI

Dua library dasar yang wajib dikuasai sebelum mulai melatih model machine learning — lengkap dengan contoh kode yang bisa langsung dicoba.

R
Reza ArdanaLead AI Practitioner, TheFireDigital
·
26 Januari 2026 7 menit baca Direview tim redaksi
Mengenal Pandas dan NumPy untuk mengolah data sebelum AI
Daftar Isi Artikel
  1. Kenapa Perlu Mengolah Data Sebelum Masuk AI
  2. NumPy — Fondasi Perhitungan Angka di Python
  3. Pandas — Mengolah Data Tabel Seperti Excel Versi Kode
  4. Contoh Praktik: Membersihkan Data Sederhana
  5. Kapan Pakai NumPy, Kapan Pakai Pandas?
  6. Kesimpulan

Setelah Python dan library dasar terpasang di artikel sebelumnya, sekarang saatnya benar-benar memakainya. NumPy dan Pandas adalah dua library yang hampir selalu muncul di awal setiap proyek AI — sebelum data bisa dipelajari model AI, data itu harus dirapikan dan diolah dulu, dan di sinilah keduanya berperan.

Kenapa Perlu Mengolah Data Sebelum Masuk AI

Data mentah jarang sekali langsung siap dipakai — sering ada baris kosong, duplikat, format tanggal yang tidak konsisten, atau angka yang tersimpan sebagai teks. Model AI yang dilatih dari data berantakan cenderung menghasilkan prediksi yang kurang akurat. Karena itu, tahap mengolah dan membersihkan data (biasa disebut data preprocessing) adalah langkah wajib sebelum data dipakai melatih model apa pun.

NumPy — Fondasi Perhitungan Angka di Python

NumPy (Numerical Python) adalah library untuk bekerja dengan array — struktur data mirip daftar angka, tapi jauh lebih cepat diproses dibanding list biasa di Python, terutama untuk data dalam jumlah besar. Hampir semua library AI lain (termasuk Pandas) dibangun di atas fondasi NumPy.

Contoh sederhana: menghitung diskon 10% dari daftar harga produk.

import numpy as np harga = np.array([15000, 25000, 12000, 30000]) diskon = harga * 0.1 print(diskon)

Perhatikan bagaimana perkalian harga * 0.1 otomatis diterapkan ke semua angka sekaligus — inilah kekuatan NumPy, kamu tidak perlu menulis perulangan manual untuk memproses tiap angka satu per satu.

Pandas — Mengolah Data Tabel Seperti Excel Versi Kode

Pandas dibangun di atas NumPy, tapi dirancang khusus untuk data berbentuk tabel — mirip spreadsheet, lengkap dengan nama kolom dan baris. Struktur data utamanya disebut DataFrame, dan kamu bisa membayangkannya seperti file Excel yang bisa diolah lewat kode.

Contoh sederhana: membaca file data penjualan dan melihat ringkasannya.

import pandas as pd data = pd.read_csv("penjualan.csv") print(data.head()) print(data['jumlah'].sum())

Kode di atas membaca file CSV, menampilkan lima baris pertama untuk pengecekan cepat, lalu menjumlahkan seluruh isi kolom "jumlah" — pekerjaan yang di Excel butuh beberapa klik, di sini cukup satu baris kode.

Contoh Praktik: Membersihkan Data Sederhana

Setelah data dibaca, langkah berikutnya biasanya membersihkannya dari masalah umum:

data = data.drop_duplicates() data = data.dropna() data['tanggal'] = pd.to_datetime(data['tanggal'])

Tiga baris ini masing-masing menghapus baris duplikat, menghapus baris dengan data kosong, dan mengubah kolom tanggal jadi format tanggal yang benar-benar dikenali sebagai tanggal — bukan sekadar teks biasa.

Kapan Pakai NumPy, Kapan Pakai Pandas?

  • Gunakan NumPy untuk perhitungan angka murni dalam jumlah besar, seperti operasi matematika atau matriks
  • Gunakan Pandas untuk data berbentuk tabel dengan campuran tipe data (angka, teks, tanggal) yang punya nama kolom
  • Dalam praktiknya, keduanya sering dipakai bersamaan — Pandas untuk mengelola data, NumPy untuk perhitungan di baliknya

Tidak perlu langsung hafal semua fungsiKamu tidak perlu menghafal seluruh fungsi NumPy dan Pandas dari awal. Cukup pahami konsep dasarnya, lalu cari fungsi yang kamu butuhkan lewat dokumentasi resmi saat mengerjakan proyek nyata.

Kesimpulan

NumPy dan Pandas adalah dua "alat dapur" paling dasar sebelum data siap diolah AI — NumPy untuk perhitungan cepat, Pandas untuk mengelola data tabel dengan rapi. Menguasai dasar keduanya akan sangat membantu di hampir semua proyek data dan AI yang kamu kerjakan nanti. Langkah selanjutnya: belajar cara membaca dataset yang lebih kompleks dan menyiapkannya untuk model AI.

RA
Ditulis oleh Reza Ardana Lead AI Practitioner, TheFireDigital

Menangani implementasi AI automation & prompt engineering untuk klien bisnis sejak 2023. Artikel ini direview oleh tim redaksi sebelum tayang.

Pertanyaan Seputar Pandas dan NumPy

Beberapa hal yang paling sering ditanyakan pemula soal dua library dasar ini.

Tidak wajib jago matematika tingkat lanjut. Pemahaman dasar aritmatika dan sedikit konsep array sudah cukup untuk mulai memakai fungsi-fungsi umum NumPy.

Bisa. Pandas mendukung berbagai tipe data dalam satu tabel, termasuk teks, tanggal, dan kategori — tidak terbatas pada angka saja.

DataFrame adalah struktur data utama di Pandas, berbentuk tabel dua dimensi dengan baris dan kolom bernama — mirip lembar kerja di Excel atau Google Sheets.

Tidak. Pandas juga mendukung format lain seperti Excel, JSON, dan database SQL, meski CSV memang salah satu format paling umum dipakai.

Lanjutkan ke artikel Cara Membaca Dataset dan Menyiapkannya untuk Model AI untuk memperdalam proses persiapan data.

Lanjutkan Membaca

Instalasi Python dan library AI pertama
Python & Data

Instalasi Python dan Library AI Pertamamu, Langkah demi Langkah
Kenapa Python jadi bahasa wajib untuk AI
Python & Data

Kenapa Python Jadi Bahasa Wajib untuk Belajar AI?
Perbedaan AI machine learning dan deep learning
Fondasi AI

Apa Itu AI, Machine Learning, dan Deep Learning? Ini Bedanya