Analisis data membutuhkan lingkungan yang dapat dijalankan kembali. Lampiran ini memakai data penjualan buatan untuk mempraktikkan profil editor, kernel notebook, ringkasan tabel, dan grafik sederhana.

Opsional: Pelajari lampiran ini jika kamu tertarik pada analisis data setelah memahami materi dasar. Kamu dapat kembali ke sini ketika proyekmu membutuhkan pengolahan tabel atau notebook.

Tujuan Penggunaan

Gunakan panduan ini saat mulai bekerja dengan CSV atau notebook. Kamu akan memisahkan pengaturan editor dari paket proyek, memilih kernel yang benar, serta menghasilkan ringkasan dan grafik dari data contoh.

Persiapan

Ikuti Bab 14 dan 18. Untuk penyiapan dasar VS Code, folder proyek, dan pemilihan interpreter, gunakan Lampiran 4. Gunakan Python 3.12 atau versi yang didukung paket pilihanmu. Tambahkan ekstensi Jupyter dari Microsoft pada profil yang dipakai untuk analisis data; pastikan ekstensi Python juga aktif pada profil tersebut. Paket unduhan menyertakan data buatan, script, notebook, dan daftar paket.

Panduan dan Contoh

Profil editor berbeda dari lingkungan Python

Profiles menyimpan pengaturan, ekstensi, dan tata letak VS Code. venv menyimpan lingkungan paket Python. Kernel adalah proses yang menjalankan sel notebook. Mengganti profil tidak otomatis memilih venv atau kernel yang diinginkan.

Buka pengelolaan Profiles, pilih Create Profile, dan beri nama Analisis Data. Template Data Science dapat menjadi titik awal; tinjau ekstensinya dan simpan yang diperlukan. Profil sederhana cukup berisi Python, Jupyter, serta pengaturan editor yang sudah kamu pahami.

Menyiapkan proyek dan paket

Ekstrak paket contoh ke folder baru, lalu siapkan folder dan venv mengikuti bagian Menyiapkan ekstensi dan folder pada Lampiran 4. Di terminal yang memakai venv tersebut, jalankan:

python -m pip install pandas matplotlib ipykernel

pandas mengolah tabel, matplotlib membuat grafik, dan ipykernel menyediakan kernel Python untuk notebook. Paket sumber menyertakan requirements.txt dengan versi yang telah diuji. Gunakan python -m pip install -r requirements.txt untuk mengulang lingkungan yang sama. Pemasangan paket membutuhkan koneksi internet.

Pilih Python: Select Interpreter untuk file script. Pada notebook, gunakan Select Kernel lalu pilih lingkungan proyek yang sama. Jika paket tidak ditemukan, periksa kernel serta sys.executable; profil editor saja tidak menentukan tempat import mencari paket.

Data yang digunakan

Simpan data berikut sebagai penjualan.csv. Semua angka merupakan data buatan untuk latihan, bukan laporan penjualan sebenarnya.

tanggal,kategori,jumlah,harga
2026-01-05,Buku,2,12000
2026-01-05,Pensil,3,3000
2026-01-06,Buku,1,12000
2026-01-06,Pensil,2,3000

# %%
import matplotlib.pyplot as plt
import pandas as pd

data = pd.read_csv("penjualan.csv")
data["pendapatan"] = data["jumlah"] * data["harga"]
ringkasan = data.groupby("tanggal", sort=True)["pendapatan"].sum()

# %%
for tanggal, total in ringkasan.items():
    print(f"{tanggal}: {total}")
print("Total:", ringkasan.sum())

# %%
fig, ax = plt.subplots(figsize=(6, 3.4))
ringkasan.plot.bar(ax=ax, color="#24566b", edgecolor="black")
ax.set_title("Pendapatan Harian - Data Latihan")
ax.set_xlabel("Tanggal")
ax.set_ylabel("Rupiah")
ax.tick_params(axis="x", rotation=0)
fig.tight_layout()
fig.savefig("pendapatan.png", dpi=300)
plt.close(fig)
print("Grafik disimpan: pendapatan.png")

2026-01-05: 33000
2026-01-06: 18000
Total: 51000
Grafik disimpan: pendapatan.png

Untuk menjalankan script, gunakan python analisis.py dari folder data. Buka pendapatan.png untuk melihat grafik. Tinggi batang harus sesuai angka pada ringkasan: 33000 pada tanggal pertama dan 18000 pada tanggal kedua. Jika FileNotFoundError muncul, periksa folder kerja serta letak CSV.

Menjalankan notebook dari keadaan bersih

Buka analisis.ipynb dari paket sumber, pilih kernel proyek, lalu jalankan sel secara berurutan. Notebook menyimpan code dan dapat menyimpan hasil eksekusi. Hasil lama yang terlihat tidak membuktikan semua sel masih bekerja.

Gunakan aksi Restart Kernel kemudian Run All untuk memeriksa urutan dari awal. File script juga memakai pemisah # %% sehingga selnya dapat dicoba melalui Python Interactive Window. Periksa lingkungan yang dipakai jendela tersebut sebelum memasang paket tambahan.

Pengaturan secukupnya

Gunakan pengaturan Python dari Lampiran 4 jika memerlukan formatter. Tidak perlu menambahkan python.pythonPath atau pengaturan lama python.dataScience.*. Pilih interpreter dan kernel melalui antarmuka yang tersedia. Untuk langkah awal, ekstensi tambahan pengolah DataFrame tidak wajib; lihat tabel dengan data.head() atau tampilan notebook.

Catat asal data, nama file, versi paket, dan urutan eksekusi. Simpan salinan data mentah sebelum mengubahnya. Pakai data buatan ketika membagikan latihan. Pilih library tambahan setelah mengetahui operasi yang diperlukan.

Praktik Mandiri

L07-P01 – Tambahkan satu penjualan

Tambahkan baris 2026-01-06,Buku,2,12000 pada CSV. Jalankan script dan notebook dari awal.

Kriteria selesai: Total tanggal kedua menjadi 42000, total keseluruhan 75000, dan grafik menunjukkan batang kedua lebih tinggi.

Rangkuman

Profil, venv, dan kernel memiliki fungsi berbeda. Pilih lingkungan yang benar, simpan data serta ketergantungan proyek, dan jalankan ulang seluruh alur dari keadaan bersih. Cocokkan grafik dengan hasil perhitungan.

Referensi dan Materi Pendamping

Edisi September 2026. Contoh dan nomor praktik sesuai dengan buku.

FAQ | Lampiran 1 | Lampiran 2 | Lampiran 3 | Lampiran 4 | Lampiran 5 | Lampiran 6 | Lampiran 7