Pengenalan Python: Bahasa Favorit Data Analyst

Python itu apa?

Bayangkan kamu punya asisten yang sangat rajin tapi sangat literal: ia hanya mengerti instruksi yang ditulis persis dalam format tertentu. Komputer adalah asisten seperti itu. Bahasa mesin (angka 0 dan 1) adalah "bahasa ibu" komputer, tapi menulis 0 dan 1 untuk program ratusan baris adalah mimpi buruk manusia.

Di sinilah bahasa pemrograman lahir: jembatan antara cara manusia berpikir dan cara mesin bekerja. Python adalah salah satu jembatan paling ramah. Sintaksnya dirancang agar mirip bahasa Inggris sehari-hari, sehingga kamu sering bisa menebak arti kode bahkan sebelum belajar formal.

Kenapa "ramah" ini penting? Karena bug paling mahal bukan bug yang sulit, melainkan bug yang tidak terlihat. Kode yang gampang dibaca itu gampang diperiksa, dan kode yang gampang diperiksa jarang menyimpan bug diam-diam. Inilah alasan perusahaan besar tetap memakai Python untuk sistem kritis: keterbacaan adalah fitur keamanan.

Fakta seru: nama Python bukan dari ular piton, melainkan dari grup komedi Inggris Monty Python. Guido van Rossum, pencipta Python (rilis 1991), adalah penggemar mereka. Jadi kalau nanti kamu menemukan "spam" dan "eggs" di contoh kode Python, itu lelucon Monty Python yang jadi tradisi komunitas.

Teaser kecil (jangan khawatir kalau belum paham, detailnya ada di modul 3 sampai 5):

nama = "Sinta"
total_belanja = [120000, 85000, 210000]

print("Halo,", nama)
print("Rata-rata belanja:", sum(total_belanja) / len(total_belanja))

Hanya dengan membaca sekilas, kamu mungkin sudah menebak: program menyapa Sinta lalu menghitung rata-rata belanja. Kemampuan "bisa ditebak" inilah kekuatan utama Python.

Kenapa data analyst memilih Python?

Masalah sehari-hari analyst: data datang berantakan dari banyak sumber, ukurannya terlalu besar untuk dibuka manual, dan laporannya harus diulang tiap minggu. Mengerjakan itu dengan klik-klik manual di spreadsheet melelahkan dan rawan salah ketik.

Python menyelesaikan ketiganya sekaligus:

1. Automasi yang bisa diulang. Skrip pembersih data yang kamu tulis sekali bisa dijalankan ulang setiap ada data baru. Tidak ada lagi ritual klik yang sama setiap Senin pagi.
2. Ekosistem library data yang matang. pandas untuk olah tabel, NumPy untuk komputasi angka, Matplotlib untuk visualisasi. Semua gratis, open source, dan saling terhubung.
3. Skala tanpa drama. Kode yang bekerja untuk 100 baris biasanya tetap bekerja untuk 10 juta baris. Excel menyerah jauh sebelum itu.

Catatan teknis: Python adalah bahasa interpreted: kode dijalankan baris per baris tanpa tahap kompilasi. Siklus coba-coba jadi cepat, dan ini alasan Jupyter Notebook (favorit analyst) bisa menjalankan kode per sel lalu langsung menampilkan hasilnya.

Python vs Excel vs SQL: bukan saingan, tapi satu tim

Analyst profesional menguasai ketiganya dan memilih alat sesuai masalah. Seri ini fokus ke Python, plus SQL dasar di modul 16 dan 17 karena keduanya hampir selalu dipakai berpasangan di dunia kerja.

Kesalahpahaman umum

"Python itu lambat, jadi tidak cocok untuk data besar." Salah kaprah. Memang Python murni lebih lambat dari bahasa kompilasi, tapi library data seperti pandas dan NumPy intinya ditulis dalam C yang super cepat. Python di sini berperan sebagai "sopir", bukan "mesin". Untuk 99% pekerjaan analyst, bottleneck-nya bukan kecepatan bahasa, melainkan kualitas logika analisisnya.

"Harus jago matematika dulu baru bisa belajar Python." Tidak. Kamu butuh logika dasar (jika-maka, urutan langkah), bukan kalkulus. Matematika yang dipakai di analisis data sehari-hari umumnya aritmatika: jumlah, rata-rata, persentase. Sisanya bisa dipelajari sambil jalan.

"Python cuma bahasa untuk pemula, yang serius pakai bahasa lain." Justru sebaliknya: Python dipakai di sistem serius seperti Instagram, Netflix, dan riset ilmiah. Ia ramah untuk pemula DAN cukup kuat untuk profesional. Jarang ada bahasa yang menang di dua sisi seperti ini.

Yang akan kamu pelajari

Perjalanan 20 modul ini dibagi empat bab:

1. Fondasi Python (modul 1-7): sintaks, variabel, logika, perulangan, fungsi.
2. Struktur data dan peralatan (modul 8-11): list, dict, file, pengenalan OOP yang ringkas, pip.
3. Analisis data dengan pandas (modul 12-15): dari membaca CSV sampai visualisasi.
4. SQL dan proyek nyata (modul 16-20): query database, lalu proyek mini end-to-end.

Di akhir, kamu membangun analisis data penjualan yang lengkap: dari file mentah yang kotor sampai grafik yang siap dipresentasikan. Siap? Lanjut ke modul instalasi.