Mengolah Teks dengan String

String: data teks itu data kotor

Analogi singkat: data teks seperti sayur dari pasar, datang dengan tanah menempel. Nama produk diketik "KOPI Tubruk", "kopi tubruk ", "Kopi-Tubruk": maksudnya sama, tulisannya beda, dan komputer menganggap ketiganya beda. Sebelum dianalisis, teks harus "dicuci": buang spasi liar, samakan huruf, rapikan format. Method string adalah alat cucinya.

Kenapa ini penting untuk data? Karena sebagian besar data mentah berbentuk teks: nama, alamat, kategori, komentar. Analisis yang gagal membersihkan teks akan menghitung "Kopi" dan "kopi" sebagai dua produk berbeda, dan laporannya salah tanpa terlihat salah. Membersihkan string adalah separuh pekerjaan data cleaning.

Contoh 1: empat method pencuci utama

teks = "  Kopi Tubruk  "
print(teks.strip())                   # "Kopi Tubruk", buang spasi tepi
print(teks.lower())                   # "  kopi tubruk  "
print(teks.upper())                   # "  KOPI TUBRUK  "
print(teks.replace("Tubruk", "Susu"))  # "  Kopi Susu  ", ganti kata

Penting: method string TIDAK mengubah string asli (string itu immutable), ia mengembalikan string baru. Jadi hasilnya harus ditangkap di variabel, kalau tidak, cucianmu terbuang sia-sia.

nama = "  kopi "
nama.strip()         # hasilnya dibuang, nama tetap "  kopi "
nama = nama.strip()  # BENAR: tangkap hasilnya
print(nama)          # "kopi"

Contoh 2: split dan join, belah dan gabung

baris = "Andi,25,Jakarta"
kolom = baris.split(",")   # ["Andi", "25", "Jakarta"]
print(kolom[1])            # 25

tanggal = "-".join(["2026", "10", "08"])
print(tanggal)  # 2026-10-08

split memecah satu string jadi list (inilah cara manual membaca satu baris CSV sebelum kenal pandas), join kebalikannya: menggabungkan list jadi satu string dengan pemisah di antaranya.

Catatan teknis: split() tanpa argumen memecah di semua spasi sekaligus (termasuk spasi ganda dan tab), sedangkan split(" ") memecah di tiap satu spasi. Untuk membersihkan teks berantakan, versi tanpa argumen hampir selalu lebih aman.

f-string: laporan rapi tanpa ribet

nama = "Budi"
total = 125000
print(f"{nama} belanja Rp{total:,}")  # Budi belanja Rp125,000
print(f"Rata-rata: {87.456:.1f}")     # Rata-rata: 87.5

Format :, memberi pemisah ribuan, :.1f membulatkan satu desimal. Untuk laporan data, f-string hampir selalu lebih rapi daripada menggabung string dengan +.

Contoh 3 (realistis): normalisasi kolom nama produk

Data kotor beneran: satu kolom, empat gaya penulisan. Satu baris list comprehension membereskannya.

kotor = ["  KOPI tubruk", "kopi Tubruk ", "KOPI TUBRUK", "Kopi  Tubruk"]
bersih = [" ".join(k.strip().lower().split()) for k in kotor]
print(bersih)        # ['kopi tubruk', 'kopi tubruk', 'kopi tubruk', 'kopi tubruk']
print(set(bersih))   # {'kopi tubruk'}, sekarang seragam!

Alurnya: strip() buang spasi tepi, lower() samakan huruf, split() pecah jadi kata (spasi ganda ikut hilang), join gabung kembali dengan satu spasi. Pola bersihkan-dulu-baru-hitung ini dipakai setiap hari oleh data analyst, dan nanti di pandas bentuknya adalah .str.lower() yang cara kerjanya sama persis.

Kesalahan umum pemula

SALAH: Membandingkan teks tanpa normalisasi dulu.

print("Kopi" == "kopi")   # False, padahal maksudnya sama!

BENAR: Samakan format sebelum dibandingkan:

print("Kopi".lower() == "kopi".lower())  # True

SALAH: Menggabungkan banyak string dengan + di dalam loop (lambat dan berantakan).

hasil = ""
for kata in ["2026", "10", "08"]:
    hasil += kata + "-"   # "2026-10-08-", ada sisa strip di ujung

BENAR: Kumpulkan di list, gabung sekali dengan join:

hasil = "-".join(["2026", "10", "08"])  # "2026-10-08", bersih

SALAH: Mengecek awalan teks dengan slicing manual.

if nomor[0:3] == "+62":   # jalan, tapi rawan salah hitung indeks
    ...

BENAR: Pakai method yang memang dibuat untuk itu:

if nomor.startswith("+62"):   # jelas maksudnya, tanpa hitung indeks
    ...