Mengenal array sebagai struktur data numerik lewat pustaka NumPy, dan mengapa ia lebih efisien dari list untuk mengolah data bisnis dalam jumlah besar.
RPS MINGGU 10 • 2X50 MENIT
Tujuan Pembelajaran
Setelah pertemuan ini, Anda diharapkan mampu:
SUB-CPMK 9.1
MEMAHAMI KONSEP ARRAY
Menjelaskan perbedaan array dan list Python, serta kapan array lebih tepat dipakai.
SUB-CPMK 9.2
MEMBUAT & MENGAKSES ARRAY
Membuat array dengan NumPy, serta melakukan indexing dan slicing.
SUB-CPMK 9.3
OPERASI & FUNGSI ARRAY
Menerapkan operasi elemen-wise dan fungsi statistik dasar (sum, mean, max).
SUB-CPMK 9.4
STUDI KASUS BISNIS
Menerapkan array 1D & 2D untuk mengolah data toko online dan gudang UMKM sederhana.
Bagian 1 dari 3
Konsep Array & Perbedaannya dengan List
Mengapa dunia data science dan bisnis digital lebih memilih array dibanding list biasa untuk data numerik.
Definisi ArrayArray vs ListNumPy
Apa itu Array?
Array adalah struktur data yang menyimpan elemen sejenis (misalnya semua angka) secara berurutan di memori, sehingga komputer bisa mengaksesnya dengan sangat cepat.
CIRI KHAS ARRAY
Semua elemen harus bertipe data sama (semua angka, semua teks, dsb).
Ukuran (jumlah elemen) umumnya tetap setelah dibuat.
Disimpan berurutan di memori → komputasi matematis jadi cepat.
Di Python, array "asli" datang dari pustaka NumPy.
Array (NumPy) vs List Python
List itu fleksibel, array itu cepat dan fokus untuk angka. Keduanya punya tempatnya masing-masing.
Aspek
List Python
Array (NumPy)
Tipe elemen
Boleh campur (angka, teks, dll.)
Harus sejenis, biasanya angka
Operasi matematis
Butuh perulangan manual
Langsung, contoh: arr * 2
Kecepatan (data besar)
Lebih lambat
Jauh lebih cepat
Dimensi
1 dimensi (list dalam list untuk 2D)
Native 1D, 2D, hingga n-D
Cara membuat
Bawaan Python: [1, 2, 3]
Perlu import numpy
Aturan praktis: pakai list untuk data campur/umum, pakai array saat data murni angka dan akan dihitung banyak.
Mengaktifkan NumPy
NumPy (Numerical Python) adalah pustaka pihak ketiga paling populer untuk komputasi numerik. Perlu dipasang sekali, lalu diimpor di setiap program.
LANGKAH 1 — INSTALASI (SEKALI SAJA)
pip install numpy
Di Google Colab, NumPy biasanya sudah terpasang — langkah ini boleh dilewati.
LANGKAH 2 — IMPOR DI PROGRAM
import numpy as np
np adalah alias (nama singkat) yang jadi konvensi hampir seluruh komunitas Python.
Glosarium: pustaka (library) = kumpulan kode siap pakai yang ditulis orang lain, agar Anda tidak perlu menulis ulang fungsi dasar dari nol.
Membuat Array dengan NumPy
Ada beberapa cara umum membuat array, tergantung apakah datanya sudah ada atau perlu dibangkitkan otomatis.
Fungsi
Contoh Kode
Hasil
Dari list biasa
np.array([10, 20, 30])
array([10, 20, 30])
Semua nol
np.zeros(4)
array([0., 0., 0., 0.])
Semua satu
np.ones(3)
array([1., 1., 1.])
Rentang angka
np.arange(0, 10, 2)
array([0, 2, 4, 6, 8])
Glosarium: np.arange(mulai, batas, langkah) membangkitkan deret angka otomatis, mirip range() pada perulangan for yang sudah Anda kenal di pertemuan 3.
Mengakses Elemen: Indexing & Slicing
Cara mengakses array sama persis dengan list: indeks dimulai dari 0, dan slicing pakai tanda :.
harga = np.array([15000, 22000, 8000, 30000, 12000])
Kode
Makna
Hasil
harga[0]
Elemen indeks ke-0
15000
harga[-1]
Elemen terakhir
12000
harga[1:4]
Indeks 1 sampai sebelum 4
[22000, 8000, 30000]
harga[harga > 15000]
Boolean indexing (khas array)
[22000, 30000]
Glosarium: boolean indexing = menyaring elemen berdasarkan syarat logika (benar/salah) — kemampuan ini tidak ada pada list biasa tanpa perulangan manual.
Hitung dari Nol — Statistik Dasar dengan NumPy
Data penjualan harian toko online (unit terjual) selama 7 hari: [120, 135, 98, 142, 110, 160, 175].
LANGKAH PERHITUNGAN
Langkah
Perhitungan
Nilai
1. Total (np.sum)
120+135+98+142+110+160+175
940 unit
2. Rata-rata (np.mean)
940 ÷ 7
≈ 134,29 unit
3. Maksimum (np.max)
terbesar dari 7 nilai
175 unit
4. Minimum (np.min)
terkecil dari 7 nilai
98 unit
MENGAPA INI PENTING
1 BARIS KODE
Tanpa array, keempat nilai ini butuh perulangan manual berbaris-baris. Dengan array: np.sum(data), np.mean(data), np.max(data), np.min(data) — masing-masing cukup satu baris.
Bagian 2 dari 3
Operasi Array & Array Multi-Dimensi
Dari operasi elemen-wise yang efisien hingga array dua dimensi layaknya tabel Excel.
Operasi Elemen-wiseArray 2DFungsi Statistik
Operasi Elemen-wise (Vektorisasi)
Operasi matematis pada array berlaku untuk semua elemen sekaligus — tanpa perulangan for.
CARA LIST (PERLU PERULANGAN)
harga = [15000, 22000, 8000]
hasil = []
for h in harga:
hasil.append(h * 1.11)
CARA ARRAY (LANGSUNG)
harga = np.array([15000, 22000, 8000])
hasil = harga * 1.11
Kedua kode di atas menghasilkan nilai yang sama (harga setelah PPN efektif 11%, PMK 131/2024) — tapi cara array jauh lebih ringkas dan lebih cepat dieksekusi.
Hitung dari Nol — Diskon dengan Operasi Array
Toko online memberi diskon 15% untuk 4 produk. Harga asli: [50000, 75000, 120000, 45000].
LANGKAH PERHITUNGAN
Langkah
Perhitungan
Nilai (array)
1. Nilai diskon
harga_asli × 15%
[7500, 11250, 18000, 6750]
2. Harga akhir
harga_asli − diskon
[42500, 63750, 102000, 38250]
3. Total pendapatan
42500+63750+102000+38250
Rp 246.500
KODE LENGKAP
harga = np.array([50000,75000,120000,45000]) diskon = harga * 0.15 akhir = harga - diskon total = np.sum(akhir)
Empat baris ini menggantikan puluhan baris perulangan manual bila memakai list.
Array Multi-Dimensi (2D)
Array 2D menyimpan data dalam baris dan kolom, persis seperti tabel spreadsheet — cocok untuk data tabular bisnis.
Empat hari (indeks 1, 3, 5, 6) memiliki penjualan di atas rata-rata — informasi ini bisa jadi dasar keputusan restock atau promosi tambahan di hari serupa minggu depan.
Bagian 3 dari 3
Array dalam Konteks Bisnis Digital
Studi kasus gudang UMKM, kesalahan umum pemula, dan latihan mandiri untuk mengasah kemampuan Anda.
Studi Kasus GudangKesalahan UmumLatihan
Studi Kasus: Stok Gudang UMKM dengan Array 2D
Tiga produk (baris), stok di tiga cabang (kolom). Berapa total stok per produk di seluruh cabang?