Penggunaan Anaconda di Machine Learning

Anaconda adalah salah satu platform yang banyak digunakan untuk pengembangan Python, khususnya pada bidang Data Science, Machine Learning, Artificial Intelligence, Scientific Computing, dan analisis data.

Anaconda tidak hanya menyediakan Python, tetapi juga menyediakan package manager, environment manager, serta kumpulan library yang memudahkan pengembangan aplikasi berbasis Python.

Materi ini membahas:

• Apa itu Python
• Apa itu Anaconda
• Hubungan Anaconda dengan Python
• Apa itu package dan dependency
• Apa itu environment
• Conda vs pip
• Cara install Anaconda
• Cara menggunakan Anaconda Navigator
• Cara menggunakan Conda melalui terminal
• Membuat dan mengelola environment
• Install library Python
• Menjalankan Python
• Menggunakan Jupyter Notebook
• Menggunakan JupyterLab
• Menggunakan VS Code dan PyCharm
• Environment untuk Machine Learning
• Masalah umum dan solusinya
• Best practice penggunaan Anaconda

---

1. Apa Itu Python?

Python adalah bahasa pemrograman tingkat tinggi yang banyak digunakan untuk:

• Web development
• Automation
• Data analysis
• Data science
• Machine learning
• Artificial intelligence
• Scientific computing
• Scripting
• Backend development

Contoh program Python sederhana:

nama = "Ucup"

print(f"Halo, {nama}!")

Output:

Halo, Ucup!

Python sendiri hanyalah bahasa pemrograman dan interpreter/runtime.

Ketika kita ingin menggunakan Python untuk data science atau machine learning, biasanya kita membutuhkan banyak library tambahan.

Contohnya:

Python
│
├── NumPy
├── Pandas
├── Matplotlib
├── Scikit-learn
├── Seaborn
├── Jupyter
├── TensorFlow
└── PyTorch

Di sinilah Anaconda dapat membantu.

---

2. Apa Itu Anaconda?

Anaconda adalah distribusi Python yang ditujukan terutama untuk data science, scientific computing, dan berbagai kebutuhan komputasi teknis.

Anaconda menyediakan berbagai komponen untuk membantu mengelola ekosistem Python.

Secara sederhana:

Anaconda
│
├── Python
├── Conda
├── Package management
├── Environment management
├── Scientific libraries
└── Tools seperti Jupyter

Salah satu komponen terpenting dalam Anaconda adalah:

conda

conda digunakan untuk:

• Membuat environment
• Menghapus environment
• Mengaktifkan environment
• Menginstall package
• Menghapus package
• Mengelola dependency
• Mengelola versi Python

---

3. Apakah Anaconda Sama dengan Python?

Tidak.

Hubungannya dapat digambarkan seperti ini:

Python
    ↓
Bahasa pemrograman

Anaconda
    ↓
Distribusi Python + tools + package/environment management

Python dapat digunakan tanpa Anaconda.

Contohnya kita dapat menginstall Python langsung dari situs resmi Python.

Sebaliknya, ketika menggunakan Anaconda, Python biasanya sudah disediakan sebagai bagian dari environment.

---

4. Mengapa Anaconda Dibutuhkan?

Dalam proyek sederhana, kita mungkin hanya membutuhkan Python.

Misalnya:

print("Hello World")

Tidak ada masalah.

Tetapi proyek machine learning bisa membutuhkan banyak library:

Python
├── numpy
├── pandas
├── matplotlib
├── scipy
├── scikit-learn
├── jupyter
├── tensorflow
├── pytorch
└── berbagai dependency lainnya

Setiap library juga memiliki dependency.

Misalnya:

scikit-learn
    ↓
  numpy
    ↓
dependency lain

Masalah dapat muncul ketika:

• Versi package tidak kompatibel
• Versi Python tidak cocok
• Dua proyek membutuhkan versi package berbeda
• Dependency saling bertabrakan
• Package sulit diinstall secara manual

Anaconda/Conda membantu mengelola masalah tersebut.

---

5. Apa Itu Package?

Package adalah kumpulan kode yang dapat digunakan kembali oleh program lain.

Contohnya:

NumPy

Digunakan untuk komputasi numerik.

import numpy as np

data = np.array([1, 2, 3, 4, 5])

print(data)

Pandas

Digunakan untuk pengolahan data.

import pandas as pd

data = pd.DataFrame({
    "nama": ["Andi", "Budi"],
    "umur": [20, 25]
})

print(data)

Matplotlib

Digunakan untuk visualisasi.

import matplotlib.pyplot as plt

x = [1, 2, 3, 4]
y = [2, 4, 6, 8]

plt.plot(x, y)
plt.show()

Scikit-learn

Digunakan untuk machine learning.

from sklearn.linear_model import LinearRegression

---

6. Apa Itu Dependency?

Sebuah package sering membutuhkan package lain agar dapat berjalan.

Misalnya:

Machine Learning Project
        │
        └── scikit-learn
                │
                ├── numpy
                ├── scipy
                └── joblib

Package yang dibutuhkan oleh package lain disebut dependency.

Masalah dependency merupakan salah satu alasan mengapa package manager dibutuhkan.

---

7. Apa Itu Package Manager?

Package manager adalah program yang membantu kita mengelola package.

Dengan package manager kita dapat:

install
update
remove
search

package.

Contohnya menggunakan Conda:

conda install numpy

Atau menggunakan pip:

pip install numpy

---

8. Apa Itu Conda?

Conda adalah package manager sekaligus environment manager.

Conda dapat digunakan untuk:

1. Menginstall package
2. Menghapus package
3. Mengelola dependency
4. Membuat environment
5. Menghapus environment
6. Mengatur versi Python

Contoh:

conda create -n ml python=3.12

Perintah tersebut membuat environment bernama:

ml

dengan Python:

3.12

---

9. Apa Itu Environment?

Environment adalah lingkungan terisolasi tempat Python dan package tertentu berada.

Misalnya kita memiliki dua proyek:

Project A
Python 3.11
NumPy versi A
Scikit-learn versi A

Project B
Python 3.12
NumPy versi B
Scikit-learn versi B

Jika semuanya menggunakan environment yang sama, kemungkinan terjadi konflik.

Dengan environment:

Environment A
├── Python 3.11
├── NumPy
└── Scikit-learn

Environment B
├── Python 3.12
├── NumPy
└── PyTorch

Kedua proyek dapat memiliki konfigurasi yang berbeda.

---

10. Mengapa Environment Penting?

Bayangkan kita memiliki dua proyek.

Project A

Membutuhkan:

Python 3.10
NumPy versi tertentu
Scikit-learn versi tertentu

Project B

Membutuhkan:

Python 3.12
NumPy versi berbeda
Scikit-learn versi berbeda

Jika semua package dipasang secara global, dapat terjadi konflik.

Environment menyelesaikan masalah tersebut:

Machine Learning Project
        │
        └── ml-environment

Data Analysis Project
        │
        └── data-environment

---

11. Kapan Harus Menggunakan Anaconda?

Anaconda sangat berguna jika kita bekerja dengan:

• Data Science
• Machine Learning
• Artificial Intelligence
• Scientific Computing
• Jupyter Notebook
• JupyterLab
• Banyak library Python
• Banyak proyek dengan dependency berbeda

Contohnya:

Machine Learning
        ↓
NumPy
Pandas
Scikit-learn
Matplotlib
Jupyter
        ↓
Conda environment

---

12. Kapan Tidak Harus Menggunakan Anaconda?

Anaconda bukan kewajiban untuk menggunakan Python.

Untuk proyek sederhana seperti:

Script automation
Web scraping sederhana
CLI application
Backend sederhana

Python + venv + pip sering sudah cukup.

Contohnya:

python -m venv .venv

Kemudian:

pip install requests

Jadi:

Anaconda adalah salah satu pilihan untuk mengelola Python, bukan satu-satunya cara menggunakan Python.

---

13. Anaconda vs Python Biasa

Secara sederhana:

Aspek	Python + venv	Anaconda
Python	Ya	Ya
Package management	pip	conda
Environment	venv	conda
Data Science	Bisa	Sangat cocok
Machine Learning	Bisa	Sangat cocok
Ukuran instalasi	Lebih kecil	Lebih besar
Dependency scientific	Perlu dikelola	Lebih terintegrasi
Jupyter	Install terpisah	Mudah tersedia
Cocok untuk pemula	Ya	Ya
Fleksibilitas	Tinggi	Tinggi

---

14. Anaconda Distribution vs Miniconda

Ada dua pilihan yang sering digunakan:

Anaconda Distribution
Miniconda

Anaconda Distribution

Menyediakan banyak package dan tools sejak awal.

Kelebihan:

• Mudah untuk pemula
• Banyak package tersedia
• Jupyter biasanya sudah tersedia
• Cocok untuk belajar data science

Kekurangan:

• Ukuran instalasi besar
• Banyak package mungkin tidak digunakan

Miniconda

Miniconda adalah instalasi minimal yang menyediakan Conda dan komponen dasar.

Kita kemudian menginstall package sesuai kebutuhan.

Contoh:

conda create -n ml python=3.12

Kemudian:

conda activate ml

Lalu:

conda install numpy pandas scikit-learn

Miniconda lebih minimal dan sering lebih nyaman untuk pengguna yang sudah memahami environment.

---

15. Instalasi Anaconda

Setelah mengunduh installer Anaconda, lakukan instalasi seperti software Windows lainnya.

Setelah selesai, buka:

Anaconda Prompt

Kemudian jalankan:

conda --version

Contoh output:

conda 25.x.x

Versinya dapat berbeda tergantung versi yang terinstall.

---

16. Mengecek Versi Python

Gunakan:

python --version

Contoh:

Python 3.12.x

Kita juga dapat menggunakan:

python -V

---

17. Mengecek Lokasi Python

Windows:

where python

Contoh:

C:\Users\User\miniconda3\python.exe

atau:

C:\Users\User\miniconda3\envs\ml\python.exe

Hal ini penting ketika kita memiliki beberapa instalasi Python.

---

18. Melihat Environment

Untuk melihat environment yang tersedia:

conda env list

Contoh:

# conda environments:

base                 *  C:\Users\User\miniconda3
ml                      C:\Users\User\miniconda3\envs\ml
data                    C:\Users\User\miniconda3\envs\data

Tanda:

*

menunjukkan environment yang sedang aktif.

---

19. Environment base

Setelah Anaconda/Miniconda diinstall, biasanya tersedia environment:

base

Environment tersebut adalah environment utama Conda.

Contohnya:

(base) C:\Users\User>

Artinya environment base sedang aktif.

---

20. Membuat Environment Baru

Sebaiknya proyek memiliki environment sendiri.

Contoh:

conda create -n ml python=3.12

Keterangan:

conda create

Membuat environment.

-n ml

Nama environment adalah ml.

python=3.12

Menggunakan Python 3.12.

---

21. Mengaktifkan Environment

Setelah dibuat:

conda activate ml

Jika berhasil, terminal akan berubah menjadi:

(ml) C:\Users\User>

Artinya sekarang kita berada di environment:

ml

---

22. Menonaktifkan Environment

Gunakan:

conda deactivate

Contoh:

(ml) C:\Users\User>

menjadi:

(base) C:\Users\User>

Jika ingin keluar dari base juga:

conda deactivate

---

23. Menghapus Environment

Jika environment sudah tidak dibutuhkan:

conda remove -n ml --all

Conda akan meminta konfirmasi.

Hati-hati karena seluruh package di environment tersebut akan dihapus.

---

24. Menginstall Package dengan Conda

Misalnya:

conda install numpy

Install beberapa package sekaligus:

conda install numpy pandas matplotlib

Untuk machine learning:

conda install numpy pandas matplotlib scikit-learn

---

25. Menginstall Package dengan pip

Selain Conda, kita dapat menggunakan pip.

Contoh:

pip install numpy

Atau:

pip install pandas matplotlib scikit-learn

---

26. Conda vs pip

Keduanya adalah package manager, tetapi memiliki ekosistem dan mekanisme yang berbeda.

Conda

conda install numpy

pip

pip install numpy

Untuk environment Conda, pendekatan yang umum:

1. Gunakan conda terlebih dahulu
2. Gunakan pip jika package tidak tersedia/lebih sesuai melalui PyPI

Contoh:

conda install numpy pandas scikit-learn
pip install some-package

Sebaiknya jangan mencampur package manager secara sembarangan karena dapat meningkatkan risiko dependency conflict.

---

27. Mencari Package

Kita dapat mencari package melalui Conda:

conda search numpy

Atau menggunakan PyPI melalui pip:

pip index versions numpy

---

28. Melihat Package yang Terinstall

Gunakan:

conda list

Contoh:

numpy
pandas
matplotlib
scikit-learn
jupyter

Dengan pip:

pip list

---

29. Menghapus Package

Dengan Conda:

conda remove numpy

Dengan pip:

pip uninstall numpy

---

30. Update Package

Dengan Conda:

conda update numpy

Untuk update Conda:

conda update conda

Untuk pip:

pip install --upgrade numpy

---

31. Jangan Selalu Update Semua Package

Kesalahan umum adalah menjalankan:

conda update --all

tanpa memahami dampaknya.

Update package dapat menyebabkan:

Package A
    ↓
membutuhkan dependency versi X

Package B
    ↓
membutuhkan dependency versi Y

Update besar dapat menyebabkan compatibility issue.

Dalam proyek serius, perubahan dependency sebaiknya dilakukan secara terkontrol.

---

32. Membuat Environment untuk Machine Learning

Contoh environment sederhana:

conda create -n machine-learning python=3.12

Aktifkan:

conda activate machine-learning

Install package:

conda install numpy pandas matplotlib scikit-learn

Kemudian install Jupyter:

conda install jupyter

Environment sekarang kira-kira:

machine-learning
│
├── Python
├── NumPy
├── Pandas
├── Matplotlib
├── Scikit-learn
└── Jupyter

---

33. Membuat Environment untuk Data Science

Contoh:

conda create -n data-science python=3.12

Kemudian:

conda activate data-science

Install:

conda install numpy pandas matplotlib seaborn scikit-learn jupyter

---

34. Menjalankan Python

Setelah environment aktif:

python

Akan muncul interactive Python shell:

>>>

Kemudian:

print("Hello Python")

Untuk keluar:

exit()

---

35. Menjalankan File Python

Misalnya terdapat:

main.py

Jalankan:

python main.py

Jika environment yang benar sedang aktif, Python akan dijalankan dari environment tersebut.

---

36. Apa Itu Jupyter Notebook?

Jupyter Notebook adalah lingkungan interaktif untuk menjalankan kode secara bertahap.

Sangat populer dalam:

• Data analysis
• Data visualization
• Machine learning
• Experimentation
• Pendidikan

Contohnya:

Cell 1
↓
import pandas as pd

Cell 2
↓
data = pd.read_csv("data.csv")

Cell 3
↓
data.head()

---

37. Menjalankan Jupyter Notebook

Jika Jupyter sudah diinstall:

jupyter notebook

Biasanya browser akan membuka halaman Jupyter.

---

38. Apa Itu JupyterLab?

JupyterLab adalah interface yang lebih modern dibanding Jupyter Notebook klasik.

Jalankan:

jupyter lab

JupyterLab dapat memiliki:

Notebook
Terminal
Text Editor
File Browser
Console

dalam satu interface.

Untuk pekerjaan data science, JupyterLab sangat nyaman.

---

39. Jupyter dan Environment

Perhatikan bahwa Jupyter harus menggunakan environment yang benar.

Misalnya kita memiliki:

base
ml
data

Kita ingin Jupyter menggunakan:

ml

Maka Jupyter/kernel harus dikonfigurasi agar menggunakan Python dari environment ml.

Salah satu cara:

conda activate ml

Kemudian:

conda install ipykernel

Daftarkan kernel:

python -m ipykernel install --user --name ml --display-name "Python (ml)"

Setelah itu Jupyter dapat memilih:

Python (ml)

sebagai kernel.

---

40. Apa Itu Kernel?

Kernel adalah proses yang menjalankan kode di Jupyter Notebook.

Misalnya notebook menggunakan:

Python (ml)

maka kode dijalankan menggunakan Python dari environment:

ml

Hal ini sangat penting.

Karena bisa terjadi:

Package sudah diinstall

tetapi Jupyter mengatakan:

ModuleNotFoundError

Salah satu penyebabnya adalah Jupyter menggunakan environment yang berbeda.

---

41. Mengecek Python dari Jupyter

Jalankan:

import sys

print(sys.executable)

Contoh:

C:\Users\User\miniconda3\envs\ml\python.exe

Dengan cara ini kita dapat mengetahui Python yang sebenarnya digunakan notebook.

---

42. VS Code dan Anaconda

Anaconda dapat digunakan bersama VS Code.

Struktur:

VS Code
    ↓
Python Extension
    ↓
Conda Environment
    ↓
Python

Misalnya kita memiliki:

ml

Di VS Code pilih Python interpreter:

Python 3.12 ('ml': conda)

Dengan begitu kode dijalankan menggunakan environment ml.

---

43. PyCharm dan Anaconda

PyCharm juga dapat menggunakan Conda environment.

Konsepnya sama:

PyCharm
   ↓
Python Interpreter
   ↓
Conda Environment
   ↓
Python

Jadi Anaconda bukan pengganti VS Code atau PyCharm.

Ketiganya memiliki fungsi berbeda.

Anaconda
    → Environment/package management

VS Code
    → Code editor

PyCharm
    → IDE

Jupyter
    → Interactive development

---

44. Anaconda Navigator

Anaconda juga menyediakan Anaconda Navigator, yaitu interface grafis untuk mengelola berbagai tools.

Dengan Navigator kita dapat mengakses aplikasi seperti:

Jupyter Notebook
JupyterLab
Spyder

dan mengelola environment secara grafis.

Namun untuk pekerjaan serius, memahami command line tetap sangat penting.

---

45. Command Line vs Navigator

Navigator

Kelebihan:

• Mudah untuk pemula
• Tidak perlu menghafal command
• Interface grafis

Kekurangan:

• Kurang fleksibel
• Tidak ideal untuk automation
• Kurang membantu memahami sistem secara mendalam

Command Line

Contoh:

conda create -n ml python=3.12

Kelebihan:

• Cepat
• Fleksibel
• Mudah di-script
• Lebih umum digunakan dalam workflow engineering

Sebaiknya:

Gunakan Navigator jika nyaman dengan GUI, tetapi pelajari Conda CLI karena lebih fundamental.

---

46. Struktur Workflow yang Disarankan

Untuk proyek machine learning:

Project
│
├── environment
│
├── data
│
├── notebooks
│
├── src
│
├── models
│
├── tests
│
└── README.md

Environment tidak harus berada secara fisik di folder project, tetapi project perlu memiliki cara yang jelas untuk mereproduksi environment.

---

47. Membuat Environment dengan Nama yang Jelas

Hindari:

test
test2
baru
baru2
python
env1

Gunakan nama yang menjelaskan tujuan:

ml-project
data-analysis
computer-vision
nlp-project
deep-learning

Contoh:

conda create -n computer-vision python=3.12

---

48. Environment per Project

Salah satu best practice:

Project A
    ↓
environment A

Project B
    ↓
environment B

Project C
    ↓
environment C

Bukan:

Semua project
      ↓
satu environment

Environment per project membuat dependency lebih mudah dikelola.

---

49. Export Environment

Setelah environment selesai dibuat:

conda env export > environment.yml

File:

environment.yml

dapat digunakan untuk menyimpan konfigurasi environment.

Contohnya:

name: ml
dependencies:
  - python=3.12
  - numpy
  - pandas
  - scikit-learn

File aktual akan memiliki dependency dan informasi tambahan sesuai environment yang diekspor.

---

50. Membuat Environment dari environment.yml

Jika mendapatkan project yang memiliki:

environment.yml

jalankan:

conda env create -f environment.yml

Kemudian:

conda activate ml

Dengan demikian environment dapat direproduksi pada komputer lain.

---

51. Mengupdate Environment dari File

Jika environment.yml berubah:

conda env update -f environment.yml --prune

---

52. Menggunakan requirements.txt

Dalam ekosistem Python kita juga sering menemukan:

requirements.txt

Contoh:

numpy
pandas
matplotlib
scikit-learn

Install:

pip install -r requirements.txt

Perbedaan sederhana:

environment.yml
    → Conda environment

requirements.txt
    → Python/pip dependencies

Keduanya sama-sama digunakan untuk membantu reproducibility, tetapi format dan cakupannya berbeda.

---

53. Reproducibility

Reproducibility berarti orang lain dapat membuat environment yang sama atau cukup dekat dengan environment yang kita gunakan.

Misalnya project kita menggunakan:

Python 3.12
NumPy
Pandas
Scikit-learn

Daripada hanya mengatakan:

Install beberapa library yang diperlukan.

Lebih baik menyediakan:

environment.yml

atau:

requirements.txt

---

54. Masalah Umum: ModuleNotFoundError

Misalnya:

ModuleNotFoundError: No module named 'pandas'

Padahal merasa sudah melakukan:

pip install pandas

Kemungkinan Python yang digunakan berbeda.

Periksa:

where python

dan:

where pip

Kemudian dari Python:

python -m pip --version

Cara yang lebih aman untuk install package dengan pip:

python -m pip install pandas

Karena package akan diinstall melalui Python yang sedang dipanggil.

---

55. Masalah Jupyter Tidak Menemukan Package

Misalnya:

import pandas

menghasilkan:

ModuleNotFoundError

Periksa:

import sys

print(sys.executable)

Kemudian bandingkan dengan:

where python

Jika berbeda environment, pilih kernel Jupyter yang benar.

---

56. Masalah Environment Tidak Aktif

Jika terminal menunjukkan:

(base)

tetapi kita mengira sedang menggunakan:

(ml)

jalankan:

conda activate ml

Kemudian:

conda env list

---

57. Masalah conda Tidak Dikenali

Jika muncul:

'conda' is not recognized

kemungkinan terminal belum dikonfigurasi untuk Conda.

Pada Windows, cara paling mudah adalah membuka:

Anaconda Prompt

atau:

Anaconda PowerShell Prompt

Jika Conda tersedia di sana tetapi tidak di terminal lain, masalahnya biasanya berkaitan dengan shell initialization/PATH.

---

58. Inisialisasi Conda

Conda dapat diinisialisasi untuk shell tertentu.

Contoh PowerShell:

conda init powershell

Kemudian tutup dan buka kembali terminal.

Untuk Command Prompt:

conda init cmd.exe

---

59. Jangan Menginstall Semua Package

Kesalahan umum pemula:

conda install numpy pandas matplotlib seaborn scikit-learn tensorflow pytorch ...

untuk setiap project.

Lebih baik menentukan kebutuhan project.

Misalnya project machine learning klasik:

conda install numpy pandas scikit-learn matplotlib

Project computer vision mungkin membutuhkan dependency yang berbeda.

Prinsip:

Install hanya dependency yang memang dibutuhkan project.

---

60. Memahami PATH

PATH adalah environment variable yang memberi tahu sistem operasi lokasi executable yang dapat dijalankan.

Contohnya:

python
conda
pip
jupyter

dapat ditemukan melalui PATH.

Kita dapat melihat Python yang digunakan:

where python

Jika terdapat beberapa Python:

C:\Python312\python.exe
C:\Users\User\miniconda3\python.exe
C:\Users\User\miniconda3\envs\ml\python.exe

maka penting memahami Python mana yang sedang aktif.

---

61. Mengapa python dan pip Harus Selaras?

Bayangkan:

python
↓
Python A

pip
↓
Python B

Kita menjalankan:

pip install pandas

tetapi package masuk ke Python B.

Kemudian:

python

menggunakan Python A.

Akibatnya:

import pandas

gagal.

Karena itu pendekatan:

python -m pip install pandas

lebih aman untuk memastikan pip dijalankan melalui Python yang dimaksud.

---

62. Workflow Dasar yang Direkomendasikan

Untuk project machine learning baru:

Langkah 1 — Buat environment

conda create -n ml python=3.12

Langkah 2 — Aktifkan

conda activate ml

Langkah 3 — Install package

conda install numpy pandas matplotlib scikit-learn

Langkah 4 — Install Jupyter jika diperlukan

conda install jupyter

Langkah 5 — Jalankan JupyterLab

jupyter lab

---

63. Workflow dengan VS Code

Jika menggunakan VS Code:

1. Buat Conda environment
2. Aktifkan environment
3. Install dependency
4. Buka project di VS Code
5. Pilih Python interpreter
6. Pastikan interpreter menunjuk ke environment project
7. Jalankan program

Contoh:

conda create -n ml python=3.12
conda activate ml
conda install numpy pandas scikit-learn

Kemudian pilih:

Python 3.12 ('ml': conda)

di VS Code.

---

64. Workflow dengan JupyterLab

1. Buat environment
2. Aktifkan environment
3. Install Jupyter
4. Install library
5. Jalankan JupyterLab
6. Pilih kernel yang benar
7. Mulai eksperimen

Contoh:

conda create -n ml python=3.12
conda activate ml
conda install numpy pandas scikit-learn matplotlib jupyter
jupyter lab

---

65. Workflow dengan PyCharm

1. Buat Conda environment
2. Aktifkan/konfigurasi environment
3. Buka project
4. Pilih interpreter Conda
5. Install dependency
6. Jalankan aplikasi

PyCharm kemudian menggunakan Python dari environment tersebut.

---

66. Apakah Harus Menggunakan Conda untuk Machine Learning?

Tidak.

Machine learning dapat dilakukan dengan:

Python + pip + venv

atau:

Conda + Python

atau:

uv + Python

dan berbagai tool lainnya.

Yang paling penting adalah memahami konsep:

Python
Package
Dependency
Environment
Interpreter
Package manager

---

67. Anaconda dalam Machine Learning

Dalam workflow machine learning:

Data
 ↓
Python
 ↓
Environment
 ↓
NumPy / Pandas
 ↓
Preprocessing
 ↓
Scikit-learn
 ↓
Training
 ↓
Evaluation
 ↓
Model

Anaconda/Conda berada pada lapisan environment management:

              Project
                 │
          Conda Environment
                 │
       ┌─────────┼─────────┐
       ↓         ↓         ↓
    Python     NumPy     Pandas
                 │
            Scikit-learn

Anaconda bukan algoritma machine learning.

Anaconda juga bukan library machine learning.

Fungsinya terutama adalah menyediakan dan mengelola lingkungan kerja.

---

68. Kesalahan Konseptual yang Harus Dihindari

Salah: Anaconda adalah bahasa pemrograman

Tidak.

Python adalah bahasa pemrogramannya.

Salah: Conda adalah Python

Tidak.

Conda adalah package dan environment manager.

Salah: Jupyter adalah Python

Tidak.

Jupyter adalah environment/interface untuk menjalankan kode secara interaktif.

Salah: VS Code adalah environment

Tidak.

VS Code adalah code editor.

Salah: Anaconda diperlukan untuk menggunakan Python

Tidak.

Python dapat digunakan tanpa Anaconda.

---

69. Analogi Sederhana

Bayangkan kita memiliki sebuah bengkel.

Python
↓
Mesin utama

Package
↓
Peralatan

Conda
↓
Pengelola peralatan dan lingkungan

Environment
↓
Ruang kerja khusus

Jupyter
↓
Meja eksperimen

VS Code
↓
Meja kerja programmer

Misalnya kita memiliki:

Bengkel Machine Learning

dan:

Bengkel Web Development

Keduanya dapat memiliki:

Python

tetapi menggunakan peralatan dan konfigurasi berbeda.

Environment memungkinkan keduanya tidak saling mengganggu.

---

70. Best Practice

Beberapa praktik yang disarankan:

1. Gunakan environment per project

project-a → env-a
project-b → env-b

2. Gunakan nama environment yang jelas

Contoh:

ml
data-analysis
nlp
computer-vision

3. Jangan install semua package ke base

Gunakan environment khusus.

4. Dokumentasikan dependency

Gunakan:

environment.yml

atau:

requirements.txt

5. Pastikan interpreter benar

Periksa:

where python

dan dari Python:

import sys

print(sys.executable)

6. Hindari update package tanpa alasan

Update dependency secara terkontrol.

7. Jangan mengandalkan GUI saja

Pelajari command:

conda create
conda activate
conda deactivate
conda install
conda remove
conda list
conda env list

---

71. Command Conda yang Wajib Diketahui

Command	Fungsi
conda --version	Melihat versi Conda
conda env list	Melihat environment
conda create	Membuat environment
conda activate	Mengaktifkan environment
conda deactivate	Menonaktifkan environment
conda install	Install package
conda remove	Menghapus package
conda list	Melihat package
conda update	Update package
conda search	Mencari package
conda env export	Export environment
conda env create	Membuat environment dari file
conda env remove	Menghapus environment

---

72. Cheat Sheet

Cek Conda

conda --version

Cek Python

python --version

Lihat environment

conda env list

Buat environment

conda create -n ml python=3.12

Aktifkan

conda activate ml

Install package

conda install numpy pandas scikit-learn

Lihat package

conda list

Jalankan Python

python

Jalankan Jupyter

jupyter notebook

atau:

jupyter lab

Keluar environment

conda deactivate

Export environment

conda env export > environment.yml

Membuat environment dari file

conda env create -f environment.yml

---

73. Contoh Lengkap: Membuat Environment Machine Learning

Mulai dari awal.

Membuat environment

conda create -n machine-learning python=3.12

Aktifkan

conda activate machine-learning

Pastikan Python benar

python --version

Kemudian:

where python

Install library

conda install numpy pandas matplotlib scikit-learn

Install Jupyter

conda install jupyter ipykernel

Daftarkan kernel

python -m ipykernel install --user --name machine-learning --display-name "Python (machine-learning)"

Jalankan JupyterLab

jupyter lab

Sekarang notebook dapat menggunakan:

Python (machine-learning)

---

74. Cara Memastikan Environment Sudah Benar

Di notebook jalankan:

import sys

print(sys.executable)

Kemudian:

import numpy
import pandas
import sklearn

print("Environment berhasil digunakan")

Jika tidak ada error, environment sudah dapat digunakan untuk workflow machine learning dasar.

---

75. Arsitektur Sederhana Ekosistem Python

Secara konseptual:

Operating System
       │
       ↓
Python / Conda
       │
       ↓
Environment
       │
       ├── Python Interpreter
       │
       ├── Package
       │    ├── NumPy
       │    ├── Pandas
       │    ├── Matplotlib
       │    └── Scikit-learn
       │
       └── Tools
            ├── Jupyter
            └── IPython

Editor seperti VS Code atau PyCharm berada di luar environment tetapi dapat menggunakan interpreter dari environment tersebut.

---

76. Hal yang Perlu Dipahami Setelah Materi Ini

Setelah memahami dasar Anaconda, jangan berhenti pada hafalan command.

Pastikan memahami hubungan:

Python
   ↓
Interpreter
   ↓
Environment
   ↓
Package
   ↓
Dependency
   ↓
Package Manager

Dan memahami bahwa:

Anaconda
    ↓
Distribusi Python

Conda
    ↓
Package + Environment Manager

Python
    ↓
Bahasa pemrograman

pip
    ↓
Python package installer

venv
    ↓
Python environment bawaan

Jupyter
    ↓
Interactive development environment

VS Code / PyCharm
    ↓
Code editor / IDE

---

77. Kesimpulan

Anaconda bukanlah sesuatu yang wajib digunakan untuk Python. Namun, Anaconda/Conda sangat berguna ketika kita bekerja dengan Data Science, Machine Learning, Scientific Computing, dan proyek yang memiliki banyak dependency.

Konsep terpenting yang harus dipahami adalah environment.

Daripada menggunakan satu Python untuk semua proyek:

Semua Project
      ↓
Satu Python
      ↓
Banyak dependency
      ↓
Potensi konflik

lebih baik menggunakan environment:

Project A
   ↓
Environment A

Project B
   ↓
Environment B

Project C
   ↓
Environment C

Untuk pembelajaran machine learning, workflow yang sederhana dan baik adalah:

Anaconda / Miniconda
        ↓
Conda Environment
        ↓
Python
        ↓
NumPy + Pandas
        ↓
Matplotlib / Seaborn
        ↓
Scikit-learn
        ↓
Machine Learning

Dengan memahami Anaconda, Conda, Python, package, dependency, environment, Jupyter, dan interpreter, kita akan lebih mudah memahami mengapa sebuah project Python bisa berjalan di satu komputer tetapi gagal di komputer lain, serta bagaimana membangun environment machine learning yang rapi dan reproducible.