Skip to main content

Setup Environment

Pengenalan Conda​

Conda adalah package manager dan environment manager yang banyak digunakan dalam pengembangan Python, Data Science, dan Machine Learning.

Conda membantu kita dalam dua hal utama:

  1. Mengelola package/library
  2. Mengelola environment/project

Dalam project Machine Learning, kedua hal tersebut sangat penting karena setiap project dapat membutuhkan versi Python dan library yang berbeda.

Contohnya:

Project A
Python 3.11
scikit-learn 1.x
pandas 2.x

Project B
Python 3.12
scikit-learn versi berbeda
pandas versi berbeda

Jika semuanya dipasang pada satu environment global, kemungkinan terjadi konflik dependency akan semakin besar.

Dengan Conda, kita dapat membuat environment terpisah:

                 Conda
                   │
        ┌──────────┼──────────┐
        │          │          │
        ▼          ▼          ▼
     env-ml     env-data    env-web
        │          │          │
     Python     Python      Python
     NumPy      Pandas      FastAPI
     Pandas     Jupyter     Uvicorn
     Sklearn    Matplotlib

Setiap environment dapat memiliki konfigurasi package yang berbeda.

Apa Itu Package Manager?​

Package manager adalah software yang digunakan untuk menginstal, menghapus, memperbarui, dan mengelola dependency sebuah aplikasi atau project.

Dalam Python terdapat beberapa package manager yang umum digunakan.

Contohnya:

  • pip
  • conda
  • uv
  • poetry

Dengan package manager kita tidak perlu mengunduh dan memasang library secara manual.

Contohnya menggunakan pip:

pip install pandas

Dengan Conda:

conda install pandas

Keduanya dapat digunakan untuk menginstal package Python, tetapi cara kerja dan ekosistemnya memiliki beberapa perbedaan.

Apa Itu Environment Manager?​

Environment manager digunakan untuk membuat lingkungan terisolasi untuk sebuah project.

Misalnya kita mempunyai dua project:

Project Machine Learning
Python 3.11
scikit-learn
pandas
numpy

Project Computer Vision
Python 3.12
opencv
pytorch
numpy

Daripada memasang semuanya ke Python sistem, kita dapat membuat environment:

ml-project
computer-vision

Sehingga dependency masing-masing project terisolasi.

Conda vs pip​

Conda dan pip sering digunakan bersama, tetapi keduanya bukan sesuatu yang sepenuhnya sama.

pip​

pip adalah package installer untuk Python.

Contoh:

pip install numpy
pip install pandas
pip install scikit-learn

pip terutama mengelola package dari ekosistem Python Package Index atau PyPI.

Conda​

Conda dapat mengelola:

  • Python
  • package Python
  • package non-Python tertentu
  • dependency
  • environment

Contohnya:

conda create -n ml-env python=3.11

Kemudian:

conda activate ml-env

Lalu kita dapat memasang package:

conda install numpy pandas scikit-learn

Anaconda, Miniconda, dan Conda​

Ketiga istilah ini sering membingungkan.

Conda​

Conda adalah package manager dan environment manager.

Conda dapat digunakan untuk:

  • membuat environment
  • menghapus environment
  • menginstal package
  • menghapus package
  • mengatur versi Python
  • mengelola dependency

Anaconda​

Anaconda adalah distribution yang menyediakan Conda beserta banyak package Data Science.

Anaconda biasanya menyediakan banyak package sejak awal.

Contohnya:

Anaconda
├── Conda
├── Python
├── NumPy
├── Pandas
├── Matplotlib
├── Jupyter
├── SciPy
└── berbagai package lainnya

Karena ukurannya cukup besar, Anaconda tidak selalu diperlukan untuk setiap project.

Miniconda​

Miniconda adalah versi minimal dari Anaconda.

Miniconda biasanya hanya menyediakan komponen dasar seperti:

Miniconda
├── Conda
└── Python

Package lain dapat kita install sesuai kebutuhan.

Untuk pembelajaran Machine Learning, Miniconda sering menjadi pilihan yang menarik karena lebih ringan.

Kapan Menggunakan Conda?​

Conda sangat berguna ketika:

  • memiliki banyak project Python
  • membutuhkan versi Python yang berbeda
  • mengembangkan Machine Learning
  • mengembangkan Data Science
  • menggunakan banyak dependency
  • membutuhkan environment terisolasi
  • bekerja dengan library yang memiliki dependency kompleks

Contohnya:

Project ML
Python 3.11

Project Deep Learning
Python 3.12

Project Backend
Python 3.10

Ketiga project tersebut dapat menggunakan environment berbeda.

Kapan Tidak Harus Menggunakan Conda?​

Conda bukan keharusan untuk semua project Python.

Untuk project sederhana, kita dapat menggunakan:

python -m venv .venv

Kemudian:

pip install requests

Untuk project kecil, venv + pip sering kali sudah cukup.

Jadi pemilihan tool sebaiknya disesuaikan dengan kebutuhan project.

Conda Environment​

Conda environment adalah lingkungan Python yang terisolasi dari environment lainnya.

Misalnya:

Conda
│
├── base
│
├── machine-learning
│
├── data-analysis
│
└── web-api

Masing-masing environment dapat mempunyai:

  • versi Python sendiri
  • package sendiri
  • dependency sendiri

Environment base​

Ketika Conda pertama kali digunakan, biasanya terdapat environment bernama:

base

Contohnya:

(base) user@computer ~ %

Artinya terminal sedang berada di environment base.

Sebaiknya environment base tidak digunakan sebagai environment utama untuk semua project.

Lebih baik membuat environment khusus.

Contohnya:

base
machine-learning
data-analysis
fastapi-project

Membuat Conda Environment​

Untuk membuat environment baru:

conda create -n machine-learning python=3.11

Penjelasan:

conda create

digunakan untuk membuat environment.

-n machine-learning

menentukan nama environment.

python=3.11

menentukan versi Python.

Mengaktifkan Environment​

Setelah environment dibuat:

conda activate machine-learning

Jika berhasil, terminal biasanya akan berubah menjadi:

(machine-learning) user@computer

Sekarang Python yang digunakan berasal dari environment tersebut.

Mengecek Versi Python​

Gunakan:

python --version

Contoh:

Python 3.11.9

Kita juga dapat menggunakan:

python -V

Mengecek Environment Aktif​

Gunakan:

conda env list

Contoh:

# conda environments:
#
base                    /Users/user/miniconda3
machine-learning     *  /Users/user/miniconda3/envs/machine-learning
data-analysis           /Users/user/miniconda3/envs/data-analysis

Tanda * menunjukkan environment yang sedang aktif.

Melihat Package yang Terpasang​

Gunakan:

conda list

Perintah ini akan menampilkan package yang terpasang pada environment aktif.

Contoh:

numpy
pandas
scikit-learn
matplotlib

Menginstal Package​

Package dapat diinstal menggunakan Conda.

Contoh:

conda install numpy pandas matplotlib scikit-learn

Atau satu package:

conda install pandas

Menggunakan pip di Conda Environment​

Kita juga dapat menggunakan pip di dalam Conda environment.

Contohnya:

conda activate machine-learning

Kemudian:

pip install seaborn

Hal ini umum dilakukan ketika package yang dibutuhkan tidak tersedia atau lebih mudah dipasang melalui PyPI.

Namun sebaiknya jangan mencampur package manager secara sembarangan.

Pendekatan yang lebih aman:

  1. Buat Conda environment.
  2. Install dependency utama menggunakan Conda jika tersedia.
  3. Gunakan pip untuk package yang memang diperlukan dari PyPI.
  4. Hindari instalasi berulang dengan conda dan pip untuk package yang sama.

Menonaktifkan Environment​

Untuk keluar dari environment:

conda deactivate

Contohnya:

(machine-learning) user@computer

menjadi:

(base) user@computer

Jika ingin keluar dari Conda sepenuhnya, dapat menjalankan lagi:

conda deactivate

Menghapus Environment​

Jika environment sudah tidak digunakan:

conda remove -n machine-learning --all

Perintah tersebut akan menghapus seluruh environment beserta package di dalamnya.

Hati-hati ketika menjalankan perintah ini karena data dan package di environment tersebut akan dihapus.

Membuat Environment dengan Versi Python Tertentu​

Contoh menggunakan Python 3.10:

conda create -n project-python310 python=3.10

Python 3.11:

conda create -n project-python311 python=3.11

Python 3.12:

conda create -n project-python312 python=3.12

Dengan cara ini, beberapa project dapat menggunakan versi Python yang berbeda.

Menentukan Environment untuk Project​

Idealnya setiap project mempunyai environment sendiri.

Contohnya:

projects/
│
├── machine-learning/
│   └── environment: ml-env
│
├── data-analysis/
│   └── environment: data-env
│
└── fastapi-api/
    └── environment: api-env

Hal ini membantu mencegah konflik dependency.

Contoh Konflik Dependency​

Misalnya:

Project A membutuhkan:
pandas versi tertentu

Project B membutuhkan:
pandas versi lain

Jika kedua project menggunakan environment yang sama:

Global Environment
├── pandas
├── numpy
├── scikit-learn
└── ...

bisa terjadi konflik.

Dengan environment terpisah:

ml-env
├── pandas versi A
├── numpy
└── scikit-learn

data-env
├── pandas versi B
├── numpy
└── matplotlib

kedua project dapat berjalan secara independen.

Setup Conda di Mac​

Pada macOS, kita dapat menggunakan Miniconda atau Anaconda.

Untuk kebutuhan pembelajaran dan project, Miniconda merupakan pilihan yang ringan.

Memeriksa Arsitektur Mac​

Sebelum melakukan instalasi, kita dapat mengecek arsitektur CPU.

Buka Terminal:

uname -m

Jika hasilnya:

arm64

berarti menggunakan Apple Silicon.

Contohnya:

  • M1
  • M2
  • M3
  • M4

Jika hasilnya:

x86_64

berarti menggunakan arsitektur Intel.

Instalasi Miniconda di Mac​

Setelah installer yang sesuai diunduh, jalankan installer melalui Terminal.

Contoh untuk Apple Silicon:

bash Miniconda3-latest-MacOSX-arm64.sh

Untuk Mac Intel:

bash Miniconda3-latest-MacOSX-x86_64.sh

Ikuti instruksi installer sampai selesai.

Setelah instalasi selesai, tutup dan buka kembali Terminal.

Kemudian periksa:

conda --version

Contoh:

conda 25.x.x

Versi yang muncul dapat berbeda tergantung versi Conda yang digunakan.

Inisialisasi Conda di Mac​

Jika perintah conda belum bekerja secara otomatis, jalankan:

conda init zsh

Kemudian restart Terminal.

Jika menggunakan Bash:

conda init bash

Untuk mengetahui shell yang digunakan:

echo $SHELL

Membuat Environment di Mac​

Contoh:

conda create -n machine-learning python=3.11

Aktifkan:

conda activate machine-learning

Kemudian periksa:

python --version

Setup Conda di Windows​

Pada Windows, kita dapat menggunakan:

  • Anaconda
  • Miniconda
  • Miniforge

Untuk pembelajaran Python dan Machine Learning, Miniconda atau Miniforge dapat menjadi pilihan yang lebih ringan dibandingkan instalasi Anaconda penuh.

Memeriksa Windows Terminal​

Conda dapat digunakan melalui beberapa terminal, misalnya:

  • Anaconda Prompt
  • PowerShell
  • Command Prompt
  • Windows Terminal

Setelah instalasi, cara paling sederhana untuk pemula adalah menggunakan Anaconda Prompt atau terminal yang sudah diinisialisasi oleh Conda.

Instalasi Miniconda di Windows​

Setelah installer Windows diunduh, jalankan file installer.

Biasanya file memiliki format:

Miniconda3-latest-Windows-x86_64.exe

Ikuti proses instalasi sampai selesai.

Setelah itu buka terminal baru.

Kemudian jalankan:

conda --version

Jika berhasil, akan muncul versi Conda.

Inisialisasi Conda di Windows​

Jika menggunakan PowerShell dan perintah conda belum tersedia, Conda dapat diinisialisasi:

conda init powershell

Setelah itu tutup dan buka kembali PowerShell.

Kemudian:

conda --version

Membuat Environment di Windows​

Gunakan:

conda create -n machine-learning python=3.11

Aktifkan:

conda activate machine-learning

Kemudian:

python --version

Mengecek Lokasi Python di Windows​

Gunakan:

where python

Contoh hasil:

C:\Users\User\miniconda3\envs\machine-learning\python.exe

Hal ini berguna untuk memastikan Python yang digunakan berasal dari environment yang benar.

Setup Conda di Linux​

Pada Linux, Conda dapat digunakan melalui:

  • Miniconda
  • Anaconda
  • Miniforge

Untuk server atau environment development yang ringan, Miniconda sering menjadi pilihan praktis.

Memeriksa Arsitektur Linux​

Gunakan:

uname -m

Contoh:

x86_64

atau:

aarch64

Pemilihan installer harus disesuaikan dengan arsitektur sistem.

Instalasi Miniconda di Linux​

Setelah installer diunduh, berikan permission:

chmod +x Miniconda3-latest-Linux-x86_64.sh

Kemudian jalankan:

./Miniconda3-latest-Linux-x86_64.sh

Ikuti instruksi instalasi sampai selesai.

Biasanya installer akan menanyakan apakah Conda akan diinisialisasi ke shell.

Pilih opsi yang sesuai jika ingin menggunakan Conda secara langsung dari terminal.

Mengaktifkan Conda di Linux​

Setelah instalasi selesai, restart terminal.

Kemudian:

conda --version

Jika belum tersedia, shell dapat diinisialisasi menggunakan:

conda init bash

Jika menggunakan Zsh:

conda init zsh

Setelah itu restart terminal.

Membuat Environment di Linux​

Contoh:

conda create -n machine-learning python=3.11

Aktifkan:

conda activate machine-learning

Periksa:

python --version

Struktur Environment Conda​

Secara konseptual, environment dapat dibayangkan seperti berikut:

Miniconda / Anaconda
│
├── base
│   ├── Python
│   └── Conda
│
├── machine-learning
│   ├── Python
│   ├── NumPy
│   ├── Pandas
│   ├── Matplotlib
│   └── Scikit-Learn
│
├── data-analysis
│   ├── Python
│   ├── Pandas
│   ├── NumPy
│   └── Matplotlib
│
└── fastapi-project
    ├── Python
    ├── FastAPI
    └── Uvicorn

Setiap environment memiliki dependency yang dapat dikelola secara terpisah.

Workflow Conda untuk Project Machine Learning​

Workflow yang umum digunakan:

Install Conda
     │
     ▼
Buat Environment
     │
     ▼
Pilih Versi Python
     │
     ▼
Aktifkan Environment
     │
     ▼
Install Package
     │
     ▼
Buat Project
     │
     ▼
Kerjakan Project
     │
     ▼
Export Environment

Contohnya:

conda create -n machine-learning python=3.11

Kemudian:

conda activate machine-learning

Install package:

conda install numpy pandas matplotlib scikit-learn

Membuat Environment dari File​

Environment dapat disimpan ke dalam file.

Gunakan:

conda env export > environment.yml

Contoh struktur file:

name: machine-learning
channels:
  - defaults
dependencies:
  - python=3.11
  - numpy
  - pandas
  - matplotlib
  - scikit-learn

File tersebut dapat disimpan di repository project.

Contohnya:

machine-learning-project/
│
├── notebooks/
├── src/
├── data/
├── environment.yml
└── README.md

Membuat Environment dari environment.yml​

Jika project memiliki file:

environment.yml

environment dapat dibuat menggunakan:

conda env create -f environment.yml

Kemudian aktifkan:

conda activate machine-learning

Cara ini sangat berguna ketika project dikerjakan oleh beberapa orang.

Memperbarui Environment dari File​

Jika environment.yml berubah, gunakan:

conda env update -f environment.yml --prune

Option --prune dapat membantu menghapus dependency yang sudah tidak didefinisikan dalam environment file.

Export Environment untuk Reproduksi​

Salah satu tujuan utama environment adalah reproducibility.

Misalnya project Machine Learning dibuat menggunakan:

Python 3.11
NumPy
Pandas
Scikit-Learn
Matplotlib

Konfigurasi tersebut dapat disimpan.

Orang lain kemudian dapat membuat environment yang sama:

conda env create -f environment.yml

Hal ini sangat berguna dalam:

  • pembelajaran
  • penelitian
  • Machine Learning
  • Data Science
  • deployment
  • kerja tim

Conda dan Jupyter Notebook​

Conda sangat sering digunakan bersama Jupyter.

Misalnya kita membuat environment:

conda create -n machine-learning python=3.11

Aktifkan:

conda activate machine-learning

Kemudian install Jupyter:

conda install jupyter

Jalankan:

jupyter lab

Notebook yang dijalankan dari environment tersebut dapat menggunakan package yang telah dipasang pada environment.

Memastikan Jupyter Menggunakan Environment yang Benar​

Untuk project Machine Learning, penting memastikan kernel Jupyter menggunakan environment yang benar.

Install ipykernel:

conda install ipykernel

Kemudian daftarkan environment:

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

Ketika membuka Jupyter, pilih:

Python (machine-learning)

Dengan demikian notebook akan menggunakan Python dari environment tersebut.

Conda Environment dan VS Code​

Conda juga dapat digunakan bersama Visual Studio Code.

Contoh struktur:

machine-learning/
├── notebooks/
├── src/
├── data/
└── environment.yml

Setelah environment dibuat:

conda create -n machine-learning python=3.11

aktifkan:

conda activate machine-learning

Di VS Code, pilih Python interpreter dari environment:

machine-learning

Hal ini penting agar kode yang dijalankan oleh VS Code menggunakan dependency dari environment yang benar.

Perintah Conda yang Penting​

Berikut beberapa perintah yang paling sering digunakan:

PerintahFungsi
conda --versionMelihat versi Conda
conda infoMelihat informasi Conda
conda env listMelihat environment
conda createMembuat environment
conda activateMengaktifkan environment
conda deactivateMenonaktifkan environment
conda installMenginstal package
conda updateMemperbarui package
conda removeMenghapus package
conda listMelihat package
conda env exportExport environment
conda env createMembuat environment dari file
conda env updateMemperbarui environment
conda cleanMembersihkan cache tertentu

Contoh Workflow Lengkap​

Misalnya kita ingin membuat project Machine Learning baru.

Membuat Project​

mkdir machine-learning-project
cd machine-learning-project

Membuat Environment​

conda create -n ml-project python=3.11

Mengaktifkan Environment​

conda activate ml-project

Menginstal Library​

conda install numpy pandas matplotlib scikit-learn

Jika membutuhkan Seaborn:

pip install seaborn

Memeriksa Python​

python --version

Memeriksa Package​

conda list

Menjalankan Jupyter​

jupyter lab

Kesalahan yang Sering Terjadi​

Conda Tidak Ditemukan​

Jika muncul:

conda: command not found

atau Windows menampilkan pesan bahwa conda tidak dikenali, kemungkinan Conda belum masuk ke PATH atau shell belum diinisialisasi.

Solusinya dapat berupa:

conda init

Kemudian restart terminal.

Environment Belum Diaktifkan​

Misalnya kita sudah membuat:

conda create -n machine-learning python=3.11

tetapi lupa:

conda activate machine-learning

Package kemudian mungkin terpasang pada environment yang tidak kita inginkan.

Biasakan memeriksa prompt terminal:

(machine-learning)

sebelum bekerja.

Python yang Digunakan Salah​

Jika project seharusnya menggunakan Python 3.11 tetapi:

python --version

menunjukkan versi lain, periksa environment:

conda env list

Kemudian aktifkan:

conda activate machine-learning

Jupyter Menggunakan Kernel yang Salah​

Jupyter dapat menggunakan kernel dari environment berbeda.

Pastikan environment sudah didaftarkan:

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

Kemudian pilih kernel yang sesuai di Jupyter.

Apakah Setiap Project Harus Memiliki Environment?​

Untuk project yang serius, sangat disarankan setiap project memiliki environment sendiri.

Contohnya:

Project A
└── environment A

Project B
└── environment B

Project C
└── environment C

Tidak berarti setiap project harus selalu menggunakan Conda.

Pilihan dapat berupa:

Conda
venv
uv
Poetry

Yang paling penting adalah dependency project terisolasi dan dapat direproduksi.

Rekomendasi untuk Pembelajaran Machine Learning​

Untuk pembelajaran Machine Learning menggunakan Python, struktur sederhana yang dapat digunakan:

machine-learning/
│
├── notebooks/
│   ├── 01-introduction.ipynb
│   ├── 02-data-preprocessing.ipynb
│   ├── 03-regression.ipynb
│   └── 04-classification.ipynb
│
├── data/
│
├── src/
│
├── models/
│
├── environment.yml
│
└── README.md

Environment:

conda create -n machine-learning python=3.11

Kemudian:

conda activate machine-learning

Package dasar:

conda install numpy pandas matplotlib scikit-learn jupyter

Jika membutuhkan Seaborn:

pip install seaborn

Checklist Setup Conda​

Setelah instalasi, pastikan beberapa hal berikut sudah berhasil.

Conda​

conda --version

Python​

python --version

Environment​

conda env list

Package​

conda list

Aktivasi​

conda activate machine-learning

Jupyter​

jupyter lab

Jika seluruhnya berjalan dengan baik, environment sudah siap digunakan untuk pembelajaran Machine Learning.

Kesimpulan​

Conda merupakan tool yang sangat berguna untuk mengelola environment dan dependency, terutama pada project Python yang melibatkan banyak library seperti Data Science dan Machine Learning.

Konsep utama yang perlu dipahami:

Conda
│
├── Package Management
│
├── Environment Management
│
├── Python Version Management
│
└── Dependency Management

Workflow dasar yang perlu dikuasai:

conda create -n machine-learning python=3.11
conda activate machine-learning
conda install numpy pandas matplotlib scikit-learn

Untuk project yang dapat digunakan kembali atau dikerjakan bersama orang lain, simpan konfigurasi environment:

conda env export > environment.yml

Kemudian environment dapat dibuat kembali menggunakan:

conda env create -f environment.yml

Dengan memahami Conda dan environment, kita dapat membangun workflow Python yang lebih terstruktur, terisolasi, dan reproducible.