Random Seed

Seperti yang sudah dibahas pada materi sebelumnya, NumPy menyediakan berbagai fungsi untuk membuat array secara cepat dan efisien.

Kita tidak selalu perlu memasukkan setiap angka secara manual. NumPy menyediakan fungsi seperti:

np.array()
np.ones()
np.zeros()
np.arange()
np.random.randint()
np.random.random()

Selain membuat array, NumPy juga menyediakan kemampuan untuk menghasilkan angka pseudo-random.

Angka random banyak digunakan dalam Data Science dan Machine Learning, misalnya untuk:

membuat data simulasi,
melakukan eksperimen,
mengacak data,
inisialisasi,
pengujian algoritma,
dan berbagai kebutuhan komputasi numerik.

Pada materi ini kita juga akan mempelajari random seed, yaitu konsep penting untuk membuat eksperimen dapat direproduksi.

1. Membuat Array dari Python List

Cara paling dasar untuk membuat NumPy array adalah menggunakan np.array().

Contoh:

import numpy as np

sample_array = np.array([1, 2, 3])

print(sample_array)

Output:

[1 2 3]

np.array() dapat digunakan untuk mengubah struktur data seperti Python list menjadi NumPy ndarray.

Kita juga dapat memeriksa tipe objek:

type(sample_array)

Hasil:

numpy.ndarray

2. Membuat Array dengan `np.ones()`

Fungsi np.ones() digunakan untuk membuat array yang seluruh elemennya bernilai 1.

Contoh:

ones = np.ones((2, 3))

print(ones)

Output:

[[1. 1. 1.]
 [1. 1. 1.]]

Shape:

(2, 3)

berarti:

2 baris × 3 kolom

Secara visual:

1   1   1
1   1   1

Menentukan Tipe Data

Secara default, np.ones() menghasilkan floating point.

Jika membutuhkan integer, kita dapat menentukan dtype:

ones = np.ones(
    (2, 3),
    dtype=int
)

print(ones)

Output:

[[1 1 1]
 [1 1 1]]

3. Membuat Array dengan `np.zeros()`

Fungsi np.zeros() digunakan untuk membuat array yang seluruh elemennya bernilai 0.

Contoh:

zeros = np.zeros((2, 3))

print(zeros)

Output:

[[0. 0. 0.]
 [0. 0. 0.]]

Sama seperti np.ones(), kita juga dapat menentukan tipe datanya:

zeros = np.zeros(
    (2, 3),
    dtype=int
)

print(zeros)

Output:

[[0 0 0]
 [0 0 0]]

4. Kegunaan `np.zeros()` dan `np.ones()`

Array yang berisi nol atau satu sering digunakan sebagai array awal atau placeholder.

Misalnya kita ingin membuat array dengan ukuran tertentu terlebih dahulu:

data = np.zeros(5)

print(data)

Hasil:

[0. 0. 0. 0. 0.]

Array tersebut nantinya dapat digunakan dalam proses komputasi tertentu.

Dalam Machine Learning dan komputasi numerik, teknik inisialisasi seperti ini dapat muncul dalam berbagai konteks.

5. Membuat Array dengan `np.arange()`

Fungsi np.arange() digunakan untuk membuat array berdasarkan rentang angka.

Sintaks:

np.arange(start, stop, step)

Parameter:

Parameter	Keterangan
`start`	Nilai awal
`stop`	Batas akhir
`step`	Jarak antar nilai

Contoh:

range_array = np.arange(
    0,
    10,
    2
)

print(range_array)

Output:

[0 2 4 6 8]

Perhatikan bahwa 10 tidak termasuk dalam hasil.

Dengan demikian:

np.arange(0, 10, 2)

berarti:

Mulai dari 0
Berhenti sebelum 10
Naik 2 setiap langkah

6. Contoh `np.arange()`

Jika hanya memberikan satu parameter:

numbers = np.arange(5)

print(numbers)

hasilnya:

[0 1 2 3 4]

Secara konsep:

np.arange(5)

menggunakan:

start = 0
step = 1
stop = 5

Nilai 5 tidak termasuk.

Kita juga dapat membuat urutan menurun:

numbers = np.arange(
    10,
    0,
    -2
)

print(numbers)

Output:

[10 8 6 4 2]

7. Membuat Array dengan Nilai Acak

NumPy menyediakan modul random untuk menghasilkan angka pseudo-random.

Istilah pseudo-random digunakan karena angka tersebut dihasilkan menggunakan algoritma komputer, bukan benar-benar muncul secara acak seperti fenomena fisik.

Contoh sederhana:

np.random.randint(0, 10)

Setiap kali dijalankan, kita dapat memperoleh angka yang berbeda.

Angka random banyak digunakan dalam:

simulasi,
eksperimen,
pengujian,
sampling,
Machine Learning,
dan berbagai proses numerik.

8. Membuat Integer Acak dengan `np.random.randint()`

Fungsi np.random.randint() digunakan untuk membuat bilangan bulat secara pseudo-random.

Sintaks:

np.random.randint(low, high, size)

Contoh:

random_array = np.random.randint(
    0,
    10,
    size=(3, 5)
)

print(random_array)

Contoh output:

[[3 8 1 6 4]
 [7 2 9 0 5]
 [1 4 6 8 2]]

Hasil sebenarnya dapat berbeda setiap kali kode dijalankan.

Memahami `low` dan `high`

Pada:

np.random.randint(0, 10)

nilai yang dapat dihasilkan adalah:

0 sampai 9

Nilai 10 tidak termasuk.

Aturannya:

low  → termasuk
high → tidak termasuk

9. Menentukan Ukuran Array Random

Parameter size menentukan bentuk array yang ingin dibuat.

Contoh:

random_array = np.random.randint(
    0,
    10,
    size=(3, 5)
)

menghasilkan:

3 baris × 5 kolom

Jika:

size=(2, 4)

maka hasilnya:

2 baris × 4 kolom

Sedangkan:

size=5

akan menghasilkan array satu dimensi dengan 5 elemen.

10. Membuat Float Acak dengan `np.random.random()`

Fungsi np.random.random() digunakan untuk menghasilkan angka desimal pseudo-random dalam rentang:

0.0 <= nilai < 1.0

Contoh:

random_array = np.random.random((5, 3))

print(random_array)

Contoh output:

[[0.21 0.74 0.35]
 [0.89 0.12 0.53]
 [0.46 0.67 0.08]
 [0.31 0.95 0.42]
 [0.73 0.16 0.58]]

Angka yang dihasilkan akan berbeda setiap kali program dijalankan jika kita tidak mengatur seed.

11. Perbandingan Array Random

Kita sekarang memiliki beberapa cara untuk membuat data random.

Fungsi	Jenis Data	Rentang
`np.random.randint()`	Integer	`low` hingga sebelum `high`
`np.random.random()`	Float	`0.0` hingga kurang dari `1.0`

Contoh:

random_integer = np.random.randint(
    0,
    10,
    size=5
)

random_float = np.random.random(5)

Hasilnya dapat berupa:

Integer:
[2 8 1 5 7]

Float:
[0.23 0.71 0.42 0.08 0.94]

12. Apa Itu Random Seed?

Ketika menggunakan fungsi random, hasilnya biasanya berubah setiap kali kode dijalankan.

Misalnya:

np.random.randint(0, 10, size=5)

Pada eksekusi pertama:

[3 8 1 6 4]

Pada eksekusi berikutnya:

[7 2 9 0 5]

Pada eksekusi berikutnya lagi:

[1 4 6 8 2]

Perubahan tersebut dapat menjadi masalah ketika kita sedang melakukan eksperimen.

Misalnya kita menemukan hasil Machine Learning yang bagus, tetapi ketika kode dijalankan kembali, data random berubah sehingga hasil eksperimen juga berubah.

Untuk mengatasi hal tersebut, kita dapat menggunakan random seed.

13. Menggunakan `np.random.seed()`

np.random.seed() digunakan untuk mengatur titik awal dari generator pseudo-random pada API random lama NumPy.

Contoh:

np.random.seed(0)

random_array = np.random.randint(
    0,
    10,
    size=(3, 5)
)

print(random_array)

Jika kode tersebut dijalankan kembali dengan seed yang sama:

np.random.seed(0)

sebelum menghasilkan angka random, urutan hasil pseudo-random akan dapat direproduksi.

Contoh:

np.random.seed(0)

print(np.random.randint(0, 10, size=5))

Kemudian jalankan kembali:

np.random.seed(0)

print(np.random.randint(0, 10, size=5))

Hasilnya akan sama.

14. Mengapa Random Seed Penting?

Random seed sangat berguna dalam eksperimen Data Science dan Machine Learning.

Misalnya kita sedang membandingkan dua model:

Model A
    ↓
Eksperimen
    ↓
Score = 85%

Model B
    ↓
Eksperimen
    ↓
Score = 88%

Jika proses pengacakan data berbeda pada setiap eksperimen, perbandingan tersebut dapat menjadi kurang konsisten.

Dengan random seed:

Seed yang sama
      ↓
Data random yang dapat direproduksi
      ↓
Eksperimen
      ↓
Hasil dapat dibandingkan

Hal ini disebut reproducibility.

15. Reproducibility dalam Machine Learning

Reproducibility berarti eksperimen dapat dijalankan kembali dengan kondisi yang sama dan menghasilkan hasil yang konsisten atau dapat dijelaskan ulang.

Contohnya:

Kode
  +
Dataset
  +
Parameter
  +
Random Seed
  ↓
Eksperimen
  ↓
Hasil

Jika salah satu komponen berubah, hasil eksperimen juga dapat berubah.

Karena itu, dalam project Machine Learning, kita sering mencatat:

dataset yang digunakan,
preprocessing,
model,
hyperparameter,
random seed,
evaluation metric,
dan hasil eksperimen.

16. Random Seed Bukan Membuat Angka Menjadi Tidak Acak

Penting untuk dipahami bahwa random seed tidak menghilangkan sifat pseudo-random.

Seed hanya menentukan titik awal dari proses pembangkitan angka pseudo-random.

Contohnya:

np.random.seed(42)

np.random.randint(0, 10, size=5)

dan:

np.random.seed(100)

np.random.randint(0, 10, size=5)

dapat menghasilkan urutan berbeda karena seed yang digunakan berbeda.

Namun, jika seed yang sama digunakan kembali pada kondisi yang sama, urutan yang dihasilkan dapat direproduksi.

17. Menggunakan Random Generator Modern

Untuk kode baru, NumPy juga menyediakan API random modern menggunakan np.random.default_rng().

Contoh:

rng = np.random.default_rng(42)

random_array = rng.integers(
    0,
    10,
    size=(3, 5)
)

print(random_array)

Kita juga dapat menghasilkan float random:

rng = np.random.default_rng(42)

random_array = rng.random((3, 5))

print(random_array)

Pendekatan ini lebih disarankan untuk kode baru karena memberikan generator random yang dapat digunakan secara eksplisit dan lebih mudah dikontrol.

Namun, np.random.seed() tetap penting untuk dipahami karena masih banyak ditemukan dalam tutorial, notebook, dan kode Machine Learning.

18. Perbandingan `np.random.seed()` dan `default_rng()`

Pendekatan	Contoh	Keterangan
Legacy random state	`np.random.seed(42)`	Banyak ditemukan pada kode lama dan tutorial
Modern Generator	`np.random.default_rng(42)`	Direkomendasikan untuk kode baru

Contoh legacy:

np.random.seed(42)

numbers = np.random.randint(
    0,
    10,
    size=5
)

Contoh modern:

rng = np.random.default_rng(42)

numbers = rng.integers(
    0,
    10,
    size=5
)

Keduanya memiliki tujuan yang berkaitan dengan reproducibility, tetapi API modern memberikan kontrol yang lebih eksplisit terhadap generator random.

19. Tips Menggunakan Random Seed

Beberapa kebiasaan yang baik ketika melakukan eksperimen:

Gunakan Seed yang Konsisten

Misalnya:

seed = 42

Kemudian gunakan seed tersebut secara konsisten pada eksperimen yang membutuhkan randomness.

Catat Seed

Jika sebuah eksperimen menghasilkan hasil penting, catat seed yang digunakan.

Contoh:

Random seed: 42

Jangan Menganggap Seed sebagai Angka Khusus

Tidak ada keharusan menggunakan:

Kita dapat menggunakan angka lain.

Contohnya:

np.random.seed(0)

atau:

rng = np.random.default_rng(123)

Yang penting adalah konsistensi ketika membutuhkan hasil yang dapat direproduksi.

20. Menggunakan `Shift + Tab` di Jupyter Notebook

Ketika lupa parameter sebuah fungsi, kita dapat menggunakan bantuan Jupyter Notebook.

Misalnya:

np.random.randint(

Letakkan kursor di dalam tanda kurung dan tekan:

Shift + Tab

Jupyter akan menampilkan informasi mengenai fungsi tersebut.

Teknik ini dapat digunakan untuk fungsi seperti:

np.array()
np.ones()
np.zeros()
np.arange()
np.random.randint()
np.random.random()

Dengan demikian, kita tidak harus menghafalkan semua parameter.

21. Contoh Praktik Lengkap

Berikut contoh yang menggabungkan berbagai fungsi yang telah dipelajari:

import numpy as np

# Membuat array dari list
array_manual = np.array([1, 2, 3, 4, 5])

# Membuat array berisi satu
array_ones = np.ones((2, 3))

# Membuat array berisi nol
array_zeros = np.zeros((2, 3))

# Membuat array berdasarkan rentang
array_range = np.arange(0, 10, 2)

# Membuat integer random
array_random_int = np.random.randint(
    0,
    10,
    size=(3, 5)
)

# Membuat float random
array_random_float = np.random.random((3, 5))

print("Array manual:")
print(array_manual)

print("\nArray ones:")
print(array_ones)

print("\nArray zeros:")
print(array_zeros)

print("\nArray range:")
print(array_range)

print("\nRandom integer:")
print(array_random_int)

print("\nRandom float:")
print(array_random_float)

22. Contoh Reproducibility

Sekarang kita dapat membuat eksperimen random yang dapat direproduksi.

Menggunakan API random modern:

import numpy as np

rng = np.random.default_rng(42)

random_array = rng.integers(
    0,
    10,
    size=(3, 5)
)

print(random_array)

Jika notebook atau program dijalankan kembali dengan generator dan seed yang sama:

rng = np.random.default_rng(42)

hasilnya dapat direproduksi.

Hal ini sangat berguna ketika kita ingin:

membandingkan eksperimen,
debugging,
membuat tutorial,
melakukan penelitian,
atau membagikan notebook kepada orang lain.

23. Hubungan dengan Machine Learning

Randomness muncul dalam berbagai bagian Machine Learning.

Contohnya:

Dataset
   ↓
Shuffle / Sampling
   ↓
Train-Test Split
   ↓
Model Training
   ↓
Evaluation

Beberapa algoritma dan proses Machine Learning juga dapat menggunakan randomness.

Jika random state tidak dikontrol, hasil eksperimen dapat berubah.

Karena itu, konsep random seed akan terus muncul ketika kita mempelajari:

train-test split,
cross-validation,
model training,
hyperparameter tuning,
ensemble methods,
dan eksperimen Machine Learning.

24. Ringkasan

Pada materi ini kita mempelajari berbagai cara membuat NumPy array.

Array Dasar

np.array()

digunakan untuk membuat array dari data yang tersedia seperti Python list.

Array Berisi Satu

np.ones()

digunakan untuk membuat array yang seluruh elemennya bernilai 1.

Array Berisi Nol

np.zeros()

digunakan untuk membuat array yang seluruh elemennya bernilai 0.

Array Berdasarkan Rentang

np.arange()

digunakan untuk membuat urutan angka berdasarkan start, stop, dan step.

Integer Random

np.random.randint()

digunakan untuk menghasilkan bilangan bulat pseudo-random.

Float Random

np.random.random()

digunakan untuk menghasilkan bilangan desimal pseudo-random antara 0.0 dan kurang dari 1.0.

Random Seed

np.random.seed()

dapat digunakan untuk mengatur random state global pada API random lama sehingga hasil pseudo-random dapat direproduksi.

Untuk kode baru, kita juga dapat menggunakan:

np.random.default_rng()

yang menyediakan pendekatan random generator modern.

Checklist

Sebelum melanjutkan ke materi berikutnya, pastikan Anda sudah memahami:

1. Membuat Array dari Python List​

2. Membuat Array dengan np.ones()​

Menentukan Tipe Data​

3. Membuat Array dengan np.zeros()​

4. Kegunaan np.zeros() dan np.ones()​

5. Membuat Array dengan np.arange()​

6. Contoh np.arange()​

7. Membuat Array dengan Nilai Acak​

8. Membuat Integer Acak dengan np.random.randint()​

Memahami low dan high​

9. Menentukan Ukuran Array Random​

10. Membuat Float Acak dengan np.random.random()​

11. Perbandingan Array Random​

12. Apa Itu Random Seed?​

13. Menggunakan np.random.seed()​

14. Mengapa Random Seed Penting?​

15. Reproducibility dalam Machine Learning​

16. Random Seed Bukan Membuat Angka Menjadi Tidak Acak​

17. Menggunakan Random Generator Modern​

18. Perbandingan np.random.seed() dan default_rng()​

19. Tips Menggunakan Random Seed​

Gunakan Seed yang Konsisten​

Catat Seed​

Jangan Menganggap Seed sebagai Angka Khusus​

20. Menggunakan Shift + Tab di Jupyter Notebook​

21. Contoh Praktik Lengkap​

22. Contoh Reproducibility​

23. Hubungan dengan Machine Learning​

24. Ringkasan​

Array Dasar​

Array Berisi Satu​

Array Berisi Nol​

Array Berdasarkan Rentang​

Integer Random​

Float Random​

Random Seed​

Checklist​

1. Membuat Array dari Python List

2. Membuat Array dengan `np.ones()`

Menentukan Tipe Data

3. Membuat Array dengan `np.zeros()`

4. Kegunaan `np.zeros()` dan `np.ones()`

5. Membuat Array dengan `np.arange()`

6. Contoh `np.arange()`

7. Membuat Array dengan Nilai Acak

8. Membuat Integer Acak dengan `np.random.randint()`

Memahami `low` dan `high`

9. Menentukan Ukuran Array Random

10. Membuat Float Acak dengan `np.random.random()`

11. Perbandingan Array Random

12. Apa Itu Random Seed?

13. Menggunakan `np.random.seed()`

14. Mengapa Random Seed Penting?

15. Reproducibility dalam Machine Learning

16. Random Seed Bukan Membuat Angka Menjadi Tidak Acak

17. Menggunakan Random Generator Modern

18. Perbandingan `np.random.seed()` dan `default_rng()`

19. Tips Menggunakan Random Seed

Gunakan Seed yang Konsisten

Catat Seed

Jangan Menganggap Seed sebagai Angka Khusus

20. Menggunakan `Shift + Tab` di Jupyter Notebook

21. Contoh Praktik Lengkap

22. Contoh Reproducibility

23. Hubungan dengan Machine Learning

24. Ringkasan

Array Dasar

Array Berisi Satu

Array Berisi Nol

Array Berdasarkan Rentang

Integer Random

Float Random

Random Seed

Checklist