Panduan ini untuk siapa

• Pembelajar yang sedang memilih lingkungan development Python utama
• Developer yang berpindah antar workflow editor (VS Code, PyCharm, Jupyter)
• Siapa pun yang menginginkan loop debugging dan feedback lebih cepat saat coding

Apa yang akan Anda pelajari

• Kekuatan lingkungan populer: VS Code, PyCharm, dan Jupyter
• Cara memilih tool berdasarkan jenis tugas (script, aplikasi, eksplorasi data)
• Setup lingkungan esensial untuk linting, formatting, debugging, dan testing
• Perbedaan workflow notebook interaktif dan workflow .py standar
• Kebiasaan produktivitas praktis untuk development harian

Mengapa topik ini penting

Editor Anda memengaruhi kecepatan coding, kualitas debugging, dan kenyamanan belajar. Lingkungan yang baik mengurangi hambatan dan memberi feedback langsung untuk error, type, serta style issue.

Tidak ada tool terbaik universal. Pilihan yang tepat bergantung pada workflow Anda: membangun aplikasi, mengeksplorasi data, mengajar, atau debugging project kompleks. Memahami trade-off membantu Anda tetap produktif alih-alih terus ganti tool.

Konsep inti

VS Code: fleksibel dan ringan

VS Code sangat populer karena cepat, bisa diperluas, dan bekerja baik lintas stack.

Kategori extension yang berguna:

• Dukungan bahasa Python
• Integrasi linting/formatting
• Dukungan Jupyter
• Integrasi Git

Kelebihan umum:

• Cocok untuk repository multi-bahasa
• Ekosistem extension yang kuat
• Onboarding sederhana untuk pemula

PyCharm: IDE terintegrasi yang Python-first

PyCharm tersedia dalam edisi Community dan Professional.

PyCharm menawarkan fitur Python mendalam secara bawaan:

• Refactoring lanjutan
• Integrasi test runner yang kaya
• Debugger dan inspections yang kuat
• Workflow tooling project bawaan

Tool ini sangat berguna untuk codebase Python-only yang lebih besar.

Jupyter dan workflow interaktif

Jupyter sangat bagus untuk eksplorasi, pengajaran, dan pekerjaan data iteratif.

Anda bisa memakai Jupyter Notebook maupun JupyterLab tergantung preferensi antarmuka dan kompleksitas project.

Kelebihan notebook:

• Jalankan kode per cell
• Visualisasi output inline
• Gabungkan penjelasan markdown dengan kode yang bisa dieksekusi

Gunakan notebook untuk eksperimen, lalu pindahkan logika stabil ke module .py demi maintainability.

Opsi lain yang ramah pemula:

• Spyder: workflow scientific dengan variable explorer dan console terintegrasi
• Thonny: IDE ringan dengan UX ramah pemula dan step debugger

Panduan langkah demi langkah

Langkah 1 — Pilih lingkungan utama berdasarkan beban kerja

Gunakan aturan praktis ini:

• Pengembangan app/backend -> VS Code atau PyCharm
• Eksplorasi/pelaporan data -> Jupyter + VS Code atau JupyterLab
• Setup serbaguna untuk pemula -> VS Code dengan extension Python

Pilih satu tool utama terlebih dahulu; hindari tool-hopping di fase awal belajar.

Langkah 2 — Konfigurasikan interpreter Python dan tooling

Di editor Anda, pilih interpreter virtual environment project (.venv).

Lalu verifikasi dari terminal:

python --version
python -m pip list

Ini memastikan editor dan terminal menunjuk environment Python yang sama.

Langkah 3 — Aktifkan fitur feedback cepat

Nyalakan fitur ini sejak awal:

• Format on save
• Diagnostik linting
• Test discovery
• Breakpoint debugging

Jalankan satu script dan satu test langsung dari UI editor untuk memastikan setup selesai.

Rekomendasi extension stack VS Code (starter set):

• Python
• Pylance
• Jupyter
• Ruff (atau integrasi linter pilihan Anda)
• GitLens (opsional untuk konteks Git yang lebih kaya)

Contoh praktis

Contoh 1 — Debugging dengan breakpoint

Buat debug_demo.py:

def divide(a: float, b: float) -> float:
	return a / b


numbers = [(10, 2), (9, 3), (7, 0)]
for left, right in numbers:
	print(divide(left, right))

Pasang breakpoint di return a / b dan inspeksi nilainya.

Expected result:

• Anda bisa mengidentifikasi b = 0 sebelum crash dan menambahkan error handling yang tepat.

Contoh 2 — Workflow notebook ke script

Di notebook, uji transformasi kecil:

values = [1, 2, 3, 4, 5]
normalized = [v / max(values) for v in values]
normalized

Expected output:

[0.2, 0.4, 0.6, 0.8, 1.0]

Setelah logika tervalidasi, pindahkan ke function module agar reusable dan testable.

Kesalahan umum dan cara menghindarinya

• Memakai interpreter berbeda di terminal dan editor -> Selalu verifikasi pemilihan .venv di keduanya.
• Menginstal terlalu banyak extension sejak awal -> Mulai dari tool Python inti, lalu tambah sesuai kebutuhan.
• Menyimpan logika production hanya di notebook -> Refactor kode stabil ke file .py.
• Mengabaikan debugger dan hanya mengandalkan print statement -> Gabungkan keduanya sesuai kompleksitas.

Latihan cepat

• Konfigurasikan editor Anda agar memakai .venv, format on save, dan lint on save.
• Jalankan satu script dengan breakpoint lalu inspeksi nilai variable.
• Buat satu eksperimen cell notebook, lalu migrasikan logikanya ke file .py mandiri.

Ringkasan utama

• Pilihan tool seharusnya mengikuti kebutuhan workflow, bukan hype.
• Konfigurasi interpreter yang konsisten mencegah banyak masalah setup tersembunyi.
• Tool interaktif mempercepat eksplorasi; module dan test mendukung maintainability jangka panjang.
• Beberapa fitur yang dikonfigurasi dengan baik bisa meningkatkan kecepatan development secara signifikan.

Langkah berikutnya

Lanjut ke [12. Penanganan File & I/O](./12-file-handling-and-io-ID.md). Di panduan berikutnya, Anda akan bekerja dengan file teks, JSON, CSV, dan binary menggunakan pola Python yang aman dan modern.