Language

Panduan ini untuk siapa

Pembelajar yang sedang mengeksplorasi jalur karier menggunakan Python
Developer yang menentukan stack domain mana yang dipelajari berikutnya
Siapa pun yang ingin contoh praktis di luar tutorial umum

Apa yang akan Anda pelajari

Cara Python digunakan pada data science, automation, GUI, dan game development
Library inti yang umum dipakai di setiap domain
Bagaimana kebutuhan domain memengaruhi style coding dan pilihan tooling
Kerangka praktis untuk memilih satu fokus domain terlebih dahulu
Cara membangun portfolio project yang selaras dengan tujuan Anda

Mengapa topik ini penting

Python sangat serbaguna, tetapi tiap domain punya prioritas, tool, dan ekspektasi yang berbeda. Data science menekankan analisis dan eksperimen; backend automation menekankan reliability dan keamanan operasional.

Memilih satu fokus domain membantu Anda berkembang lebih cepat. Daripada mempelajari semua library sekaligus, Anda bisa membangun kedalaman di satu area lalu mentransfer skill tersebut ke area lain.

Konsep inti

Data science dan machine learning

Stack umum:

numpy untuk array numerik
pandas untuk data tabular
scikit-learn untuk ML klasik
TensorFlow/PyTorch untuk deep learning

import pandas as pd

df = pd.DataFrame({"x": [1, 2, 3], "y": [2, 4, 6]})
print(df.describe())

Contoh mini stack ML tambahan:

import numpy as np
from sklearn.linear_model import LinearRegression

X = np.array([[1], [2], [3], [4]])
y = np.array([2, 4, 6, 8])
model = LinearRegression().fit(X, y)
print(model.predict([[5]])[0])

Framework deep learning (import yang umum):

# import tensorflow as tf
# import torch

Domain ini menekankan eksperimen yang reproducible dan pipeline data yang bersih.

Automation dan scripting

Stack automation sering mencakup:

argparse untuk CLI interface
subprocess untuk eksekusi command
pathlib dan shutil untuk workflow file

import argparse

parser = argparse.ArgumentParser()
parser.add_argument("--name", required=True)
args = parser.parse_args()

print(f"Hello, {args.name}")

Contoh mini subprocess:

import subprocess

result = subprocess.run(["python", "--version"], capture_output=True, text=True)
print(result.stdout.strip() or result.stderr.strip())

Kode automation sebaiknya prediktif, memiliki logging, dan aman untuk dijalankan ulang.

GUI dan game development

Opsi GUI mencakup Tkinter dan PyQt. Prototyping game sering dimulai dengan pygame.

Contoh mini Tkinter:

import tkinter as tk

root = tk.Tk()
root.title("Hello Tkinter")
label = tk.Label(root, text="Hello GUI")
label.pack()
root.mainloop()

Contoh mini PyQt:

# from PyQt6.QtWidgets import QApplication, QLabel
# app = QApplication([])
# label = QLabel("Hello PyQt")
# label.show()
# app.exec()

Skeleton loop contoh pygame:

import pygame

pygame.init()
screen = pygame.display.set_mode((400, 300))
running = True

while running:
	for event in pygame.event.get():
		if event.type == pygame.QUIT:
			running = False

pygame.quit()

Domain-domain ini memprioritaskan responsiveness dan desain event-driven.

Panduan langkah demi langkah

Langkah 1 — Pilih satu domain untuk 30 hari ke depan

Pilih tepat satu fokus utama:

Data
Automation
GUI
Games

Depth-first biasanya lebih baik daripada eksplorasi luas yang dangkal.

Langkah 2 — Bangun satu mini project pada domain tersebut

Contoh:

Data: analisis CSV + ringkasan chart
Automation: folder organizer CLI
GUI: aplikasi desktop task tracker
Game: game 2D klik sederhana

Jaga scope kecil dan bisa selesai dalam satu minggu.

Langkah 3 — Tambahkan baseline kualitas

Untuk project domain apa pun, sertakan:

README dengan instruksi menjalankan
File requirements
Test dasar untuk logika inti
Satu screenshot atau demo output

Ini mengubah project belajar menjadi artifact portfolio-ready.

Contoh praktis

Contoh 1 — Script automation: batch rename file

from pathlib import Path

folder = Path("images")
for index, file_path in enumerate(sorted(folder.glob("*.png")), start=1):
	new_name = folder / f"image_{index:03}.png"
	file_path.rename(new_name)
	print(f"Renamed {file_path.name} -> {new_name.name}")

Expected output (sample):

Renamed photo1.png -> image_001.png
Renamed photo2.png -> image_002.png

Contoh 2 — Ringkasan insight data sederhana

import pandas as pd

sales = pd.DataFrame({"month": ["Jan", "Feb", "Mar"], "revenue": [1200, 1500, 1400]})
print("Total:", sales["revenue"].sum())
print("Average:", sales["revenue"].mean())

Expected output:

Total: 4100
Average: 1366.6666666666667

Kesalahan umum dan cara menghindarinya

Mencoba mempelajari semua domain sekaligus -> Komit ke satu area fokus untuk periode tertentu.
Memilih tool sebelum mendefinisikan masalah -> Mulai dari use case, lalu pilih library.
Membangun project pemula yang terlalu besar -> Utamakan hasil kecil, selesai, dan bisa didemokan.
Mengabaikan dokumentasi pada project portfolio -> Sertakan instruksi setup dan penggunaan.

Latihan cepat

Pilih satu domain dan tulis tujuan belajar dalam satu paragraf.
Bangun mini project dengan satu output konkret dan commit ke version control.
Tambahkan bagian README yang menjelaskan fungsi project dan cara menjalankannya.

Ringkasan utama

Ekosistem Python mendukung banyak jalur karier, masing-masing dengan prioritas tooling berbeda.
Fokus domain mempercepat progres dibanding belajar luas tanpa fokus.
Project kecil yang selesai lebih bernilai daripada prototipe besar yang tidak selesai.
Kebiasaan engineering yang reusable (testing, docs, env management) berlaku lintas domain.

Langkah berikutnya

Lanjut ke Sumber Belajar & Langkah Berikutnya. Di panduan berikutnya, Anda akan menyusun rencana belajar jangka panjang dan stack sumber belajar terkurasi untuk pertumbuhan berkelanjutan.

Panduan Belajar Python: Python pada Domain Tertentu