Karimah Tauhid, Volume 2 Nomor 1 (2023), e-ISSN 2963-590X | Alfarizi et al.

PENGGUNAAN PYTHON SEBAGAI BAHASA PEMROGRAMAN

UNTUK MACHINE LEARNING DAN DEEP LEARNING
M. Riziq sirfatullah Alfarizi1 , Muhamad Zidan Al-farish2 , Muhamad
Taufiqurrahman3, Ginan Ardiansah4 , Muhamad Elgar5

1Computer Science, Universitas Djuanda, Bogor, Indonesia;

2Computer Science, Universitas Djuanda, Bogor, Indonesia;
3Computer Science, Universitas Djuanda, Bogor, Indonesia;

4Computer Science, Universitas Djuanda, Bogor, Indonesia;

5Computer Science, Universitas Djuanda, Bogor, Indonesia

1 Alamat email aden3965@[Link]; 2 Alamat email [Link]@[Link]

Abstrak
Python merupakan sebuah bahasa pemrograman tingkat tinggi yang dibuat oleh Guido Van
Rossum dan dirilis pada tahun 1991 Python juga merupakan bahasa yanng sangat populer
belakangan ini. Selain itu python juga merupakan bahasa pemrograman yang multi fungsi salah
satunya pada bidang Machine Learning dan Deep Learning.
Machine Learning adalah sebuah sub unit dari Artificial Intellegence yang memungkin mesin
dapat belajar mandiri menggunakan data-data tanpa harus diprogram berulang kali oleh
manusia sedangkan Deep Learning adalah sub unit dari Machine Learning yang algoritmanya
terinsipirasi dari sturktur otak manusia yang disebut Artificial Neural Networks
Kata kunci: Python, Machine Learning, Deep Learning

I. PENDAHULUAN
Machine Learning (ML) atau Mesin Pembelajar adalah cabang dari AI yang fokus belajar
dari data (learn from data), yaitu fokus pada pengembangan sistem yang mampu belajar
secara “mandiri" tanpa harus berulang kali diprogram manusia (Cholissodin, I., &
Soebroto, A. A. (2021). Jika Machine Learning di ibaratkan kendaraan bermotor maka
data adalah bahan bakar utama dari machine learning, hal ini dikarenakan Machine
Learning membutuhkan data untuk dapat membuat sebuah metode penyelesaian
masalah.
Untuk bisa mengaplikasikan teknik-teknik machine learning maka harus ada data.
Tanpa data maka algoritma machine learning tidak dapat bekerja. Data yang ada
biasanya dibagi menjadi dua, yaitu data training dan data testing. Data training
digunakan untuk melatih algoritma, sedangkan data testing digunakan untuk
mengetahui performa algoritma yang telah dilatih sebelumnya ketika menemukan data
baru yang belum pernah dilihat. Fikriya, Z. A., Irawan, M. I., & Soetrisno., S. (2017).
Machine Learning sendiri terbagi menjadi beberapa algoritma yang berbeda-beda
dan setiap dari algoritma tersebut memiliki fungsi dan tujuannya masing-masing.
Beberapa contoh dari algoritma Machine Learning yang paling populer antara lain
1
 Karimah Tauhid, Volume 2 Nomor 1 (2023), e-ISSN 2963-590X | Alfarizi et al.

adalah: Supervise Learning, Unsupervised Learning, Semi-supervised Learning,

Reinforcement Learning.
Supervised Learning adalah algoritma yang meyimpulkan fungsi dari data
pelatihan berlabel yang terdiri dari sekumpulan contoh pelatihan (Batta, M. (2018).
Unsupervised Learning adalah algoritma yang bertujuan untuk meningkatkan kinerja
tugas pembelajaran yang diawasi dimana kita tidak memiliki banyak data. Sutskever, I.,
Jozefowicz, R., Gregor, K., Rezende, D., Lillicrap, T., & Vinyals, O. (2015).
Semi-supervised Learning adalah algoritma yang yang ampuh untuk melatih
model pada sejumlah besar data tanpa memerlukan banyak label Semi-supervised
Learning mengurangi persyaratan untuk data berlabel dengan menyediakan sarana
untuk memanfaatkan data yang tidak berlabel. Sohn, K., Berthelot, D., Zizhao, C. L.,
Nicholas, Z., Cubuk, E. D., Kurakin, A., Zhang, H., & Raffel, C. (2020). Reinforcement
Learning adalah algoritma yang mengumpulkan pengetahuan (sinyal penguatan) untuk
memilih tindakan yang mengarah ke hasil tertinggi yang diharapkan. Dibandingkan
dengan metodologi lain dalam Machine Learning, algoritma Reinforcement Learning
memiliki kelebihan yang berbeda. Yang paling signifikan adalah kemampuan
Reinforcement Learning untuk secara mandiri menjelajahi lingkungan yang sangat
dinamis dan stokastik dan mengembangkan, dengan mengumpulkan umpan balik
evaluatif dari lingkungan, kebijakan kontrol yang optimal. Tizhoosh, H. R. (2005).
Setelah berkenalan dengan Machine Learning kita akan berkenealan dengan Deep
Learning, Deep Learning adalah cabang ilmu dari Machine Learning yang algoritmanya
terinspirasi dari struktur otak manusia Struktur tersebut dinamakan Artificial Neural
Networks atau disingkat ANN atau disebut juga Jaringan Saraf Tiruan atau disingkat
JTT. Deep Learning juga memiliki algoritma tersendiri antara- lain: Convolutional Neural
Network (CNN), Long Short Term Memory Network (LTSM), (RNN), Self Organizing
Maps (SOM) Setiawan, R. (2021).
Convolutional Neural Network adalah salah satu algoritma deep learning yang
digunakan untuk mengolah data dalam bentuk dua dimensi. Convolutional Neural
Network juga digunakan untuk mengklasifikasi data yang berlabel dengan
menggunakan metode supervised learning. Ilahiyah, S., & Nilogiri, A. (2018). Long Short
Term Memory Network adalah algoritma yang menggunakan banyak slot memori di
luar perulangan untuk menyimpan representasi input secara sepotong-sepotong juga
memanfaatkan memori untuk memberdayakan jaringan berulang dengan kemampuan
menghafal yang lebih kuat dan yang lebih penting kemampuan untuk menemukan
hubungan di antara data. Cheng, J., Dong, L., & Lapata, M. (2016).
Recurrent Neural Network merupakan salah satu bentuk algoritma yang
dirancang khusus untuk memproses data yang bersambung atau berurutan (sequential
data). Biasanya ini digunakan untuk data yang memiliki keterkaitan dengan waktu (time
series). [Link].r. (2018). Self Organizing Maps adalah algoritma yang bertujuan
untuk melakukan visualisasi data dengan cara mengurangi dimensi data sehiingga
manusia dapat mengerti data yang dipetakan dalam bentuk low-dimensional data.
Hollmen, J. (1996).

2
 Karimah Tauhid, Volume 2 Nomor 1 (2023), e-ISSN 2963-590X | Alfarizi et al.

Setelah mengetahui beberapa informasi tentang Machine Learning dan Deep

Larning lalu bagaimanakah cara untuk memprogram Machine Learning dan Deep
Learning seendiri? Apa bahasa pemrograman yang tepat untuk Machine Learning dan
Deep Learning? Python adalah jawabannya.
Apa itu python? Python merupakan bahasa pemrograman tingkat tin ggi yang
yang dibuat oleh Guido Van Rossum dan dirilis pada tahun 1991 Python juga merupakan
bahasa yanng sangat populer belakangan ini. Selain itu python juga merupakan bahasa
pemrograman yang multi fungsi contohnya python dapat digunakan untuk Machine
Learning dan Deep Larning. Python dipilih sebagai penelitian karena python memiliki
penulisan sintaksis yang mudah selain itu python juga memiliki library yang lengkap
dan memiliki dukungan komunitas yang kuat karena python bersifat open source. Untuk
menuliskan source code python anda dapat menggunakan IDE seperti vs code, sublime
text, PyCharm atau anda juga dapat menggunakan IDE online seperti Jupyter notebook
dan google colab.

II. METODOLOGI
Penelitian ini dilakukan untuk mengedukasi secara singkat mengenai teknologi
khususnya di bidang Machine Learning dan Deep Learning menggunakan bahasa
pemrograman Python. Artikel ini menggunakan metode penelitian studi literatur(library
research). Studi literatur adalah penelitian dengan cara mengkaji buku-buku, literatur-
literatur, catatan-catatan, serta laporan-laporan yang berkaitan dengan masalah yang
dihadapi. Peneliti harus mengumpulkan berbagai informasi dari kepustakaan yang
berhubungan dengan topik penelitian (M. Nazir, 1998). Sumber kepustakaan bisa
didapat dari buku, jurnal, majalah, tesis dan disertasi, serta internet. Teknik analisis yang
di gunakan adalah analisis isi (content analysis). Analisis isi adalah penelitian yang
bersifat pembahasan mendalam terhadap isi suatu informasi tertulis.
Dalam penelitian ini kepustakaan meliputi e-book, jurnal, makalah dan tesis yang
memaparkan Amchine Learning. Deep Learning dan Python. Selain itu hasil dari
berbagai penelitian dijadikan rujukan utama untuk menggambarkan Machine Learning,
Deep Learning dan Python.

III. HASIL DAN DISKUSI

Python di anggap sebagai bahasa yang paling banyak digunakan di dalam bidang Machine
Learning dan Deep Learnig hal ini dikarenakan selain penulisan sintaksis yang mudah Python
juga didorong oleh komunitas yang besar selain itu python juga memiliki banyak library yang
sangat mendukung Machine Learning dan Deep Learning berikut beberapa contoh library
python yang cukup populer yang dapat digunakan untuk Machine Learning dan Deep Learning:
1. Numpy
Library ini berisikan fungsi matematika dengan kompleksitas tinggi dapat digunakan
untuk memproses array dan matriks multidimensi yang besar. NumPy juga sangat
berguna untuk menangani aljabar linier, transformasi Fourier, dan bilangan acak.

3
 Karimah Tauhid, Volume 2 Nomor 1 (2023), e-ISSN 2963-590X | Alfarizi et al.

2. SciPy
Library ini menawarkan modul untuk aljabar linier, pengoptimalan gambar,
interpolasi integrasi, fungsi khusus, transformasi Fast Fourier, pemrosesan sinyal
gambar, penyelesaian dan tugas komputasi lainnya dalam sains dan analitik.
3. Scikit Learn
Library ini menyediakan banyak algoritma pembelajaran tanpa pengawasan dan
pengawasan. Itu dibangun di atas beberapa teknologi yang mungkin sudah Anda
kenal, seperti NumPy, panda, dan Matplotlib!
4. Theano
library yang memungkinkan Anda untuk mendefinisikan, mengoptimalkan, dan
mengevaluasi ekspresi matematika yang melibatkan array multidimensi secara efisien.
5. TensorFlow
Librar yang populer untuk membuat model machine learning. TensorFlow
mendukung berbagai toolkit yang berbeda untuk membangun model pada berbagai
tingkat abstraksi.
6. Keras
Keras adalah library yang bekerja dengan blok bangunan jaringan saraf seperti lapisan,
tujuan, fungsi aktivasi, dan pengoptimal. Keras juga memiliki banyak fitur untuk
mengerjakan gambar dan gambar teks yang berguna saat menulis kode Deep Neural
[Link] jaringan saraf standar, Keras mendukung jaringan saraf konvolusional
dan berulang.
7. PyTorch
Library untuk Deep Learning ini dibuat untuk menyaingi TensorFlow, akan tetapi
library ini dibuat agar lebih mudah dipahami dan dioperasikan. Library ini
memungkinkan ilmuwan, pengembang, dan debugger jaringan saraf untuk
menjalankan dan menguji bagian kode secara real time.
8. Pandas
Library Python paling populer yang digunakan untuk analisis data dengan dukungan
untuk struktur data yang cepat, fleksibel, dan ekspresif yang dirancang untuk bekerja
pada data "relasional" atau "berlabel".Pandas hari ini adalah library yang tak
terelakkan untuk menyelesaikan analisis data dunia nyata yang praktis dengan Python.
9. Matplotlib
Library yang digunakan untuk visualisasi data. Visualisasi data memiliki peranan
penting untuk memahami data secara lebih mendalam sebelum melakukan data-
processing dan melatihnya dalam program machine learning.

IV. KESIMPULAN

Berdasarkna kajian pustaka yang sudah disebutkan sebelumnya dapat di simpulkan bahwa
bahsa pemrograman python merupakan bahasa pemrograman yang terbaiki untuk bidang
Machine Learning dan Deep Learning karena Python memiliki beberapa keunggulan yaitu:
kemudahan penulisan sintaksis, dukungan komunitas yang besar, memiliki library yang lengkap
dan juga populer.
Dengan emggunakan python dan penggunaan library-nya akan meningkatkan
produktivitas dari para pengembang machine Learning dan Deep Learning. Dan bagi para
pemula yang ingin terjun ke dalam dunia Machine Learning maupun Deep Learning jangan
khawatir karena banyak sekali sumber pembelajaran yang disediakan khususnya di internet.

4
 Karimah Tauhid, Volume 2 Nomor 1 (2023), e-ISSN 2963-590X | Alfarizi et al.

REFERENSI

Hollmen, J. (1996). Self-Organizing Map (SOM). In Aalto University.

[Link]

[Link].r. (2018). Recurrent Neural Network (RNN) – Universitas Gadjah Mada Menara
Ilmu Machine Learning (pp. 1–1).
[Link]

Self-Organizing Maps (SOM): Pengertian dan Cara Kerjanya - Algoritma. (n.d.).

[Link]

Cheng, J., Dong, L., & Lapata, M. (2016). Long short-term memory-networks for machine
reading. EMNLP 2016 - Conference on Empirical Methods in Natural Language Processing,
Proceedings, 551–561. [Link]

Setiawan, R. (2021). Mengenal Deep Learning Lebih Jelas - Dicoding Blog. In Dicoding Blog.
[Link]

Wanker, M. S. (2014). Research Paper on Basic of Artificial Neural Network. International

Journal on Recent and Innovation Trends in Computing and Communication, 2(1), 96–100.

Sutskever, I., Jozefowicz, R., Gregor, K., Rezende, D., Lillicrap, T., & Vinyals, O. (2015).
Towards Principled Unsupervised Learning. 1, 1–9. [Link]

Sohn, K., Berthelot, D., Zizhao, C. L., Nicholas, Z., Cubuk, E. D., Kurakin, A., Zhang, H., &
Raffel, C. (2020). NeurIPS-2020-fixmatch-simplifying-semi-supervised-learning-with-
consistency-and-confidence-Paper. NeurIPS.

Santoso, H., & Rochadiani, T. H. (2022). Pelatihan Machine Learning Menggunakan Bahasa
Pemrograman Python Bagi Karyawan PT. Yokogawa Indonesia. Jurnal ABDINUS : Jurnal
Pengabdian Nusantara, 6(2), 349–356. [Link]

Batta, M. (2018). Machine Learning Algorithms - A Review. International Journal of Science and
Research (IJSR), 18(8), 381–386. [Link]

Tizhoosh, H. R. (2005). Reinforcement Learning Based on Actions and Opposite Actions. IN

International Conference on Artificial Intelligence and Machine Learning, 414(December),
19–21.

Cholissodin, I., & Soebroto, A. A. (2021). AI , MACHINE LEARNING & DEEP LEARNING (
Teori & Implementasi ). July 2019.

Fikriya, Z. A., Irawan, M. I., & Soetrisno., S. (2017). Implementasi Extreme Learning Machine
untuk Pengenalan Objek Citra Digital. Jurnal Sains Dan Seni ITS, 6(1).
[Link]

Ilahiyah, S., & Nilogiri, A. (2018). Implementasi Deep Learning Pada Identifikasi Jenis Tumbuhan
Berdasarkan Citra Daun Menggunakan Convolutional Neural Network. JUSTINDO (Jurnal
Sistem Dan Teknologi Informasi Indonesia), 3(2), 49–56.
5
 Karimah Tauhid, Volume 2 Nomor 1 (2023), e-ISSN 2963-590X | Alfarizi et al.

Rasywir, E., Sinaga, R., & Pratama, Y. (2020). Evaluasi Pembangunan Sistem Pakar Penyakit
Tanaman Sawit dengan Metode Deep Neural Network (DNN). Jurnal Media …, 4(5), 1206–
1215. [Link]

Ridwan, R., Lubis, H., & Kustanto, P. (2020). Implementasi Algoritma Neural Network dalam
Memprediksi Tingkat Kelulusan Mahasiswa. Jurnal Media Informatika Budidarma, 4(2),
286. [Link]

Prasetio, R. T., & Ripandi, E. (2019). Optimasi Klasifikasi Jenis Hutan Menggunakan Deep
Learning Berbasis Optimize Selection. Jurnal Informatika, 6(1), 100–106.
[Link]

Codecademy. (2022). What is Scikit-Learn? | Codecademy.

[Link]

Top 10 Python Libraries - InterviewBit. (n.d.). [Link]

libraries/

9 Perpustakaan Python Teratas untuk Pembelajaran Mesin di 2023 _ blog upGrad. (n.d.).

Dosen Pendidikan. (2021). Analisis Isi - Syarat, Tujuan, Tahapan, Jenis dan Prosedur. In
[Link]. [Link]