Tutorial Jalankan Script Python

dengan Google Colab

Belajar Data Science

Daftar Isi:

 1. Membuka Google Colab

 2. Menulis dan Menjalankan Kode Python
 3. Mengunggah dan Mengakses File
 4. Menyimpan dan Membagikan Notebook

Perkembangan teknologi membuat Python menjadi salah satu bahasa

pemrograman yang semakin populer digunakan di kalangan profesional.
Python dilengkapi dengan banyak library dan framework sehingga dapat
mendukung Python untuk menyelesaikan banyak tugas dari berbagai
industri. Python dapat diakses secara offline dengan menginstall aplikasi
terlebih dahulu, maupun secara online dengan mengakses nya di cloud.
Google Colab merupakan platform berbasis cloud yang memungkinkan
kita untuk menulis dan menjalankan kode Python secara interaktif di
browser. Keberadaan Google Collab sangat berguna bagi pemula maupun
profesional untuk melakukan eksperimen, analisis data, atau bahkan
pengembangan model Machine Learning tanpa perlu mengatur
lingkungan lokal.

Dalam artikel ini akan dibahas bagaimana cara menjalankan script Python
menggunakan Goole Colab. Yuk, simak pembahasannya!

1. Membuka Google Colab

Langkah pertama untuk menjalankan script Python di cloud adalah
membuka Google Colab di browser. Karena tool ini adalah milik Google,
maka kita diharuskan memiliki akun Google untuk mengakses platform
ini. Berikut adalah tahapan yang bisa dilakukan untuk membuka Google
Colab:
 Buka browser dan masuk ke akun Google. Lalu pilih Google Drive.
Pastikan kamu telah login ke akun Google atau jika belum memiliki
akun, kamu harus membuatnya terlebih dahulu.

 Setelah Google Drive berhasil terbuka, klik New lalu pilih More.
Setelahnya akan ada pilihan Google Colaboratory.
  Setelah halaman terbuka, kamu bisa memilih untuk membuat
notebook baru dengan mengklik "New Notebook" atau membuka
notebook yang sudah ada dari Google Drive.

Baca juga : Bootcamp Data Analyst with SQL and Python

2. Menulis dan Menjalankan Kode Python

Google Colab sekilas hampir mirip dengan jupyter notebook yang
menggunakan notebook yang terdiri dari sel-sel kode. Kamu dapat
menulis dan menjalankan kode Python di sel-sel ini.
 Di dalam notebook baru, kamu akan melihat sel kosong di mana
kamu dapat mengetik kode Python.
  Ketik kode Python di dalam sel. Misalnya, kamu bisa memulai dengan
kode sederhana sejuta umat seperti

print("Hello, Google Colab!")

 Untuk menjalankan kode, klik tombol "Run" di sebelah kiri sel atau
tekan Shift + Enter.

3. Mengunggah dan Mengakses File

Google Colab memungkinkan kamu untuk mengunggah file dari komputer
lokal atau mengakses file dari Google Drive. Hal ini akan bermanfaat
untuk mengelola data atau menjalankan script yang sudah ada.
Mengunggah File Lokal
  Klik ikon folder di sisi kiri untuk membuka file browser.
 Klik ikon "Upload" dan pilih file dari komputer mu untuk diunggah.

 Setelah file diunggah, kamu bisa mengaksesnya dalam kode Python.

Misalnya, jika file yang diunggah dalam format .csv dan dengan
nama [Link] maka bisa menggunakan kode berikut:

Mengakses File dari Google Drive:

 Jalankan kode berikut untuk menghubungkan Google Colab dengan
Google Drive.
  Ikuti petunjuk untuk mengotorisasi akses.
 Kamu dapat mengakses file di Google Drive menggunakan path yang
sesuai, misalnya:

4. Menyimpan dan Membagikan Notebook

Setelah selesai mengerjakan kode Python, kamu dapat menyimpan
notebook ke Google Drive atau mengunduhnya sebagai file .ipynb
atau .py. Kamu juga dapat membagikan notebook dengan orang lain.
Menyimpan Notebook:
Notebook secara otomatis disimpan di Google Drive, tetapi kamu juga
bisa menyimpannya secara manual dengan mengklik "File" > "Simpan
Salinan di Drive".
Mengunduh Notebook:
Untuk mengunduh notebook, klik "File" > "Download" dan pilih format
yang diinginkan (.ipynb untuk notebook atau .py untuk file Python).
Membagikan Notebook:Klik
"Share" di kanan atas dan tambahkan email orang yang ingin dibagikan
notebook tersebut. Kamu juga bisa mendapatkan link yang bisa dibagikan
dan mengatur izin akses (misalnya, hanya lihat atau edit).

Contoh Soal Google Colab untuk Latihan Coding Python dan Data
Science

Google Colab atau Google Colaboratory telah menjadi standar industri

bagi para praktisi data science, peneliti AI, dan pelajar pemrograman.
Keunggulannya yang berbasis cloud, gratis, dan menyediakan akses GPU
membuat platform ini sangat ideal untuk menjalankan komputasi berat
tanpa membebani perangkat lokal. Namun, memahami fitur saja tidak
cukup. Anda membutuhkan latihan terstruktur untuk benar-benar mahir.
Artikel ini menyajikan panduan lengkap mulai dari dasar hingga tingkat
lanjut, lengkap dengan contoh soal dan pembahasan yang dirancang
untuk mengasah logika pemrograman serta kemampuan analisis data
Anda.

Baca juga: Pentingnya Menguasai Administrasi Kesehatan

Mengapa Latihan di Google Colab Sangat Penting

Sebelum masuk ke contoh soal, penting untuk memahami mengapa

Google Colab menjadi lingkungan belajar yang superior:

1. Integrasi Google Drive: Memudahkan penyimpanan dataset dan

notebook secara otomatis.
2. Library Pre-installed: Library populer seperti Pandas, NumPy, Scikit-
learn, dan TensorFlow sudah siap digunakan.
3. Kolaborasi Real-time: Anda bisa berbagi notebook dengan rekan setim
layaknya mengedit dokumen di Google Docs.
4. Akses Hardware Akselerasi: Memungkinkan Anda menjalankan model
Deep Learning dengan GPU/TPU secara gratis.

Persiapan Lingkungan Kerja

Untuk mengerjakan soal-soal di bawah ini, pastikan Anda sudah membuka

notebook baru di Google Colab. Anda hanya perlu masuk ke situs
[Link] menggunakan akun Google Anda.

Menghubungkan Google Drive

Sebagian besar tugas data science melibatkan pemrosesan file eksternal.

Gunakan perintah berikut sebagai langkah awal latihan Anda:

Python

from [Link] import drive

[Link]('/content/drive')

Bagian 1: Latihan Dasar Pemrograman Python di Colab

Bagian ini berfokus pada penguasaan sintaksis Python, struktur data, dan
kontrol alur yang sering digunakan dalam manipulasi data.

Soal 1: Manipulasi List dan String

Buatlah sebuah fungsi yang menerima daftar (list) nama karyawan. Fungsi
tersebut harus mengembalikan daftar baru yang hanya berisi nama yang
diawali dengan huruf vokal (A, E, I, O, U) dan mengubah semua hurufnya
menjadi kapital.

Pembahasan: Latihan ini menguji pemahaman Anda tentang list

comprehension dan metode string.

Python

def filter_vokal(nama_list):

vokal = "AIUEO"

return [[Link]() for nama in nama_list if nama[0].upper() in vokal]

# Test

karyawan = ["Andi", "Budi", "Euis", "Indra", "Zaki"]

print(filter_vokal(karyawan))

Soal 2: Dictionary dan Agregasi Sederhana

Diberikan sebuah list berisi angka acak. Buatlah program untuk

menghitung frekuensi kemunculan setiap angka dan simpan hasilnya
dalam sebuah dictionary.

Pembahasan: Ini adalah logika dasar di balik fungsi value_counts() pada

Pandas.

Python

data = [1, 2, 2, 3, 3, 3, 4, 4, 4, 4]

frekuensi = {}

for angka in data:

frekuensi[angka] = [Link](angka, 0) + 1

print(frekuensi)
Bagian 2: Pengolahan Data dengan NumPy dan Pandas

Data science hampir tidak mungkin dipisahkan dari NumPy untuk

komputasi numerik dan Pandas untuk manipulasi tabel.

Soal 3: Operasi Matriks dengan NumPy

Buatlah sebuah array NumPy berukuran 5×5 yang berisi angka acak
antara 1 sampai 100. Kemudian, ganti semua nilai yang lebih besar dari
50 dengan angka 0.

Pembahasan: Latihan ini mengajarkan teknik boolean indexing yang

sangat efisien dalam pengolahan data besar.

Python

import numpy as np

arr = [Link](1, 101, size=(5, 5))

print("Array Asli:\n", arr)

arr[arr > 50] = 0

print("Array Modifikasi:\n", arr)

Soal 4: Analisis Dataset dengan Pandas

Gunakan dataset publik yang tersedia di Colab. Muat

file sample_data/california_housing_train.csv. Hitunglah:

1. Rata-rata harga rumah (median_house_value).

2. Tampilkan hanya data yang memiliki total_rooms lebih dari 2000.
3. Urutkan data berdasarkan median_income dari yang terbesar.

Pembahasan: Kemampuan melakukan filtering dan sorting adalah

fundamental bagi seorang Data Analyst.

Python

import pandas as pd
df = pd.read_csv('/content/sample_data/california_housing_test.csv')

# 1. Rata-rata

rata_harga = df['median_house_value'].mean()

# 2. Filtering

filtered_df = df[df['total_rooms'] > 2000]

# 3. Sorting

sorted_df = df.sort_values(by='median_income', ascending=False)

print(f"Rata-rata Harga: {rata_harga}")

print(sorted_df.head())

Bagian 3: Visualisasi Data di Google Colab

Data yang bagus tidak akan berarti tanpa visualisasi yang komunikatif. Di
Colab, Matplotlib dan Seaborn adalah library utama.

Soal 5: Membuat Grafik Tren

Buatlah grafik garis (line plot) yang menunjukkan tren penjualan fiktif
selama 12 bulan. Tambahkan judul, label sumbu X (Bulan), dan label
sumbu Y (Penjualan).

Pembahasan:

Python

import [Link] as plt

bulan = ['Jan', 'Feb', 'Mar', 'Apr', 'Mei', 'Jun', 'Jul', 'Agu', 'Sep', 'Okt', 'Nov', 'Des']
penjualan = [150, 180, 210, 190, 250, 300, 280, 320, 350, 400, 380, 450]

[Link](figsize=(10, 5))

[Link](bulan, penjualan, marker='o', linestyle='-', color='b')

[Link]('Tren Penjualan Tahunan')

[Link]('Bulan')

[Link]('Jumlah Penjualan')

[Link](True)

[Link]()

Soal 6: Visualisasi Distribusi (Histogram)

Gunakan dataset perumahan California tadi, buatlah histogram untuk

kolom housing_median_age.

Pembahasan: Histogram membantu kita melihat distribusi data, apakah

normal, miring ke kiri, atau miring ke kanan.

Python

import seaborn as sns

[Link](figsize=(8, 6))

[Link](df['housing_median_age'], bins=30, kde=True, color='green')

[Link]('Distribusi Usia Rumah')

[Link]()

Bagian 4: Machine Learning Dasar di Google Colab

Google Colab sangat populer karena kemampuannya menjalankan Scikit-

learn untuk pemodelan prediktif.

Soal 7: Regresi Linear Sederhana

Buatlah model Regresi Linear menggunakan Scikit-learn untuk
memprediksi nilai Y berdasarkan nilai X. Data: X = [[1], [2], [3], [4], [5]] Y
= [2, 4, 6, 8, 10]

Pembahasan: Ini adalah dasar dari predictive modeling.

Python

from sklearn.linear_model import LinearRegression

X = [Link]([[1], [2], [3], [4], [5]])

y = [Link]([2, 4, 6, 8, 10])

model = LinearRegression()

[Link](X, y)

# Prediksi untuk angka 6

prediksi = [Link]([[6]])

print(f"Prediksi untuk X=6 adalah {prediksi[0]}")

Soal 8: Klasifikasi dengan K-Nearest Neighbors (KNN)

Gunakan dataset bunga Iris yang tersedia di library Scikit-learn. Bagi data
menjadi data training dan data testing, kemudian buat model klasifikasi
untuk menentukan jenis bunga.

Pembahasan: Latihan ini mencakup workflow lengkap machine learning:

loading data, splitting, training, dan evaluation.

Python

from [Link] import load_iris

from sklearn.model_selection import train_test_split

from [Link] import KNeighborsClassifier

from [Link] import accuracy_score

# Load data

iris = load_iris()

X, y = [Link], [Link]

# Split data

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Model

knn = KNeighborsClassifier(n_neighbors=3)

[Link](X_train, y_train)

# Evaluasi

y_pred = [Link](X_test)

print(f"Akurasi Model: {accuracy_score(y_test, y_pred) * 100}%")

Bagian 5: Tips Lanjutan Menggunakan Google Colab

Agar latihan coding Anda lebih produktif, berikut adalah beberapa fitur
Colab yang harus Anda kuasai:

Menggunakan Form untuk Input Data

Anda bisa membuat input interaktif sehingga user tidak perlu mengubah
kode secara manual.

Python

#@title Masukkan Nama Anda

nama_user = "Budi" #@param {type:"string"}

print(f"Halo {nama_user}, selamat belajar di Colab!")

Menginstal Library Tambahan

Meskipun sebagian besar library sudah ada, terkadang Anda butuh library
spesifik seperti PySprit atau PyCaret. Gunakan perintah pip dengan tanda
seru.

Python

!pip install pycaret

Menjalankan Perintah Terminal

Colab berbasis Linux. Anda bisa menjalankan perintah terminal langsung

dari sel kode.

Python

!ls -l

!pwd

Studi Kasus: Proyek Mini Data Science

Untuk menguji pemahaman Anda secara keseluruhan, cobalah kerjakan

tantangan berikut secara mandiri:

Tantangan: Analisis Data Keuangan

1. Cari dataset harga saham (misal format CSV) atau gunakan

API yfinance.
2. Lakukan pembersihan data jika ada nilai yang hilang (missing values).
3. Hitung moving average selama 7 hari untuk harga penutupan.
4. Visualisasikan harga asli vs moving average dalam satu grafik.
5. Berikan kesimpulan sederhana apakah tren sedang naik atau turun.

Cara Mengoptimalkan Google Colab untuk Deep Learning

Jika Anda berlatih menggunakan model yang lebih berat seperti Neural
Networks (dengan TensorFlow atau PyTorch), pastikan Anda mengubah
tipe runtime:

1. Klik menu Runtime.

 2. Pilih Change runtime type.
3. Pada bagian Hardware accelerator, pilih T4 GPU.

Langkah ini akan mempercepat proses pelatihan model hingga berkali-kali

lipat dibandingkan hanya menggunakan CPU.

Kesalahan Umum Saat Latihan di Colab

Banyak pemula melakukan kesalahan berikut, pastikan Anda

menghindarinya:

1. Lupa Menghubungkan Drive: Saat ingin membaca file dari Drive,

seringkali lupa menjalankan perintah [Link].
2. Variabel Tertukar: Karena sel di Colab bisa dijalankan secara acak,
sering terjadi variabel yang sudah dihapus masih tersimpan di memori.
Solusi: Gunakan Restart session.
3. Lupa Menyimpan Progress: Meskipun ada autosave, selalu pastikan
Anda melakukan Save a copy in Drive sebelum menutup tab browser
untuk keamanan ekstra.

Baca juga: Rektor Universitas Teknokrat Indonesia Salurkan Donasi untuk

Korban Bencana Sumatera melalui ICMI

Sumber Belajar Tambahan

Setelah menyelesaikan contoh soal di atas, Anda dapat mengeksplorasi

lebih jauh melalui:

 Kaggle: Untuk mendapatkan dataset real-world yang menantang.

 Dokumentasi Resmi Python: Untuk memperdalam logika dasar.

 Google Machine Learning Crash Course: Yang menggunakan Colab

sebagai platform utama pembelajarannya.

Berlatih coding secara konsisten di Google Colab akan mempercepat

transisi Anda dari seorang pemula menjadi seorang Data Scientist
profesional. Platform ini menghilangkan hambatan teknis instalasi
perangkat lunak, sehingga Anda bisa fokus sepenuhnya pada logika dan
analisis.

Latihan secara rutin adalah kunci. Cobalah untuk memodifikasi soal-soal

di atas dengan parameter yang berbeda untuk melihat bagaimana
hasilnya berubah. Penguasaan terhadap Google Colab bukan hanya
tentang mengetik kode, tetapi tentang bagaimana Anda memanfaatkan
ekosistem cloud untuk memecahkan masalah data yang kompleks secara
efektif.