Appendix A: Panduan Instalasi Lengkap

Setup Environment untuk Pembelajaran Mesin

Appendix A: Panduan Instalasi Lengkap

Panduan Instalasi Environment Pembelajaran Mesin

Dokumen ini menyediakan panduan step-by-step lengkap untuk menginstal semua tools dan library yang dibutuhkan untuk kursus Pembelajaran Mesin. Ikuti bagian yang sesuai dengan sistem operasi Anda.

Estimated Setup Time: 30-60 menit (tergantung internet speed dan spesifikasi sistem)

A.1 Persyaratan Sistem (System Requirements)

Sebelum memulai instalasi, pastikan sistem Anda memenuhi persyaratan minimum:

Persyaratan Hardware

Komponen Minimum Recommended
Processor Intel/AMD Core i5 atau setara i7/Ryzen 7 atau lebih baik
RAM 8 GB 16 GB atau lebih
Storage 20 GB free space 50 GB free space
GPU Opsional NVIDIA GTX 1050+ (untuk deep learning)
Internet Stabil Minimal 5 Mbps untuk download packages

Persyaratan Software

  • Windows: Windows 10 atau lebih baru (64-bit)
  • macOS: macOS 10.15 atau lebih baru (Intel/Apple Silicon)
  • Linux: Ubuntu 20.04 LTS, Debian 11, atau distro lain dengan package manager
⚠️ Perhatian: Kompatibilitas Windows

Untuk pengguna Windows, sangat disarankan menggunakan WSL2 (Windows Subsystem for Linux 2) untuk performance yang lebih baik. Alternatif lain adalah menggunakan conda yang sudah menghandle dependencies dengan lebih baik.

A.2 Instalasi Python

Python adalah bahasa pemrograman utama untuk machine learning. Pilih salah satu metode di bawah:

A.2.1 Metode 1: Python Official (python.org)

Untuk Windows:

# Download installer dari https://www.python.org/downloads/
# Jalankan installer dengan opsi:
# - Centang "Add Python to PATH" (PENTING!)
# - Pilih "Install for all users"

# Verifikasi instalasi
python --version
pip --version

Untuk macOS:

# Menggunakan Homebrew (recommended)
brew install python@3.11

# Atau download dari python.org
# Verifikasi instalasi
python3 --version
pip3 --version

Untuk Linux (Ubuntu/Debian):

sudo apt update
sudo apt install python3.11 python3.11-venv python3-pip
python3.11 --version
pip3 --version

A.3 Setup Virtual Environment

Virtual environment mengisolasi project dependencies sehingga tidak ada conflict dengan project lain.

A.3.1 Menggunakan venv (Python built-in)

# Buat virtual environment
python -m venv ml_env

# Aktifkan (Windows)
ml_env\Scripts\activate

# Aktifkan (macOS/Linux)
source ml_env/bin/activate

# Deaktifkan (semua OS)
deactivate

A.4 Instalasi Package yang Dibutuhkan

Setelah aktivasi virtual environment, install packages berikut:

A.4.1 Metode 1: Install Individual Packages

# Fundamental packages
pip install numpy pandas scikit-learn matplotlib seaborn

# Deep Learning frameworks
pip install tensorflow torch torchvision torchaudio

# NLP libraries
pip install transformers datasets nltk

# Data visualization
pip install plotly bokeh altair

# Deployment
pip install fastapi uvicorn pydantic

# Jupyter
pip install jupyter jupyterlab

# Utilities
pip install python-dotenv requests beautifulsoup4 selenium

A.4.3 Metode 3: Menggunakan environment.yml (untuk conda)

Buat file environment.yml:

# environment.yml
name: ml-learning
channels:
  - conda-forge
  - defaults
dependencies:
  # Python version
  - python=3.11

  # Core packages
  - numpy
  - pandas
  - scikit-learn
  - scipy

  # Visualization
  - matplotlib
  - seaborn
  - plotly

  # Deep Learning
  - tensorflow
  - pytorch::pytorch
  - pytorch::torchvision
  - pytorch::pytorch-cuda=11.8

  # Development & Jupyter
  - jupyter
  - jupyterlab
  - ipython
  - ipykernel

  # Tools
  - git
  - pip

  # pip dependencies
  - pip
  - pip:
    - transformers
    - datasets
    - nltk
    - spacy
    - fastapi
    - uvicorn
    - python-dotenv
    - requests
    - beautifulsoup4
    - tqdm

Install menggunakan environment.yml:

conda env create -f environment.yml
conda activate ml-learning

A.5 Instalasi Jupyter Notebook / JupyterLab

Jupyter adalah IDE interactive yang sangat populer untuk data science dan machine learning.

A.5.1 Instalasi

# Jika belum diinstall via requirements.txt
pip install jupyter jupyterlab ipykernel

# Atau dengan conda
conda install jupyter jupyterlab ipykernel

A.5.2 Menjalankan Jupyter

# Jalankan Jupyter Notebook (classic interface)
jupyter notebook

# Atau Jupyter Lab (modern interface - recommended)
jupyter lab

# Akan membuka browser ke http://localhost:8888

A.5.3 Register Kernel (opsional)

# Jika menggunakan virtual environment yang berbeda
python -m ipykernel install --user --name ml_env --display-name "Python (ML)"

# Kernel akan tersedia di Jupyter untuk dipilih
JupyterLab vs Jupyter Notebook
  • Jupyter Notebook: Classic, sederhana, lightweight
  • JupyterLab: Modern interface, file browser, multiple tabs, extensions support

Rekomendasi: JupyterLab untuk experience yang lebih baik

A.6 Alternatif: Cloud-Based Environment

Jika sistem lokal tidak memenuhi syarat atau ingin mulai cepat:

A.6.2 Kaggle Notebooks (FREE, GPU tersedia)

1. Buka https://www.kaggle.com/
2. Sign up atau login
3. Buat "New Notebook"
4. Environment sudah lengkap dengan libraries
5. Akses datasets langsung

A.6.3 GitHub Codespaces (Jika punya akun GitHub Pro)

1. Di GitHub repository, klik "Code" → "Codespaces"
2. Pilih "Create codespace on main"
3. VS Code akan terbuka di browser
4. Terminal sudah siap untuk install packages

A.8 Instalasi Git dan GitHub

A.8.1 Instalasi Git

Windows:

# Download dari https://git-scm.com/download/win
# Jalankan installer dengan default settings
# Verifikasi
git --version

macOS:

brew install git
git --version

Linux:

sudo apt install git
git --version

A.8.2 Konfigurasi Git

git config --global user.name "Nama Anda"
git config --global user.email "email@contoh.com"
git config --global core.editor "vim"  # atau editor pilihan Anda

# Verifikasi konfigurasi
git config --list

A.9 Instalasi Docker (Optional untuk Deployment)

Docker berguna untuk containerize aplikasi machine learning.

A.9.1 Instalasi

Windows/macOS:

1. Download Docker Desktop dari https://www.docker.com/products/docker-desktop
2. Jalankan installer
3. Restart komputer
4. Buka terminal: docker --version

Linux:

sudo apt install docker.io docker-compose
sudo usermod -aG docker $USER  # Agar bisa run tanpa sudo
docker --version

A.9.2 Dockerfile untuk ML Project

# Dockerfile
FROM python:3.11-slim

WORKDIR /app

COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt

COPY . .

EXPOSE 8000

CMD ["uvicorn", "main:app", "--host", "0.0.0.0", "--port", "8000"]

Build dan run:

docker build -t ml-app .
docker run -p 8000:8000 ml-app

A.10 Verifikasi Instalasi Lengkap

Jalankan script berikut untuk memverifikasi semua package terinstall dengan benar:

# verify_installation.py
import sys

print("=" * 60)
print("MACHINE LEARNING ENVIRONMENT VERIFICATION")
print("=" * 60)

# System info
print(f"\nPython Version: {sys.version}")
print(f"Python Executable: {sys.executable}")

# Check packages
packages = {
    'numpy': 'NumPy',
    'pandas': 'Pandas',
    'sklearn': 'Scikit-learn',
    'tensorflow': 'TensorFlow',
    'torch': 'PyTorch',
    'matplotlib': 'Matplotlib',
    'seaborn': 'Seaborn',
    'plotly': 'Plotly',
    'transformers': 'Transformers',
    'fastapi': 'FastAPI',
    'jupyter': 'Jupyter',
}

missing = []
for module, name in packages.items():
    try:
        lib = __import__(module)
        version = getattr(lib, '__version__', 'unknown')
        print(f"✓ {name:20} {version}")
    except ImportError:
        print(f"✗ {name:20} NOT INSTALLED")
        missing.append(name)

print("\n" + "=" * 60)
if missing:
    print(f"Missing packages: {', '.join(missing)}")
    print("Install dengan: pip install -r requirements.txt")
else:
    print("✓ Semua packages terinstall dengan benar!")
print("=" * 60)

Jalankan verification:

python verify_installation.py

A.11 Troubleshooting Common Issues

Issue 1: “command not found: python”

Solusi:

# Gunakan python3 sebagai ganti python
python3 --version

# Atau buat alias (untuk macOS/Linux)
echo "alias python=python3" >> ~/.bashrc
source ~/.bashrc

# Atau untuk Windows, install Python dari python.org dengan "Add Python to PATH"

Issue 2: “No module named ‘xyz’ or pip is not recognized”

Solusi:

# Pastikan virtual environment aktif
source ml_env/bin/activate  # macOS/Linux
ml_env\Scripts\activate     # Windows

# Gunakan pip dari dalam environment
which pip  # Verifikasi lokasi pip

# Install package
pip install xyz

Issue 3: Permission Denied (Linux/macOS)

Solusi:

# Jangan gunakan sudo dengan pip di virtual environment
# Pastikan virtual environment sudah diaktifkan terlebih dahulu

# Jika error permission, cek dengan:
ls -l /path/to/ml_env/

# Atau reinstall environment dengan:
rm -rf ml_env
python3 -m venv ml_env
source ml_env/bin/activate
pip install --upgrade pip
pip install -r requirements.txt

Issue 4: CUDA/GPU Not Recognized

Solusi untuk PyTorch:

import torch
print(torch.cuda.is_available())  # Harus return True
print(torch.cuda.get_device_name(0))  # Nama GPU

# Reinstall PyTorch dengan CUDA support:
# pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

Issue 5: Package Version Conflicts

Solusi:

# Buat fresh environment
conda create -n ml_env_new python=3.11 -y
conda activate ml_env_new

# Install dari requirements.txt
pip install -r requirements.txt

# Atau gunakan pip dengan --upgrade
pip install --upgrade package_name

# Lihat conflict:
pip check
⚠️ Hindari Mixing pip dan conda

Jika menggunakan conda, gunakan conda untuk install packages utama. Hanya gunakan pip untuk packages yang tidak tersedia di conda. Mixing dapat menyebabkan dependency conflicts.

Best Practice:

# Jika menggunakan conda, prioritaskan conda-install
conda install -c conda-forge package_name

# Jika tidak ada di conda, baru gunakan pip
pip install package_name

A.12 Setup Checklist

Sebelum mulai belajar, verifikasi checklist berikut:

Jika semua checklist tercentang, Anda siap untuk memulai perjalanan machine learning!

A.13 Referensi dan Resources Lebih Lanjut

  • Official Documentation:
    • Python: https://docs.python.org/3/
    • Jupyter: https://jupyter.org/documentation
    • NumPy: https://numpy.org/doc/
    • Pandas: https://pandas.pydata.org/docs/
    • Scikit-learn: https://scikit-learn.org/stable/documentation.html
    • TensorFlow: https://www.tensorflow.org/documentation
    • PyTorch: https://pytorch.org/docs/
  • Tutorials:
    • Anaconda Getting Started: https://docs.anaconda.com/
    • VS Code Python Guide: https://code.visualstudio.com/docs/python/python-tutorial
    • Git Tutorial: https://git-scm.com/book/en/v2
  • Community Support:
    • Stack Overflow: https://stackoverflow.com/
    • GitHub Discussions: https://github.com/discussions
    • Fast.ai Forums: https://forums.fast.ai/
Selesai!

Jika Anda sudah menyelesaikan semua langkah di atas dengan sukses, environment machine learning Anda sudah siap digunakan. Selamat belajar!

Untuk pertanyaan atau masalah yang tidak tercakup di sini, jangan ragu untuk mencari di Stack Overflow atau GitHub Issues dari project yang relevan.