ALGORITMA DAN PEMROGRAMAN PYTHON MODERN: Teori, Struktur Data, dan Fondasi Komputasi Machine Learning
Keywords:
ALGORITMA, PEMROGRAMAN, PYTHON, MODERNSynopsis
Perkembangan teknologi komputasi dalam satu dekade terakhir telah mengubah lanskap ilmu pengetahuan secara fundamental. Python, sebagai salah satu bahasa pemrograman yang paling pesat berkembang, telah menjadi lingua franca bagi para ilmuwan data, pengembang perangkat lunak, dan peneliti di seluruh dunia. Kehadiran Python tidak hanya mempermudah proses pembuatan program, tetapi juga menjadi jembatan antara konsep algoritma klasik dengan kebutuhan komputasi modern, terutama di bidang machine learning dan kecerdasan artifisial. Buku ini disusun dengan kesadaran bahwa pembelajaran algoritma dan pemrograman tidak cukup hanya berhenti pada sintaksis bahasa. Lebih dari itu, pembaca perlu memahami bagaimana sebuah algoritma dirancang, bagaimana data disimpan dan dimanipulasi melalui struktur data yang tepat, serta bagaimana fondasi komputasi tersebut menjadi pijakan dalam membangun model machine learning yang efisien dan akurat. Oleh karena itu, buku ini dibagi ke dalam tiga pilar utama. Pertama, pembahasan teori algoritma dan pemrograman Python modern, yang mencakup dasar-dasar logika, kontrol alur, fungsi, hingga paradigma pemrograman berorientasi objek dan fungsional. Kedua, eksplorasi struktur data mulai dari senarai, tumpukan, antrean, pohon, graf, hingga struktur data lanjutan yang disajikan dengan implementasi langsung dalam Python. Ketiga, fondasi komputasi untuk machine learning, yang membahas dasar aljabar linear, statistika komputasi, vektorisasi, serta pengenalan library kunci seperti NumPy, pandas, dan scikit-learn.
Downloads
Download data is not yet available.
References
Abdul Kadhar, K. M., & Anand, G. (2021). Basics of Python Programming. In K. M. Abdul Kadhar & G. Anand (Eds.), Data Science with Raspberry Pi: Real-Time Applications Using a Localized Cloud (pp. 13–47). Apress. https://doi.org/10.1007/978-1-4842-6825-4_2
Castro, O., Bruneau, P., Sottet, J. S., & Torregrossa, D. (2024). Landscape of High-Performance Python to Develop Data Science and Machine learning Applications. ACM Computing Surveys, 56(3). https://doi.org/10.1145/3617588
Gong, Y., Liu, G., Xue, Y., Li, R., & Meng, L. (2023). A survey on dataset quality in machine learning. Information and Software Technology, 162. https://doi.org/10.1016/j.infsof.2023.107268
Gupta, P., & Bagchi, A. (2024a). Introduction to NumPy. In P. Gupta & A. Bagchi (Eds.), Essentials of Python for Artificial Intelligence and Machine learning (pp. 127–159). Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-43725-0_4
Gupta, P., & Bagchi, A. (2024b). Python Language Basics. In P. Gupta & A. Bagchi (Eds.), Essentials of Python for Artificial Intelligence and Machine learning (pp. 87–126). Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-43725-0_3
Iqbal, M. A. (2025). Python Data Structures. In M. A. Iqbal (Ed.), Python for Agriculturists (pp. 137–181). Springer Nature Switzerland. https://doi.org/10.1007/978-3-032-01442-9_5
Khemani, B., Patil, S., Kotecha, K., & Tanwar, S. (2024). A review of graph neural networks: concepts, architectures, techniques, challenges, datasets, applications, and future directions. Journal of Big Data, 11(1), 18. https://doi.org/10.1186/s40537-023-00876-4
Mafmudin, M., & Harnaningrum, L. N. (2025). Improving Memory Efficiency on Android: Leveraging Data Structures for Optimal Performance. JIKO (Jurnal Informatika Dan Komputer), 9(3), 496. https://doi.org/10.26798/jiko.v9i3.2131
Muddana, A. L., & Vinayakam, S. (2024a). Built-in Data Structure: Sets. In A. L. Muddana & S. Vinayakam (Eds.), Python for Data Science (pp. 115–135). Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-52473-8_6
Muddana, A. L., & Vinayakam, S. (2024b). Python for data science (1st ed.). Springer. https://doi.org/10.1007/978-3-031-52473-8
Shi, C. (2025). Mastering Algorithms with Python (1st ed.). Apress Berkeley, CA. https://doi.org/10.1007/979-8-8688-1799-1
Unpingco, J. (2021). Python programming for data analysis (1st ed.). Springer. https://doi.org/10.1007/978-3-030-68952-0
Wei, Y., Ben-David, N., Blelloch, G. E., Fatourou, P., Ruppert, E., & Sun, Y. (2021). Constant-time snapshots with applications to concurrent data structures. Proceedings of the ACM SIGPLAN Symposium on Principles and Practice of Parallel Programming, PPOPP, 31–46. https://doi.org/10.1145/3437801.3441602
Zhao, W. X., Mu, S., Hou, Y., Lin, Z., Chen, Y., Pan, X., Li, K., Lu, Y., Wang, H., Tian, C., Min, Y., Feng, Z., Fan, X., Chen, X., Wang, P., Ji, W., Li, Y., Wang, X., & Wen, J. R. (2021). RecBole: Towards a Unified, Comprehensive and Efficient Framework for Recommendation Algorithms. International Conference on Information and Knowledge Management, Proceedings, 4653–4664. https://doi.org/10.1145/3459637.3482016
Published
September 28, 2026
Categories
Copyright (c) 2026 Sada Kurnia Pustaka
License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Details about the available publication format: PDF
PDF
