Modul Minggu 2 — Python Fundamentals + Mini Project SQL & Python (untuk Software Developer)

Pendamping minggu_2.md (jadwal & outline). File ini konten pengajaran lengkap: penjelasan konsep, analogi kode, contoh, latihan, kunci jawaban. Lihat juga materi/minggu_1/ — minggu ini menyambung langsung dari SQL yang sudah dipelajari di sana.

Untuk Siapa & Kenapa Bobot Materinya Timpang

Peserta sudah bisa programming, jadi Python dasar (Hari 1–2) akan terasa cepat — bukan konsep baru, cuma sintaks baru. Jangan habiskan waktu banyak di sana. Bobot terberat ada di Pandas (Hari 3–4) dan data cleaning (Hari 5) — ini yang benar-benar skill baru untuk data engineer, dan tidak otomatis dikuasai walau sudah jago programming umum. Instruktur: alokasikan energi mengajar sesuai ini, jangan merata.

Filosofi Mengajar Minggu Ini: Sambungkan ke Minggu 1, Bukan Mulai dari Nol

Trik utama minggu ini: Pandas paling cepat dipahami developer lewat pemetaan langsung ke SQL yang sudah mereka kuasai minggu lalu, bukan diajarkan sebagai hal baru dari nol.

SQL (Minggu 1)	Pandas (Minggu 2)
`SELECT col1, col2 FROM table`	`df[['col1', 'col2']]`
`WHERE condition`	`df[boolean_condition]`
`ORDER BY col`	`df.sort_values('col')`
`LIMIT n`	`df.head(n)`
`GROUP BY col` + agregasi	`df.groupby('col').agg(...)`
`JOIN ... ON`	`df.merge(...)`
`HAVING`	`.groupby(...).filter(...)` atau filter setelah agregasi

Tabel ini akan diulang & diperluas di hari_3_pandas_dasar.md dan hari_4_pandas_lanjutan.md. Tekankan ke peserta di awal minggu: kamu sudah tahu logikanya dari SQL, minggu ini cuma belajar notasi baru untuk logika yang sama — dan kadang malah bisa cross-check jawaban Pandas dengan query SQL minggu lalu untuk validasi (dan memang beberapa contoh di modul ini sengaja meniru ulang query dari materi/minggu_1/ dengan Pandas, hasilnya harus identik).

Setup Environment

python3 -m venv venv
source venv/bin/activate   # Windows: venv\Scripts\activate
pip install pandas matplotlib seaborn jupyter sqlalchemy psycopg2-binary

Jupyter Notebook/Lab direkomendasikan untuk eksplorasi data (jupyter lab) — beda dari workflow developer biasa yang lebih sering nulis script/file .py linear, notebook mendukung eksplorasi iteratif per-cell yang cocok untuk data analysis.
sqlalchemy + psycopg2-binary dipakai untuk konek ke PostgreSQL yang sudah di-setup Minggu 1 (pg-belajar) langsung dari Python — dipakai mulai hari_4 dan terutama di mini project akhir minggu.

Dataset yang Dipakai Minggu Ini

Hari 1–4: Dataset Toko Elektronik & Furnitur Mini (lanjutan Minggu 1)

File CSV di folder data/ — hasil export dari dataset SQL Minggu 1 (skema & isi identik dengan materi/minggu_1/00_overview.md):

data/
├── customers.csv      (7 baris)
├── products.csv       (7 baris)
├── orders.csv         (12 baris)
├── order_items.csv    (19 baris)
└── sales_raw_dirty.csv (20 baris, dipakai khusus Hari 5)

Dipakai terus sampai Hari 4 supaya peserta bisa membandingkan langsung hasil Pandas dengan hasil query SQL yang sudah mereka verifikasi minggu lalu.

Hari 5 & Akhir Pekan: Data yang Lebih “Kotor” dan Data Publik Sungguhan

Hari 5 pakai data/sales_raw_dirty.csv — versi sengaja dikotori dari dataset yang sama (missing value, duplikat baris, harga dalam format campuran $8.00/3,50, negara dengan whitespace/casing tidak konsisten, format tanggal campuran). Setiap masalah di file ini sengaja dan bisa diverifikasi — instruktur tahu nilai “bersih” yang seharusnya karena berasal dari dataset yang sama di data/order_items.csv.
Sabtu pakai dataset publik pilihan bebas dari Kaggle (lihat latihan_eda_dan_mini_project.md).
Minggu mulai pakai Online Retail II — dataset yang akan dipakai terus sampai Minggu 8 sebagai portfolio project (ecommerce-etl-pipeline / ecommerce-sales-analysis).

Struktur Modul

File	Sesuai Jadwal `minggu_2.md`	Topik
`hari_1_python_dasar.md`	Senin, 2 jam	Variabel, tipe data, control flow, function
`hari_2_struktur_data.md`	Selasa, 2 jam	list, dict, set, tuple + comprehension
`hari_3_pandas_dasar.md`	Rabu, 2 jam	DataFrame, read_csv, filtering, selection
`hari_4_pandas_lanjutan.md`	Kamis, 2 jam	groupby, merge/join, pivot table
`hari_5_data_cleaning.md`	Jumat, 2 jam	Missing values, duplicate, dtype, string manipulation
`latihan_eda_dan_mini_project.md`	Sabtu (4 jam) + Minggu (4 jam)	EDA end-to-end + Mini Project SQL+Python (Online Retail II)

Struktur tiap file hari_X sama dengan Minggu 1: Tujuan Belajar → Untuk Instruktur → Konsep & Sintaks → Contoh Kode → Kesalahan Umum → Latihan → Kunci Jawaban.

Catatan Cara Mengajar

Live coding di notebook, bukan slide — sama seperti Minggu 1, tapi sekarang di Jupyter, bukan SQL client.
Jangan re-teach konsep pemrograman dasar (apa itu variabel, apa itu function) — peserta sudah tahu ini dari bahasa lain. Fokus ke: apa yang beda di Python (indentation, dynamic typing, truthiness, list/dict comprehension) dan apa yang baru sama sekali (Pandas).
Setiap kali ngajarin method Pandas baru, tanya balik: “ini setara SQL apa yang kita pelajari minggu lalu?” — kalau peserta bisa jawab sendiri, itu tanda tersambung baik.
Total waktu: 5 hari × 2 jam + Sabtu 4 jam + Minggu 4 jam = 18 jam, sesuai minggu_2.md.