Membaca dan Menulis Multi-format

Dalam praktikum, data bisa datang dari berbagai format file seperti .txt, .csv, .xlsx, atau file teks lain. Setiap format memiliki cara baca dan tulis yang berbeda.

Bagian ini membantu memilih alat yang tepat: kapan menggunakan open(), module csv, NumPy, atau pandas.

Perbandingan Format File

Berikut ringkasan format file yang sering digunakan.

Format	Bentuk Data	Cocok Untuk	Tools yang Disarankan
.txt	Teks bebas atau angka per baris	Catatan, log, data sederhana	open()
.csv	Tabel dipisahkan koma	Data tabel sederhana	csv, pandas, NumPy
.xlsx	Tabel Excel	Data tabel dengan sheet	pandas
.npy	Array NumPy	Data numerik NumPy	NumPy

Penjelasan: Tidak semua file harus dibaca dengan pandas. Jika hanya membaca teks sederhana, open() sudah cukup. Jika datanya berbentuk tabel, pandas biasanya lebih nyaman.

Kapan Menggunakan Open

Gunakan open() jika file berisi teks sederhana atau data yang formatnya tidak terlalu kompleks.

with open("catatan.txt", "r") as file:
    isi = file.read()

print(isi)

Penjelasan: open() cocok untuk file teks biasa seperti catatan, log, atau data angka yang ditulis satu per satu.

Contoh membaca angka dari file TXT:

nilai = []

with open("nilai.txt", "r") as file:
    for baris in file:
        nilai.append(float(baris.strip()))

print(nilai)

Kapan Menggunakan CSV Module

Gunakan module csv jika file berbentuk tabel sederhana dan kita tidak ingin menambah library baru.

import csv

with open("nilai.csv", "r") as file:
    reader = csv.DictReader(file)

    for baris in reader:
        print(baris["nama"], baris["nilai"])

Penjelasan: csv.DictReader() cocok jika file CSV memiliki header atau nama kolom.

Untuk menulis CSV:

import csv

data = [
    ["nama", "nilai"],
    ["Budi", 80],
    ["Ani", 90],
]

with open("hasil.csv", "w", newline="") as file:
    writer = csv.writer(file)
    writer.writerows(data)

Kapan Menggunakan NumPy

Gunakan NumPy jika file berisi data numerik yang rapi, misalnya semua kolom berisi angka.

import numpy as np

data = np.loadtxt("data.csv", delimiter=",")

print(data)

Penjelasan: NumPy cocok untuk file numerik tanpa banyak kolom teks. Jika file memiliki nama, status, atau kolom campuran, pandas biasanya lebih mudah digunakan.

Untuk menyimpan array ke CSV:

import numpy as np

data = np.array([
    [10, 12, 11],
    [9, 10, 12],
])

np.savetxt("hasil.csv", data, delimiter=",", fmt="%.2f")

Kapan Menggunakan Pandas

Gunakan pandas jika data berbentuk tabel dengan nama kolom, perlu menambah kolom baru, membaca Excel, atau menyimpan hasil ke berbagai format.

import pandas as pd

data = pd.read_excel("data_pengukuran.xlsx")

print(data.head())

Penjelasan: Pandas cocok untuk soal yang meminta membaca data tabel, menambahkan kolom xbar, R, BKA, BKB, dan menyimpan kembali hasilnya.

Pandas juga bisa membaca CSV.

data = pd.read_csv("data_pengukuran.csv")

print(data.head())

Tabel Pilihan Tools

Berikut panduan cepat untuk memilih tools.

Kebutuhan	Tools
Membaca catatan .txt	open()
Menulis laporan sederhana .txt	open()
Membaca CSV tanpa install library tambahan	csv
Membaca CSV numerik untuk perhitungan array	NumPy
Membaca CSV dengan nama kolom	pandas
Membaca Excel .xlsx	pandas
Menambah kolom hasil perhitungan	pandas
Membuat output Excel	pandas
Membuat grafik dari kolom tabel	pandas + Matplotlib

Penjelasan: Pilihan tools bergantung pada bentuk data dan output yang diminta.

Alur Kerja Praktikum

Untuk soal pengolahan data, alur kerja yang umum digunakan adalah:

1. Baca file input.
2. Cek isi data.
3. Pilih kolom yang dibutuhkan.
4. Hitung kolom baru.
5. Tentukan status atau kategori.
6. Simpan hasil ke file output.
7. Buat grafik jika diminta.

Contoh alur menggunakan pandas:

import pandas as pd

data = pd.read_excel("data_pengukuran.xlsx")

kolom_x = ["x1", "x2", "x3", "x4", "x5"]

data["xbar"] = data[kolom_x].mean(axis=1)
data["R"] = data[kolom_x].max(axis=1) - data[kolom_x].min(axis=1)

data.to_excel("hasil_pengukuran.xlsx", index=False)

Penjelasan: Pandas membuat alur baca data, olah kolom, dan simpan output menjadi lebih singkat.

Contoh Alur Rekap Nilai

Contoh berikut menunjukkan alur lain yang lebih umum: membaca nilai mahasiswa dari CSV, menghitung nilai akhir, lalu menyimpan output ke Excel dan TXT.

import pandas as pd

data = pd.read_csv("nilai_mahasiswa.csv")

data["nilai_akhir"] = (data["tugas"] * 0.3) + (data["uts"] * 0.3) + (data["uas"] * 0.4)
data["status"] = data["nilai_akhir"].apply(lambda nilai: "Lulus" if nilai >= 75 else "Belum lulus")

data.to_excel("hasil_nilai.xlsx", index=False)

with open("ringkasan_nilai.txt", "w") as file:
    file.write(f"Jumlah mahasiswa: {len(data)}\n")
    file.write(f"Rata-rata nilai akhir: {data['nilai_akhir'].mean()}\n")

Penjelasan: Input berupa CSV, proses dilakukan dengan pandas, output disimpan ke Excel dan TXT. Pola seperti ini sering muncul pada pekerjaan pengolahan data praktikum.

Menyimpan ke Beberapa Format

Kadang hasil pengolahan perlu disimpan ke lebih dari satu format.

import pandas as pd

data = pd.DataFrame({
    "nama": ["Budi", "Ani", "Citra"],
    "nilai": [80, 90, 75],
})

data.to_csv("hasil.csv", index=False)
data.to_excel("hasil.xlsx", index=False)

with open("hasil.txt", "w") as file:
    for index, baris in data.iterrows():
        file.write(f"{baris['nama']} - {baris['nilai']}\n")

Penjelasan: Data yang sama bisa disimpan ke CSV, Excel, dan TXT sesuai kebutuhan output.

Kesalahan yang Sering Terjadi

Beberapa kesalahan umum saat membaca dan menulis file:

• Path file salah atau file tidak berada di folder yang sama.
• Nama kolom tidak sesuai dengan file.
• File Excel sedang dibuka sehingga tidak bisa ditulis ulang.
• File CSV menggunakan pemisah selain koma.
• Data angka terbaca sebagai string.

Contoh mengecek nama kolom:

import pandas as pd

data = pd.read_excel("data_pengukuran.xlsx")

print(data.columns)

Penjelasan: data.columns membantu memastikan nama kolom sesuai dengan yang akan dipanggil di kode.

Latihan Singkat

Coba buat program sederhana dengan ketentuan berikut:

• Baca file .txt menggunakan open().
• Baca file .csv menggunakan pandas.
• Baca file .xlsx menggunakan pandas.
• Tambahkan kolom baru pada DataFrame.
• Simpan hasil ke .csv.
• Simpan hasil ke .xlsx.
• Simpan ringkasan hasil ke .txt.
• Jelaskan kapan kamu memilih open(), csv, NumPy, atau pandas.