Conda Environment untuk Proyek Data Science (2026)

Conda environment adalah ruang terpisah buat tiap proyek data science, tempat kamu bisa pasang versi Python dan library sendiri tanpa ganggu proyek lain. Jadi proyek A yang pakai pandas versi lama nggak bentrok sama proyek B yang butuh versi baru.

Tanpa ini, kamu bakal sering ketemu error aneh gara-gara satu proyek nimpa library proyek lain. Aku pernah ngabisin satu sore cuma buat benerin numpy yang rusak gara-gara install proyek baru.

Di bawah ini aku tunjukin cara bikin conda environment, aktifin, pasang library, sampai bagiin ke tim.

Apa itu conda environment?

Conda environment adalah folder terisolasi yang nyimpan versi Python dan kumpulan library khusus buat satu proyek. Tiap environment berdiri sendiri, jadi perubahan di satu tempat nggak ngefek ke yang lain. Kamu bisa punya banyak environment sekaligus di satu komputer.

Conda sendiri adalah tool buat ngatur paket dan environment, populer banget di dunia data science. Dia datang bareng Anaconda atau versi ringannya, Miniconda.

Bedanya sama install library langsung ke sistem: kalau ke sistem, semua proyek berbagi satu kolam library yang sama. Sekali ada yang bentrok, semua kena.

Kenapa perlu conda environment buat data science?

Alasan utamanya: proyek data science sering butuh versi library yang beda-beda. Proyek lama mungkin butuh scikit-learn versi 1.2, proyek baru butuh 1.5. Kalau dipasang di tempat yang sama, salah satu bakal rusak.

Contoh nyata yang sering aku alamin. Aku lagi ngerjain proyek forecasting pakai satu versi pandas, terus disuruh bantu proyek lain yang pakai versi lebih baru.

Begitu aku upgrade pandas buat proyek kedua, kode proyek pertama langsung error. Fungsi yang tadinya jalan tiba-tiba hilang atau ganti nama.

Dengan environment terpisah, dua proyek itu punya pandas masing-masing. Nggak ada yang perlu dikorbanin. Ini juga yang bikin proyekmu gampang dijalanin ulang di komputer lain, penting banget buat portofolio data yang rapi.

Gimana cara bikin conda environment?

Pakai perintah conda create diikuti nama dan versi Python. Contohnya conda create -n proyek_toko python=3.11. Conda bakal bikin ruang baru yang bersih dengan Python 3.11 di dalamnya. Prosesnya cuma beberapa detik sampai semenit.

Langkah lengkapnya gini. Buka terminal, lalu jalanin:

conda create -n proyek_toko python=3.11

Ganti proyek_toko dengan nama proyekmu. Pilih nama yang jelas biar gampang dikenali nanti.

Setelah kelar, aktifin environment-nya:

conda activate proyek_toko

Prompt terminalmu bakal berubah, nunjukin nama environment di depannya kayak (proyek_toko). Itu tanda kamu udah masuk.

Mau lihat semua environment yang kamu punya? Jalanin:

conda env list

Buat keluar dari environment dan balik ke base, ketik conda deactivate.

Cara pasang library di dalam environment

Pastikan environment udah aktif, lalu pasang library pakai conda install atau pip install. Library yang kamu pasang cuma masuk ke environment aktif, nggak ke sistem. Ini yang bikin tiap proyek tetap bersih.

Misal kamu butuh pandas, numpy, dan matplotlib buat analisis:

conda install pandas numpy matplotlib

Conda bakal ngecek versi yang cocok satu sama lain sebelum masang. Ini kelebihannya dibanding pip yang kadang masang versi bentrok.

Kalau ada library yang nggak tersedia di conda, baru pakai pip di dalam environment yang sama:

pip install nama_library

Cek daftar library yang udah terpasang dengan conda list. Buat mulai analisis data, cek juga cara baca file CSV pakai pandas setelah environment siap.

Cara simpan dan bagiin environment lewat environment.yml

Ekspor daftar library ke file environment.yml pakai conda env export. File ini bikin siapa pun bisa bikin ulang environment yang sama persis, termasuk kamu sendiri di komputer lain. Ini standar biar proyek gampang dipindah.

Buat ekspor:

conda env export > environment.yml

File yang dihasilkan berisi nama environment, versi Python, dan semua library beserta versinya. Simpan file ini di folder proyek.

Buat bikin ulang environment dari file itu:

conda env create -f environment.yml

Satu perintah, dan semua library terpasang dengan versi yang sama. Nggak perlu install satu-satu lagi.

Tips: buat versi yang lebih ringkas dan lintas sistem, tambahin flag --from-history pas ekspor. Itu cuma nyimpan library yang kamu install manual, bukan semua turunannya.

Contoh kasus: dua proyek toko_berkah

Aku bantu toko_berkah ngerjain dua analisis sekaligus. Proyek pertama forecasting stok pakai pandas 2.0. Proyek kedua bikin dashboard pakai library visualisasi yang butuh pandas versi lebih lama.

Awalnya aku pasang semua di base environment. Hasilnya, tiap ganti proyek, ada aja fungsi yang error. Aku sempat ngira kodenya yang salah, padahal cuma masalah versi.

Setelah aku pisah jadi dua environment, masalah hilang total. Aku catat waktu yang kebuang buat debugging turun dari sekitar 3 jam seminggu jadi nyaris nol.

conda create -n forecast_stok python=3.11 pandas=2.0
conda create -n dashboard_toko python=3.10 pandas=1.5

Tiap pagi aku tinggal aktifin environment sesuai proyek yang mau digarap. Ganti proyek jadi semudah ganti satu perintah, bukan install ulang library.

Kesalahan umum saat pakai conda environment

Pertama, install semua di base environment. Base itu environment bawaan conda. Kalau rusak, kamu bisa kesusahan benerin conda-nya sendiri. Selalu bikin environment baru buat proyek.

Kedua, lupa aktifin environment sebelum install. Library-nya malah nyasar ke tempat lain. Selalu cek prompt terminal nunjukin nama environment yang bener sebelum ngetik install.

Ketiga, campur conda dan pip sembarangan. Kalau bisa, pasang lewat conda dulu. Baru pakai pip buat yang nggak ada di conda. Campur tanpa urutan bisa bikin dependensi kacau.

Keempat, numpuk environment yang nggak kepakai. Tiap environment makan ruang disk. Hapus yang udah selesai pakai conda remove -n nama --all.

Penutup

Conda environment bikin tiap proyek data science punya rumah sendiri. Tiga hal yang perlu kamu inget:

• Satu proyek satu environment, jangan tumpuk di base.
• Bikin pakai conda create -n, aktifin pakai conda activate.
• Simpan library ke environment.yml biar gampang dipasang ulang.

Mau lanjut belajar workflow data science yang rapi dari awal? Cek panduan Python untuk analis data. Buat referensi perintah lengkap, baca juga dokumentasi resmi manajemen environment conda.