Kalau kalian baru mau mulai belajar AI Engineer atau Data Scientist, dan sangat tidak sabar untuk hal itu. Jangan langsung buru-buru install torch atau transformers.
Langkah paling penting justru (menurut pengalaman saya) adalah setup environment yang benar dan tentunya harus proper.
Di tahun 2025, development AI landscape-nya udah jauh lebih modern dan efisien dibanding 5 tahunan yang lalu.
Berikut checklist environment ideal biar kalian nggak kebanjiran error dan bisa fokus belajar AI-nya 👇
1. Pilih Versi Python paling Stabil
Gunakan: Python 3.10-3.12 LTS (bukan yang paling baru)
Kenapa?
Karena mayoritas library AI seperti PyTorch, TensorFlow, dan LangChain paling stabil di 3.9 hingga versi 3.12.
Para pengelola library besar seperti PyTorch, TensorFlow, NumPy, atau Pandas perlu waktu untuk melakukan testing, perbaikan bug, dan merilis binary yang stabil terhadap versi Python yang digunakan.
📌 Tools alat bantu Python untuk versioning:
pyenv, merupakan swiss-knive untuk pengelolaan versi Python per project.asdf, Kalaupyenvcuma ngatur versi Python,asdfbisa ngatur banyak bahasa pemrograman sekaligus dalam satu alat. (Sangat berguna kalo kalian punya project Python dan bahasa pemrograman lain dalam satu paket)- asdf ini jarang dipakai oleh AI engineer karna mereka fokus di stabilitas & CUDA, bukan multi-runtime.
2. Gunakan Virtual Environment
Ingat! Jangan pernah install library langsung ke sistem global.
Setiap project sebaiknya punya ruangan sendiri. Alasannya, dependency tree di Python sering bergantung pada banyak library lain dengan versi yang ketat, sehingga benturan antarversi mudah terjadi
Sehingga jika terjadi sebuah mismatch antara library dan tree-nya, kalian akan menemukan banyak issue. Serius!
Untuk menangani masalah itu, gunakanlah salah satu dari dua tools ini:
| Tool | Kelebihan | Cocok Untuk |
|---|---|---|
.venv | Ringan, bawaan Python | Project kecil hingga menengah |
conda / mamba | Sangat Powerful, bisa handle CUDA & dependensi berat | Project AI besar / GPU-based |
Kalau kalian di Mac/Linux, tambahkan ini ke terminal:
python -m venv .venv
source .venv/bin/activate3. Dependency Manager
Tahun 2025 bukan jamannya
pip installmanual satu-satu.
Gunakan dependency manager yang bisa lock version biar environment kalian reproducible, baik di local, development dan production server:
| Tool | Kelebihan |
|---|---|
| uv | Super cepat (Rust-based), kompatibel dengan pip. Cukup modern meskipun tools baru. |
| poetry | Bisa handle dependency + build package |
| pip-tools | Sederhana tapi efektif untuk locking |
contoh penggunaan uv:
uv pip install torch transformers langchain
uv pip freeze > requirements.txt4. Siapkan GPU Driver & CUDA yang Cocok
Kalau kalian berencana menggunakan GPU di komputer local (misal Nvidia RTX bahkan eGPU), pastikan versi CUDA cocok dengan versi PyTorch atau TensorFlow.
Kesalahan pemilihan versi = error.
Langkah aman untuk meminimalisir error karna missmatch versi CUDA dengan versi PyTorch lakukan cara ini:
- Cek versi PyTorch →
pip show torch - Lihat panduan resmi di pytorch.org/get-started/locally
- Gunakan
condajika ingin auto-handle CUDA
5. IDE Favorit Kalian
Jangan anggap enteng workflow coding kalian. IDE adalah layaknya kantor dimana kalian bekerja. Kantor nyaman, kerjaan aman! Hehehe
Pilih salah satu (atau kombinasi):
- VS Code + Jupyter extension (paling fleksibel)
- JupyterLab (powerful untuk eksperimen cepat)
- Google Colab / Kaggle Notebook (kalau belum punya GPU lokal)
6. Jangan lupakan .env dan .gitignore
Kalian akan mulai main dengan API key (OpenAI, Hugging Face, Anthropic).
Apapun yang berhubungan dengan API jangan sampai bocor. Tapi saya yakin, kalian sudah memahami yang saya maksud ini, dimana kita harus:
- Menyimpan semua API key di
.env - Tambahkan
.envke.gitignore - Gunakan library
python-dotenvuntuk load otomatis
# .env
OPENAI_API_KEY=sk-xxx7. Setup Basic Folder Structure
Biar rapi dan scalable, gunakan pola minimal seperti ini:
project-ai/
├── data/
├── notebooks/
├── src/
│ ├── utils/
│ ├── models/
│ └── rag_pipeline.py
├── .venv/
├── .env
└── requirements.txtRapi dari awal = gampang dikembangkan nanti.
8. BONUS: Workflow Automation
Jika kalian ingin bermain AI menggunakan workflow automation, n8n adalah satu-satunya tools yang dapat dipakai di local komputer untuk tugas itu. Gratis!
Secara sederhana, jika kalian agak malas untuk full coding (misal pembuatan RAG), n8n adalah tools low-code (hampir no-code) yang bisa melakukan hal itu dengan cara lebih praktis dan “mudah”.
n8n punya built-in ratusan nodes yang bisa kalian pakai, mulai dari integrasi LLM, third-party services (seperti Google Calendar, Github, Discord) dan lain-lain.
✅ Ringkasan
| Langkah | Tujuan | Tool yang Disarankan |
|---|---|---|
| Versi Python | Stabilitas | pyenv |
| Virtual Env | Isolasi | .venv / conda |
| Dependency | Lock & Speed | uv / poetry |
| CUDA Driver | GPU Support | conda / manual |
| IDE | Workflow nyaman | VS Code / Jupyter |
| Keamanan | Simpan API key | .env + dotenv |
| Struktur | Rapi & scalable | folder modular |
| (BONUS) | Workflow Tools | n8n |
Kesimpulan
Jadi, sebelum kalian belajar RAG, fine-tuning, atau LLM pipeline, hingga jalanin LLM manual di lokal komputer. Setidaknya pastikan checklist di atas.
Setup environment itu bukan hal sepele karna dia adalah pondasi yang menentukan seberapa jauh kalian bisa melangkah.
Kalau pondasinya kuat, eksperimen kalian di dunia AI bakal jauh lebih lancar dan produktif. 🚀
Tinggalkan Balasan