Beranjak dari MATLAB ke Julia

Di dunia data science yang sangat dinamis, tidak ada yang abadi. Setiap kali alat dan perangkat lunak baru bermunculan, mereka berpotensi menantang status quo teknologi. Dinamika ini terlihat jelas di lanskap bahasa pemrograman. Ada cukup banyak bahasa pemrograman yang cocok untuk data science. Meskipun ruang data saat ini didominasi oleh segelintir bahasa pemrograman yang sangat populer, bahasa-bahasa baru yang diklaim lebih kuat mulai mendapat momentum. Salah satu contoh paling menjanjikan adalah Julia. 

Dirilis pertama kali pada tahun 2012, Julia dapat dianggap sebagai bintang yang sedang naik daun di data science. Terlepas dari usianya yang relatif baru, Julia telah mengesankan dunia komputasi numerik dengan kinerja tinggi dan kecepatan komputasinya yang tak tertandingi. Seiring waktu, Julia makin matang, dan kini kerap disebut sebagai salah satu “bahasa masa depan” untuk data science dan kecerdasan buatan. 

Ada banyak alasan kuat untuk mulai mempelajari Julia. Namun, jalur transisinya dapat berbeda tergantung bahasa pemrograman yang telah Anda kuasai. Sementara sebagian besar artikel dan kursus berfokus pada cara beralih dari MATLAB ke dua bahasa terpopuler untuk data science, yaitu Python dan R, penting juga untuk menyediakan sumber daya bagi pengguna dari bahasa pemrograman lain yang ingin beranjak ke Julia. 

Tujuan artikel ini adalah memperkenalkan Julia kepada programmer MATLAB. Kita akan mempelajari perbedaan dan kesamaan kedua bahasa ini serta memberikan beberapa kiat untuk bermigrasi dari MATLAB ke Julia untuk analisis dan visualisasi data. Mari mulai!

Untuk apa MATLAB digunakan?

MATLAB adalah bahasa pemrograman yang dirancang khusus untuk komputasi numerik. Sejak diluncurkan pada tahun 1984, MATLAB (singkatan dari "MATrix LABoratory") telah banyak diadopsi di dunia akademik dan penelitian ilmiah. Meski tergolong cukup lama, ini masih merupakan bahasa pemrograman yang sangat populer. Pada Oktober 2022, MATLAB menempati peringkat ke-14 di PYPL Index dan TIOBE Index. 

Bahasa MATLAB unggul untuk tugas komputasi tingkat tinggi, termasuk operasi matematika dan statistik lanjutan. Bahasa ini juga memiliki kemampuan plotting dan implementasi algoritme, sehingga menjadi kandidat yang tepat untuk data science.

Namun, MATLAB memiliki catatan penting: ini adalah alat proprieter. Artinya, kecuali institusi tempat Anda bernaung memberi akses—seperti sering terjadi di lingkungan akademik—Anda mungkin harus membayar biaya yang besar untuk mendapatkan lisensi. Selain itu, karena pengguna tidak memiliki akses ke kode sumbernya, bisa sulit memahami cara kerja beberapa kemampuan MATLAB. 

Faktor-faktor ini dapat membuat MATLAB kurang menarik dibandingkan bahasa pemrograman lain yang dapat Anda gunakan secara gratis.

Untuk apa Julia digunakan?

Di balik setiap inovasi ada keinginan untuk memperbaiki atau melampaui teknologi dominan pada masanya. Inilah pendorong di balik Julia, yang mengambil inspirasi dari beberapa bahasa pemrograman terkuat. Seperti yang dinyatakan oleh Jeff Bezanson, Stefan Karpinski, Alan Edelman, dan Viral B. Shah, para pendiri bahasa ini, dalam sebuah pos yang menjelaskan mengapa mereka menciptakan Julia:

“Kami menginginkan bahasa yang open source dengan lisensi yang longgar. Kami menginginkan kecepatan setara C dengan dinamisme Ruby. Kami menginginkan bahasa yang homoiconic, dengan macro sejati seperti Lisp, namun memiliki notasi matematika yang jelas dan familier seperti Matlab. Kami menginginkan sesuatu yang sama bergunanya untuk pemrograman umum seperti Python, semudah statistik seperti R, senatural pemrosesan string seperti Perl, sekuat aljabar linear seperti Matlab, sebagus mengikat program bersama seperti shell. Sesuatu yang sangat mudah dipelajari, namun membuat para hacker paling serius tetap puas. Kami menginginkannya interaktif dan sekaligus terkompilasi.”

Berkat fitur-fiturnya yang unik—hasil dari proses seleksi yang merangkum yang terbaik dari bahasa-bahasa pemrograman terkemuka—Julia dengan cepat mendapat momentum. 

Sejak rilis pertamanya pada 2021, Julia telah diunduh lebih dari 40 juta kali, dan komunitas Julia telah mendaftarkan lebih dari 8.000 paket Julia untuk digunakan komunitas. Ini mencakup berbagai pustaka matematika, alat manipulasi data, dan paket untuk komputasi tujuan umum. 

Terkait popularitas di antara bahasa lain, Julia menempati peringkat ke-25 dan ke-27 pada PYPL Index dan TIOBE Index edisi Oktober 2022.

Julia adalah bahasa pemrograman general-purpose, artinya dapat digunakan dalam banyak tugas pengembangan perangkat lunak seperti pengembangan web dan gim, namun sangat cocok untuk machine learning dan komputasi statistik. Memang, para penggemar Julia kerap menyebutnya sebagai pewaris Python dan R untuk data science. 

Meski begitu, Julia masih memiliki perjalanan panjang sebelum menjadi bahasa baku data science. Mereka yang baru memulai kemungkinan besar tetap ingin mempelajari Python dan R terlebih dahulu. Namun, sebagai pelengkap keterampilan pemrograman yang sudah ada, Julia bisa menjadi pilihan yang sangat baik. Anda dapat mempelajari lebih lanjut tentang untuk apa Julia digunakan dalam pos blog terpisah. 

Apa yang Perlu Diketahui Pengguna MATLAB tentang Julia

Ada alasan kuat untuk mengadopsi Julia. Pada bagian ini, kita akan meninjau lebih dekat fitur-fitur utama yang menjadikan Julia bahasa yang begitu kuat dan kandidat ideal bagi pengguna MATLAB untuk beralih ke Julia.

Kecepatan MATLAB vs Julia

Julia dirancang dengan mempertimbangkan pengguna teknis dan ilmiah. Untuk menyelesaikan masalah bisnis dan mendukung pengambilan keputusan, profesional data sering kali harus menangani set data besar dan teknik kompleks, termasuk algoritme machine learning dan jaringan saraf tiruan. 

Aktivitas ini tidak hanya membutuhkan sumber daya komputasi yang besar, tetapi juga memerlukan bahasa pemrograman yang dapat menjalankan kode pada komputer dengan sangat cepat, sehingga profesional data tidak perlu menunggu lama untuk mendapatkan hasil. 

Namun, memilih bahasa pemrograman yang tepat bisa jadi sulit. Sebagian besar bahasa pemrograman menghadapi kompromi antara kinerja dan keterbacaan kode. 

Secara tradisional, bahasa pemrograman yang berkinerja tinggi lebih sulit digunakan, dan sebaliknya. Misalnya, bahasa “level tinggi” yang populer seperti MATLAB dan Python mengorbankan kecepatan demi fleksibilitas dan keterbacaan yang tinggi, sementara bahasa seperti C, C++, dan Fortran dikenal sangat cepat namun memiliki sintaks yang sangat kompleks. 

Ini berarti pengembang membutuhkan lebih banyak waktu dan sering kali lebih banyak pengalaman pemrograman untuk menulis kode dengan bahasa-bahasa tersebut.

Di sinilah Julia hadir. Julia dirancang agar relatif mudah dan cepat untuk menulis program, tetapi juga mampu menjalankan kode dan melakukan perhitungan dengan sangat cepat. Dengan kinerja setara C, Julia sudah menjadi salah satu bahasa tercepat dalam sejarah. Saat membandingkan kinerja keduanya, MATLAB secara signifikan lebih lambat daripada Julia. 

Untuk menggambarkan kinerja Julia yang tak tertandingi, pada tabel berikut Anda dapat menemukan tolok ukur tentang bagaimana Julia dan MATLAB berjalan ketika mengeksekusi for loop untuk membuat matriks dari sebuah vektor. Detail lebih lanjut tentang uji tolok ukur dapat ditemukan dalam artikel berikut.

Sintaks MATLAB vs Julia 

Seperti disebutkan pada bagian sebelumnya, Julia mengakhiri perdebatan antara kinerja dan keterbacaan. Sintaks bahasa ini mudah dipahami dan bertipe dinamis, menjadikannya semudah dipelajari dan ditulis seperti MATLAB atau Python, namun karena merupakan bahasa terkompilasi, Julia mampu secepat bahasa bertipe statis seperti C atau Fortran.

Tapi ada lagi. Jika Anda mempertimbangkan untuk beralih dari MATLAB ke Julia, ada kabar baik: kedua bahasa ini cukup mirip secara sintaksis. Hal ini tidak mengherankan: pada akhirnya, MATLAB adalah salah satu sumber inspirasi utama bagi para pendiri Julia. 

Berikut beberapa contoh operasi dasar dalam MATLAB dan Julia:

For loop

% for loop in MATLAB
for i = 1:N
  % do something
endDidukung oleh

# for loop in Julia
for i in 1:N
  # do something
endDidukung oleh

Pernyataan if / else

% if/else in MATLAB
if i <= N
  % do something
else
  % do something else
endDidukung oleh

# if/else in Julia
if i <= N
  # do something
else
  # do something else
endDidukung oleh

Fungsi UDF

% function in MATLAB
function out  = f(x)
  out = x^2
endDidukung oleh

# function in Julia
function f(x)
  return x^2
endDidukung oleh

Meski memiliki kemiripan, perlu dicatat bahwa Julia bukan klon MATLAB. Masih ada perbedaan sintaktis dan fungsional yang signifikan. Pada bagian berikutnya, kami membahas beberapa persamaan dan perbedaan antara MATLAB dan Julia. 

Julia vs MATLAB: Perbandingan

Di bawah ini Anda dapat menemukan tabel perbedaan antara Julia dan MATLAB:

Beranjak dari MATLAB ke Julia 

Siap memulai? Berikut beberapa langkah yang membantu saat beranjak dari MATLAB ke Julia:

Pelajari Dasar-dasar Julia  

Cara terbaik mempelajari bahasa pemrograman baru adalah dengan menulis kode. Ada banyak sumber untuk memulai Julia, namun kami sangat menyarankan Anda melihat Kursus Pengantar Julia kami. 

Dikembangkan untuk pendatang baru di Julia dan, lebih luas lagi, pemula di data science, kursus ini dimulai dari dasar-dasar bahasa dan bergerak secara bertahap ke elemen yang lebih detail. Di akhir kursus, Anda akan familier dengan pengkodean di Julia, memahami dasar-dasar termasuk tipe dan struktur data, fungsi dan paket, serta cara menggunakan DataFrames untuk bekerja dengan data bertabel.

Anda juga dapat menemukan tutorial Julia untuk pemula kami, serta lembar contekan Julia yang praktis. 

Gunakan Julia dalam Proyek Data Anda

Cara yang bagus untuk menguatkan pengetahuan dan mendapatkan pengalaman praktis penting dengan Julia adalah menggunakan bahasa ini untuk mengerjakan proyek data favorit Anda. Menggunakan Julia dalam proyek Anda sendiri akan membantu Anda menemukan potensi penuh Julia dan membantu membangun portofolio data science yang menonjol. 

Gunakan Julia dalam Proyek Profesional Anda

Setelah Anda familier dengan Julia, saatnya memanfaatkannya dalam aktivitas harian. Kombinasi kinerja tinggi dan keterbacaan Julia dapat menjadi pengubah permainan saat bekerja di lingkungan profesional. Dari pemodelan farmasi hingga perencanaan misi antariksa, para profesional di berbagai industri menggunakan pemrograman Julia saat ini. Ini adalah alat yang kuat untuk membawa aplikasi dan tugas data science Anda ke tingkat berikutnya. 

Cari Pekerjaan Berikutnya dengan Julia

Sekarang adalah waktu yang tepat untuk mempelajari Julia. Seperti yang dikemukakan Ari Joury dalam tulisannya, Julia bisa menjadi tiket emas Anda ke masa depan jika Anda mulai mempelajarinya sebelum menjadi kebiasaan baru di data science. Semakin banyak perusahaan di seluruh dunia yang mengadopsi Julia untuk proyek data mereka, yang berarti mereka akan melakukan apa pun untuk menarik (masih) sedikit programmer Julia berpengalaman. Setelah keterampilan Anda berkembang memadai, Anda dapat mulai mencari peran yang memerlukan pengetahuan Julia dan MATLAB sekaligus. 

Temukan langkah karier Anda berikutnya menggunakan Julia dengan platform lowongan data DataCamp. 

Kesimpulan

Julia adalah salah satu bintang yang sedang naik daun di ranah data. Selama sepuluh tahun sejak rilis pertamanya, bahasa ini telah menjadi matang dan kini menghadirkan fitur-fitur luar biasa yang jarang dimiliki bahasa lain. 

Meski MATLAB masih dalam kondisi baik, tidak ada bahasa pemrograman yang benar-benar aman di lanskap data science yang berkembang pesat. Apa yang populer hari ini bisa menjadi tidak relevan esok hari, tergeser alat yang lebih modern dan lebih kuat. 

Dalam beberapa tahun terakhir, kelemahan utama Julia adalah usianya yang muda. Namun kini, Julia adalah salah satu bahasa baru paling menarik di industri data science. Apakah Julia layak dipelajari? Dan mungkinkah beranjak dari MATLAB ke Julia? Jawaban untuk kedua pertanyaan ini adalah ya, tanpa ragu.