Menelusuri Pesan Error No module named 'sklearn' di Python

Scikit-learn, yang sering disingkat sklearn, adalah library Python yang banyak digunakan untuk tugas analisis dan pemodelan data, termasuk machine learning. Pengguna baru yang antusias mencoba sklearn bisa merasa frustrasi saat menemui pesan error yang asing dan tidak mudah ditangani.

Tutorial ini akan membahas cara memperbaiki pesan error No module named 'sklearn' agar kita bisa kembali menggunakan koleksi algoritme dan alat sklearn yang sangat luas untuk analisis dan pemodelan data. Dalam prosesnya, kita juga akan mempelajari keterampilan umum untuk menelusuri masalah instalasi paket, sehingga membuat kita menjadi pemrogram Python yang lebih andal. Jika Anda ingin menyegarkan ingatan tentang paket scikit-learn, silakan lihat Scikit-Learn Cheat Sheet kami sebelum mulai.

Memahami Pesan Error No module named 'sklearn' di Python

Mari lihat gambar berikut. Di sini, kita mencoba mengimpor sklearn dan mendapat pengecualian ModuleNotFoundError.

ModuleNotFoundError di lingkungan Python

Seperti yang bisa kita simpulkan dari namanya, ModuleNotFoundError adalah jenis khusus dari ImportError yang menunjukkan bahwa Python tidak dapat menemukan modul tertentu. Dalam kasus ini, modulnya adalah sklearn, tetapi bisa saja modul lain, seperti numpy atau pandas.

Kursus Introduction to Data Science in Python kami berisi pelajaran dengan banyak contoh cara mengimpor dan bekerja dengan modul seperti numpy.  

Penyebab Umum Munculnya Pesan ModuleNotFoundError di Python

Anda mungkin menemui pesan error No module named 'sklearn' karena beberapa alasan umum. Di antaranya yang paling sering adalah: 

• Sklearn belum terpasang: Penyebab paling umum adalah scikit-learn belum dipasang di lingkungan Python kita.

• Instalasi tidak benar: Terkadang, scikit-learn memang terpasang tetapi tidak terpasang dengan benar, sehingga menimbulkan masalah saat mengimpor modul library.

• Konfigurasi lingkungan atau masalah path Python: Ini paling sering terjadi saat bekerja di virtual environment atau menggunakan interpreter Python yang berbeda.

Untungnya, dengan pendekatan bertahap, kemungkinan besar kita dapat menyelesaikan masalahnya. Mari lanjutkan. 

Menelusuri Penyebab Pesan Error ModuleNotFoundError di Python

Verifikasi instalasi scikit-learn

Langkah pertama adalah memastikan bahwa scikit-learn terpasang dengan benar di lingkungan Python kita. Kita bisa melakukannya dengan menjalankan perintah berikut di terminal atau command prompt:

py -m pip listDidukung oleh

Perintah ini menampilkan daftar alfabetis semua library yang terpasang di lingkungan Python kita. Gulir daftar tersebut dan pastikan scikit-learn ada di dalamnya.

Contoh daftar paket yang terpasang

Jika setelah menelusuri daftar kita mendapati bahwa scikit-learn belum terpasang, kita dapat memasangnya menggunakan perintah pip atau conda, bergantung pada lingkungan kita:

pip install scikit-learnDidukung oleh

conda install scikit-learnDidukung oleh

Untuk informasi lebih lanjut tentang penggunaan pengelola paket seperti pip, lihat Pip Python Tutorial for Package Management. 

Mulai ulang kernel Python

Jika kita bekerja di Jupyter Notebook atau IDE seperti Spyder, langkah berikutnya adalah mempertimbangkan untuk memulai ulang kernel Python. Ini dilakukan karena meskipun kita baru saja memasang atau memasang ulang scikit-learn, perubahan tersebut mungkin belum langsung tersedia di sesi interaktif saat ini. Memulai ulang kernel akan memuat ulang lingkungan dan path library. Ini langkah mudah namun penting yang dapat memperbaiki berbagai jenis error.

Memulai ulang kernel Jupyter

Periksa variabel lingkungan dan path Python

Berikutnya, kita harus memastikan bahwa lingkungan Python kita dikonfigurasi dengan benar untuk menemukan paket scikit-learn. Langkah ini krusial karena membantu memastikan Python mencari di direktori yang tepat untuk paket scikit-learn yang terpasang.

Di sini, kita memeriksa variabel lingkungan PYTHONPATH untuk memastikan direktori tempat scikit-learn terpasang tercantum. Kita dapat melakukannya dengan menjalankan perintah berikut di skrip atau interpreter Python:

import sys
print(sys.path)Didukung oleh

Dengan menjalankan import sys lalu print(sys.path), kita dapat melihat direktori yang saat ini diperiksa Python. Jika path ke direktori tempat scikit-learn terpasang tidak ada dalam daftar, Python tidak akan dapat menemukan dan mengimpor scikit-learn.

Terakhir, kita dapat memverifikasi bahwa interpreter Python yang digunakan sesuai dengan lingkungan tempat scikit-learn terpasang. Ikuti tutorial terperinci kami untuk mempelajari Cara Menyiapkan Lingkungan Data Science di komputer Anda. 

Pasang ulang scikit-learn

Jika semuanya tidak berhasil, pertimbangkan untuk memasang ulang scikit-learn guna mengatasi potensi masalah pada instalasi. File bisa saja rusak selama proses unduh atau pemasangan karena masalah jaringan, interupsi, atau kesalahan disk. Bisa juga terjadi konflik dependensi dari instalasi sebelumnya.

Kita dapat mencopot pemasangan scikit-learn menggunakan pip atau conda lalu memasangnya kembali untuk memastikan instalasi yang bersih. 

pip uninstall scikit-learn

pip install scikit-learnDidukung oleh

conda uninstall scikit-learn

conda install scikit-learnDidukung oleh

Memverifikasi Instalasi dan Penyiapan Lingkungan

Sebagai langkah terakhir, setelah kita yakin telah menyelesaikan No module named 'sklearn' error, kita mungkin ingin memverifikasi bahwa scikit-learn terpasang dengan benar dan lingkungan kita dikonfigurasi sebagaimana mestinya, demi ketenangan pikiran.

Kita bisa melakukannya dengan mengimpor scikit-learn di skrip atau interpreter Python dan memeriksa apakah ada error impor.

import sklearn

print(sklearn.__version__)Didukung oleh

Jika kita tidak menemui error apa pun, scikit-learn seharusnya telah terpasang dengan benar, dan kita bisa mulai menggunakannya dalam proyek machine learning Anda!

Kesimpulan

Menemui error No module named 'sklearn' bisa membuat frustrasi, tetapi dengan langkah penelusuran masalah yang tepat, kita dapat segera mengatasinya dan kembali ke tugas machine learning kita. 

Saya mendorong Anda untuk mempelajari lebih lanjut teori dasar machine learning dan beberapa model umum, seperti k-means clustering, logistic regression, atau svm. Anda juga dapat mempelajari beberapa praktik terbaik penulisan kode untuk menghindari pesan error yang menjengkelkan di masa mendatang.