Data

Visualization
in Python

- Abdullah Ghifari -
 Halo!
Perkenalkan saya Abdullah Ghifari.

Sebelumnya

Data Scientist
at Telecommunication Company

Abdullah Ghifari
https://www.linkedin.com/in/abdullah-ghifari/
 Pengenalan Data Visualization
1 (Apa dan Mengapa)

2 Tipe Plot dan Penggunaannya

3
Pengenalan pada Matplotlib dan Data Visualization
Seaborn

4 Data Visualization Dasar (Praktik)

Pengenalan
Data
Visualization
 Apa itu Data Visualization?

“Teknik yang digunakan untuk mengkomunikasikan data atau informasi dengan

mengkodekannya sebagai objek visual (titik, garis atau batang) yang terdapat dalam
grafik.”
Mengapa Data Visualization?

Data Visualization
dibutuhkan untuk
melakukan dua tahap ini
 Tipe-tipe
Visualisasi
dan
Kegunaannya
 Membandingkan Angka
Antar Objek Kualitatif
Bar Chart
Kapan digunakan
1. Ingin membandingkan statistical summary dari objek
kualitatif (Jumlah, Rata-rata, Median, …)
2. Jumlah objek kualitatif kurang dari 10 kategori
3. Menampilkan skala perbedaan (kuantitatif) antara
kategori satu dengan kategori lainnya

Insights umum
1. Total penjualan pada kategori X meningkat hingga
5x lipat dari bulan sebelumnya
2. Pandemi memberikan dampak penurunan drastis dari
rata-rata pengguna jalan X sebesar 60% dari dua tahun
yang lalu
 Membandingkan Angka
Antar Objek Satuan Waktu
Line Chart
Kapan digunakan
1. Ingin membandingkan statistical summary dari objek
secara waktu-ke-waktu (Jumlah, Rata-rata, Median, …)
2. Menampilkan skala perbedaan (kuantitatif) antara
kategori satu dengan kategori lainnya dari satuan waktu
3. Menampilkan pola pergerakkan data berdasarkan
kejadian, seperti efek musiman, efek hari libur, dll

Insights umum
1. Setelah hampir 1 dekade memimpin nilai jual, harga
saham Google tersusul oleh Amazon di Q1 2017
2. Pola penurunan transaksi penjualan terjadi pada H-60
sampai H+10 lebaran, memberikan dampak penurunan
revenue 15% pada transaksi rata-rata dalam setahun
 Membandingkan Proporsi
Antar Objek Kualitatif
Pie Chart
Kapan digunakan
1. Ingin membandingkan objek mana yang memiliki
porsi/peran lebih besar dari objek kualitatif lainnya
secara kuantitatif (persentase, atau angka)
2. Menarasikan power dalam objek yang memiliki porsi
lebih besar
3. Membandingkan proporsi pada kurang dari 5 objek
kualitatif yang memiliki derajat yang sama
Insights umum
1. Jumlah penumpang berjenis laki-laki lebih banyak dari
perempuan, dengan perbandingan 61.6% dan 38.4%
2. Jumlah persentase transaksi barang elektronik,
peralatan rumah, dan hobi, masih lebih rendah daripada
transaksi virtual seperti pulsa, listrik, atau paket data.
 Mencari Distribusi Statistik
dari Sebuah Objek
Histogram
Kapan digunakan
1. Ingin mengetahui penyebaran kuantitatif pada
kelompok kuantitatif tertentu (apakah persebaran data
banyak menumpuk di data yang memiliki skala
kuantitatif kecil, sedang, atau besar)
2. Ingin mengelompokkan data kuantitatif menggunakan
jarak antar data (kecil, sedang, besar)

Insights umum
1. Peserta webinar kali ini didominasi oleh kaum generasi
Z, pada rentang 20 – 30 tahun, sedangkan yang paling
sedikit berada pada kelompok 50 – 60 tahun.
2. Histogram data transaksi tahun ini cekung ke kiri, maka
pengunjung tahun ini cenderung belanja barang dengan
nominal harga yang besar (diatas median harga)
 Membandingkan Distribusi Statistik
dari Satu/Banyak Objek
Boxplot
Kapan digunakan
1. Ingin mengetahui penyebaran kuantitatif secara detail
(Minimum, Q1, Q2, Q3, Max), serta membandingkannya
dengan objek/kategori lain
2. Ingin mencari ada tidaknya data pencilan/outlier

Insights umum
1. Secara kuantitatif, nominal transaksi bulan April sangat
fluktuatif (nilai max dan min nya lebih tinggi dari yang
lain), sedangkan bulan September lebih stabil (nilai Q1,
Q2, dan Q3 saling dekat)
2. Terdapat outlier pada data pendapatan generasi Z di
kota X, sebesar 3% diantaranya memiliki penghasilan
lebih dari 1 miliar pertahun
 Mencari Korelasi/Hubungan
Dari Dua Objek
Scatterplot
Kapan digunakan
1. Ingin mengetahui penyebaran kuantitatif dari dua objek
kuantitatif, disebut juga dengan mencari plot
korelasi/hubungan antar dua objek, apakah memiliki
korelasi positif, non-korelasi atau negatif.

Insights umum
1. Variabel tip dan total_bill memiliki korelasi positif
(semakin besar tip, maka total_bill juga semakin
meningkat)
2. Dalam segi transaksi, pelanggan cenderung transaksi
lebih banyak (dari segi tip dan total_bill) pada makan
malam/dinner dibandingkan makan siang/lunch
 Menampilkan Korelasi/Hubungan
melalui Color Grading System
Heatmap
Kapan digunakan
1. Ingin mengetahui persebaran data antar dua objek yang
disandingkan (korelasi), melalui perbedaan warna
(color-grading), dimana misal semakin gelap warna
maka semakin besar jumlah datanya, begitupun
sebaliknya
2. Scattterplot dengan gaya, bisa digunakan untuk cohort
analysis
Insights umum
1. Suhu rata-rata bumi setiap bulan dan tahunnya selalu
meningkat dari 1949 hingga 1960, dimana puncak suhu
terpanas terjadi pada periode Juli – Agustus di tahun
1960
2. Pada konteks cohort analysis, pengguna mulai churn
rata-rata pada 2 bulan dari pertama kali pendaftaran
akun
 Pengaturan pada Grafik
Agar Memenangkan Emosi Pengguna
Manajemen Warna pada Grafik
Teori Psikologi Warna
Elliot dan Maier (2012)* menyarankan bahwa warna
memengaruhi fungsi psikologis kita. Teori ini dikenal
sebagai teori warna dalam konteks. Titik sentral dari teori
ini adalah bahwa warna membawa makna dan dapat
berdampak langsung pada proses kognitif kita, termasuk
perhatian kita

Thomas Sanocki dan Noah Sulman (2011)** melakukan

eksperimen untuk memeriksa bagaimana pencocokan
warna memengaruhi memori jangka pendek (kemampuan
kita untuk mengingat apa yang baru saja kita lihat).

https://seaborn.pydata.org/tutorial/color_palettes.html *) Elliot, A. J., and Maier, M. A. (2012), Color-in-context theory. Adv. Exp. Soc. Psychol. 45, 61–125.
**) Thomas Sanocki, Noah Sulman (2011), Color relations increase the capacity of visual short-term memory. Perception, volume 40, 635–648
 Menurutmu, Bagaimana?
Pilih A atau B? Kenapa?
A B
 Menurutmu, Bagaimana?
Pilih A atau B? Kenapa?
A B
 Menurutmu, Bagaimana?
Pilih A atau B? Kenapa?
A B
 Visualisasi
Dasar
Saatnya Praktik!
 About the dataset that we’ll use…
● We’ll use the `mpg` dataset supplied in your `tidyverse` installation
● Fuel economy data from 1999 to 2008 for 38 popular models of cars
● Description:
○ “This dataset contains a subset of the fuel economy data that the EPA
makes available on http://fueleconomy.gov. “
○ It contains only models which had a new release every year between 1999
and 2008 – Popular US models!
Getting Started
•Intuitively, higher cc cars are less
efficient
•So, let’s get started by making a
scatterplot of displacement against city
fuel consumption
• Data: mpg
• X-axis: displ
• Y-axis: cty
• Scatterplot: sns.scatterplot()
Getting Started - Matplotlib Version

•Some visualization usually different

between seaborn and matplotlib plot.

•In example: matplotlib there is no label

in X-axis and Y-axis
 Library Python
Data Visualisasi

PRESENT FUTURE

Utama Pelengkap Utama Pelengkap

Library yang populer dan lazim Pelajari fungsi-fungsi umum Popularitas terus berkembang Pelajari elemen-elemen plotly
digunakan. sebagai pelengkap seaborn. pesat, keahlian membuat untuk melakukan hal-hal custom
dashboard dengan dash mulai pada plotly.express
dicari.

Credits: Vinson Ciawandy

 Matplotlib vs Seaborn
Fitur Matplotlib Seaborn

Fungsionalitas Dibuat untuk plot-plot dasar, Terdapat banyak tipe plot, sangat
berbasis fitur dan sintaks dari baik terutama untuk statistika.
MATLAB

Sintaks Lebih kompleks dan panjang Sederhana dan lebih mudah

dipelajari

Dataframe Terintegrasi baik dengan Numpy dan Sangat baik digunakan dengan
Pandas Pandas

Fleksibilitas Sangat bebas (fleksibel) Dalam beberapa kasus, cukup

terbatas

Penggunaan Digunakan untuk membuat atau Extended version dari Matplotlib,

memodifikasi plot-plot dasar memiliki banyak tipe plot dan tema
 Matplotlib vs Seaborn

matplotlib seaborn
Anatomi Matplotlib
Matplotlib actually create this
figure with python code!
Hands-On
Congrats for taking your first step in Python!

You’ll become a proficient Python hacker pretty soon!

I wish u all the best!
 “KPR Mahalll” - Assignment

● Gain & visualize 4 insights from Ames housing dataset [Link]:

○ Count of one categorical feature
○ Distribution of one continuous feature
○ Categorical-continuous
○ Continuous-continuous
● Explore! Try to explore the available aesthetics for the graph that you use
(color? Size? Fill? Label? Etc.). Try to engineer a new feature. Use facets.
Surprise us!
● Don’t ask me for guidance. Ask stackoverflow
○ Essential skill for data professional
○ You can ask me for keywords to put in google though :)
○ Anyway I am joking, but you get the point. Now ask away!
 SAATNYA
PERTANYAAN!!
Thank you!!