MODUL AJAR

DATA VISUALISASI

INSTITUT TEKNOLOGI DAN BISNIS

(ITB) STIKOM BALI
2023
Satuan Acara Perkuliahan (SAP)
Program Studi : Sistem Informasi
Kode Mata kuliah : SI9379
Nama Mata kuliah : Data Visualiasasi
Semester/SKS : Genap/4
Deskripsi
Visualisasi data adalah proses menggunakan elemen visual seperti diagram, grafik, atau peta
untuk merepresentasikan data. Visualisasi data menerjemahkan yang kompleks, bervolume
tinggi, atau numerik menjadi representasi visual yang lebih mudah diproses. Alat visualisasi
data meningkatkan dan mengotomatiskan proses komunikasi visual untuk mendapatkan akurasi
dan detail.

Tujuan Instruksional Umum

1. Mahasiswa memiliki pengetahuan dan memahami tentang tipe data dan karakteristiknya.
2. Mahasiswa memiliki pengatuhan berbagai macam tipe plot data.
3. Mahasiswa mampu menyelesaikan studi kasus terkait dengan visualisasi data.
KATA PENGANTAR

Puji syukur kehadirat Tuhan Yang Maha Esa atas segala rahmat-Nya sehingga modul ajar matakuliah
Data Visualisasi ini bisa tersusun hingga selesai. Penulis berharap semoga modul ini bisa memenuhi
kebutuhan peserta didik mata kuliah Data Visualisasi. Pembahasan modul ini dimulai dengan
menjelaskan tujuan yang akan dicapai pada mata kuliah Data Visualisasi. Penulis sadar masih banyak
kekurangan didalam penyusunan modul ini, karena keterbatasan pengetahuan serta pengalaman. Untuk
itu penulis mengharapkan kritik dan saran yang membangun dari pembaca demi kesempurnaan modul
ini.

Denpasar, Januari 2023

Penulis
 DAFTAR ISI

BAB 1: Pendahuluan ........................................................................................................................................ 8

1.1. Mengapa Visualisasi Data Penting? ............................................................................................... 8
1.2. Apa itu Matplotlib?........................................................................................................................... 8
1.3. Instalasi dan Persiapan Awal........................................................................................................... 9
BAB 2: Berbagai Tipe Plot Dasar ............................................................................................................... 11
2.1. Line Plot........................................................................................................................................... 11
2.1.1. Membuat Line Plot dengan Matplotlib ........................................................................... 11
2.1.2. Kustomisasi Line Plot ..................................................................................................... 12
2.1.3. Menambahkan Multiple Lines ........................................................................................ 13
2.1.4. Zooming dan Memfokuskan Area Tertentu..................................................................... 14
2.1.5. Menggunakan Garis Berbeda untuk Menunjukkan Trend ............................................... 15
2.1.6. Mengisi Area di Bawah Kurva ........................................................................................ 16
2.1.7. Menggunakan Subplot untuk Menampilkan Beberapa Grafik......................................... 17
2.1.8. Menggunakan Style Berbeda .......................................................................................... 18
2.1.9. Kasus: Perbandingan Penjualan Produk Selama 12 Bulan .............................................. 19
2.2. Scatter Plot ...................................................................................................................................... 24
2.2.1. Membuat Scatter Plot dengan Matplotlib ........................................................................ 24
2.2.2. Kustomisasi Scatter Plot ................................................................................................. 25
2.2.3. Kasus: Performa Iklan Online ......................................................................................... 27
2.3. Histogram ........................................................................................................................................ 32
2.3.1. Basic Histogram ............................................................................................................. 32
2.3.2. Pemahaman Parameter Histogram .................................................................................. 33
2.3.3. Kustomisasi Histogram ................................................................................................... 35
2.4. Bar Chart......................................................................................................................................... 37
2.4.1. Jenis-jenis Bar Chart ....................................................................................................... 37
2.4.2. Basic Bar Chart ............................................................................................................... 37
2.4.3. Variasi Bar Chart ............................................................................................................ 38
2.5. Pie Chart .......................................................................................................................................... 41
2.5.1. Keuntungan dan Kekurangan Pie Chart........................................................................... 41
2.5.2. Eksplodir Potongan Pie Chart ......................................................................................... 42
2.5.3. Menambahkan Shadow dan Mengubah Start Angle ....................................................... 44
2.5.4. Donut Chart .................................................................................................................... 45
2.5.5. Label dengan Informasi Tambahan ................................................................................. 46
2.6. Area Plot .......................................................................................................................................... 48
2.6.1. Basic Area Plot ............................................................................................................... 48
2.6.2. Stacked Area Plot ........................................................................................................... 50
2.6.3. Area Plot dengan Transparansi ........................................................................................ 52
2.7. Box Plot ............................................................................................................................................ 56
 2.7.1. Komponen Box Plot ....................................................................................................... 56
2.7.2. Kustomisasi Warna dan Bentuk ...................................................................................... 58
2.7.3. Menambahkan Swarmplot ke Box Plot ........................................................................... 59
2.7.4. Mengidentifikasi Pencilan dengan Box Plot.................................................................... 60
2.7.5. Box Plot untuk Membandingkan Beberapa Kelompok ................................................... 61
2.7.6. Mengkustomisasi Whiskers ............................................................................................ 63
2.7.7. Box Plot dengan Variabel Kategorikal ............................................................................ 64
2.7.8. Box Plot untuk Analisis Multivariat ............................................................................... 66
2.9. Contour Plot.................................................................................................................................... 68
2.9.1. Basic Contour Plot .......................................................................................................... 68
2.9.2. Memahami Interval Kontur............................................................................................. 69
2.9.3. Contourf: Filled Contour Plot ......................................................................................... 71
2.9.4. Kombinasi Contour dan Filled Contour Plot ................................................................... 72
2.10. Hexbin Plot ...................................................................................................................................... 73
2.10.1 Basic Hexbin Plot ................................................................................................................. 73
2.10.2. Kustomisasi Hexbin Plot ................................................................................................ 75
2.10.3. Menggunakan Hexbin Plot dengan Data Real-World ...................................................... 76
2.10.4 Membuat Hexbin Plot Berdasarkan Data Penjualan ....................................................... 76
2.11. Quiver Plot....................................................................................................................................... 79
2.11.1. Basic Quiver Plot ............................................................................................................ 79
2.12. Stem Plot .......................................................................................................................................... 80
2.12.1. Basic Stem Plot ............................................................................................................... 81
2.12.2. Mempersonalisasi Stem Plot ........................................................................................... 82
2.13. Error Bars ....................................................................................................................................... 84
2.13.1. Membuat Error Bars dengan Matplotlib ......................................................................... 84
2.13.2. Error Bars untuk Data Dua Dimensi ............................................................................... 86
2.14. Filled Error Bands ......................................................................................................................... 87
2.14.1. Membuat Filled Error Bands dengan Matplotlib............................................................. 88
2.14.2. Kostumisasi Filled Error Bands ...................................................................................... 89
2.15. Polar Plot ......................................................................................................................................... 91
2.15.1. Basic Polar Plot .............................................................................................................. 91
2.15.2. Kostumisasi Polar Plot .................................................................................................... 93
2.15.3. Polar Plot dengan Variasi Warna ..................................................................................... 95
2.16. Step Plot ........................................................................................................................................... 97
2.16.1. Basic Step Plot ................................................................................................................ 97
2.16.2. Step Plot dengan Variasi Warna ...................................................................................... 98
2.17. Spectrogram .................................................................................................................................. 100
2.17.1. Basic Spectrogram ........................................................................................................ 100
2.17.2. Menggunakan Spectrogram dalam Analisis Suara ........................................................ 102
Bab 3: Pengaturan dan Personalisasi Plot ............................................................................................... 104
3.1. Mengatur Judul dan Label ......................................................................................................... 104
 3.1.1. Memulai dengan Judul .................................................................................................. 104
3.1.2. Memanfaatkan Label Sumbu ........................................................................................ 105
3.1.3. Mengatur Ukuran dan Gaya Font .................................................................................. 107
3.1.4. Menggunakan Font Eksternal........................................................................................ 108
3.1.5. Posisi Judul ................................................................................................................... 108
3.1.6. Mengatur Label Sumbu dengan Rotasi ......................................................................... 109
3.2. Pengaturan Warna dan Marker ................................................................................................. 110
3.2.1. Menggunakan Palet Warna ........................................................................................... 111
3.2.2. Mengatur Marker .......................................................................................................... 113
3.2.3. Mengatur Ukuran Marker ............................................................................................. 114
3.2.4. Mengatur Opasitas dengan Parameter Alpha ................................................................ 115
3.2.5. Menggunakan Gradients untuk Menyoroti Intensitas .................................................... 116
3.2.6. Mengkombinasikan Warna, Opasitas, dan Marker ........................................................ 117
3.2.7. Penggunaan Warna Berdasarkan Variabel ..................................................................... 119
3.2.8. Kombinasi Warna dengan Ukuran ................................................................................ 120
3.2.9. Mewarnai Bar Plot ........................................................................................................ 121
3.2.10. Mengatur Warna Berdasarkan Kondisi Tertentu............................................................ 123
3.2.11. Menggunakan Gradient Warna...................................................................................... 124
3.2.12. Menggunakan Palet Warna Khusus............................................................................... 125
3.2.13. Menggunakan Marker yang Berbeda pada Scatter Plot ................................................. 127
3.2.14. Menggabungkan Warna dan Marker untuk Menampilkan Data Multidimensi ............... 128
3.3. Menyimpan Grafik ....................................................................................................................... 129
3.3.1. Menyimpan Grafik dalam Format Gambar .................................................................... 130
3.3.2. Menyimpan Grafik dalam Format Interaktif .................................................................. 134
3.3.3. Tips dan Trik Menyimpan Grafik .................................................................................. 135
3.4. Anotasi dalam Grafik .................................................................................................................. 135
3.4.1. Menambahkan Teks dalam Grafik ................................................................................. 135
3.4.2. Anotasi Kustom ............................................................................................................ 139
3.4.5. Menyoroti Area dengan Anotasi .................................................................................... 141
3.4.6. Menggunakan Anotasi untuk Menunjukkan Tren ......................................................... 143
3.4.7. Mengkombinasikan Beberapa Anotasi.......................................................................... 144
3.4.9. Anotasi Otomatis dengan Posisi Dinamis ..................................................................... 146
3.5. Pengaturan Grid dan Sumbu ..................................................................................................... 149
3.5.1. Mengatur Grid .............................................................................................................. 149
3.5.2. Pengaturan Sumbu ........................................................................................................ 151
3.5.3. Kombinasi Pengaturan Grid dan Sumbu ....................................................................... 154
3.5.4. Mengatur Sumbu Logaritmik ........................................................................................ 155
3.5.5. Menyesuaikan Ukuran Tick Sumbu............................................................................... 158
3.5.6. Menambahkan Garis Horizontal dan Vertikal ............................................................... 159
3.6. Legenda dan Kustomisasi ........................................................................................................... 160
3.6.1. Pengantar ...................................................................................................................... 160
 3.6.2. Menambahkan dan Mengatur Legenda ......................................................................... 160
3.6.3. Kustomisasi Tambahan ................................................................................................. 165
Bab 4: Gaya dan Estetika ........................................................................................................................... 168
4.1. Menggunakan Style ...................................................................................................................... 168
4.1.1. Apa Itu Style? ............................................................................................................... 168
4.1.2. Menggunakan Style yang Tersedia................................................................................ 168
4.1.3. Membuat Style Sendiri ................................................................................................. 170
4.2. Palet Warna ................................................................................................................................... 172
4.2.1. Apa Itu Palet Warna? ..................................................................................................... 172
4.2.2. Menggunakan Palet Warna Bawaan Matplotlib ............................................................ 173
4.2.3. Membuat Palet Warna Sendiri....................................................................................... 174
4.2.4. Plot Seaborn dengan Palet Warna Kategorikal .............................................................. 175
4.2.6. Personalisasi Palet Warna .................................................................................................... 176
4.3. Tema dan Background ................................................................................................................. 177
4.3.1. Menggunakan Tema Bawaan Seaborn .......................................................................... 178
4.4. Efek Bayangan .............................................................................................................................. 181
4.4.1. Bayangan pada Batang (Bar) ........................................................................................ 182
4.4.2. Transparansi .................................................................................................................. 183
4.4.3. Transparansi pada Histogram ........................................................................................ 184
Bab 5: Tips dan Trik Lanjutan .................................................................................................................. 186
5.1. Mengoptimalkan Performa ......................................................................................................... 186
5.1.1. Reduksi Data................................................................................................................. 186
5.1.2. Memanfaatkan Plotting Paralel ..................................................................................... 187
5.2. Menggunakan Plugins dan Ekstensi ......................................................................................... 188
5.3. Sumber Daya Tambahan............................................................................................................. 192
5.3.1. Dokumentasi Resmi Matplotlib .................................................................................... 192
5.3.2. Tutorial dan Kursus Online ........................................................................................... 192
5.3.3. Buku ............................................................................................................................. 192
5.3.4. Forum dan Komunitas ................................................................................................... 193
MODUL 1: Pendahuluan
Selamat datang di dunia visualisasi data! Mungkin kamu pernah mendengar pepatah lama:
"Sebuah gambar bernilai seribu kata." Di era informasi saat ini, ungkapan itu telah berubah
menjadi "Sebuah visualisasi bernilai seribu spreadsheet."

Ketika data mengalir ke dalam hidup kita dengan kecepatan yang belum pernah ada
sebelumnya, kemampuan untuk memahami dan menceritakan kisah melalui data menjadi
semakin penting. Matplotlib adalah salah satu alat yang memungkinkan kita untuk
melakukan hal tersebut. Sebelum kita menyelam lebih dalam ke dalam ocean Matplotlib,
mari kita jelajahi mengapa visualisasi data itu penting dan apa sebenarnya Matplotlib itu.

1.1. Mengapa Visualisasi Data Penting?

Bayangkan kamu diberikan sebuah spreadsheet dengan ribuan baris dan kolom data. Kamu
diberi tugas untuk menganalisisnya dan memberikan laporan. Bagaimana cara kamu mulai?
Membaca setiap baris? Mungkin, tapi itu akan memakan waktu lama dan kamu mungkin
kehilangan gambaran besar dari data tersebut. Inilah saatnya visualisasi data berperan.

Visualisasi data bukan hanya tentang membuat grafik atau diagram. Itu tentang
mengkomunikasikan informasi. Dengan visualisasi yang efektif, kamu dapat:
● Pemahaman Cepat: Dengan satu pandangan, kamu dapat segera menangkap tren,
korelasi, dan anomali dalam data.
● Menceritakan Kisah: Grafik dan diagram dapat menceritakan kisah yang menarik
dan mendalam tentang data yang kamu miliki. Apakah penjualan menurun? Apakah
ada korelasi antara dua variabel tertentu?
● Membuat Keputusan yang Tepat: Keputusan berbasis data adalah keputusan yang
cerdas. Dengan visualisasi data, kamu dapat memahami informasi yang diperlukan
untuk membuat keputusan dengan lebih baik dan lebih cepat.
● Engagement: Orang lebih cenderung terlibat dengan grafik atau animasi daripada
baris data mentah.

1.2. Apa itu Matplotlib?

Jadi, apa sebenarnya Matplotlib itu?

Matplotlib adalah salah satu perpustakaan visualisasi data yang paling populer dan
serbaguna di Python. Dibuat oleh John D. Hunter pada tahun 2003, perpustakaan ini telah
menjadi standar de facto untuk visualisasi data dengan Python, terutama ketika digunakan
bersama dengan perpustakaan lain seperti Pandas.

Beberapa kelebihan Matplotlib antara lain:

 ● Serbaguna: Dari plot garis sederhana hingga visualisasi 3D kompleks, Matplotlib
dapat menanganinya.
● Kustomisasi Tinggi: Hampir setiap aspek dari plot dapat dikustomisasi untuk
memenuhi kebutuhanmu.
● Integrasi dengan Pandas: Sebagai perpustakaan analisis data yang paling populer di
Python, Pandas bekerja dengan sempurna dengan Matplotlib, memungkinkan kamu
untuk dengan mudah memvisualisasikan data dari DataFrame.

Tapi, tentu saja, seperti semua alat, Matplotlib memiliki kurva belajar. Jangan khawatir, itu
sebabnya kamu di sini, bukan? Bersama-sama, kita akan menjelajahi semua potensi dan
keajaiban yang ditawarkan oleh Matplotlib.

1.3. Instalasi dan Persiapan Awal

Sebelum kita memulai petualangan visualisasi, ada beberapa langkah yang perlu kita
lakukan. Pertama-tama, kita perlu memastikan bahwa Matplotlib sudah terinstal di sistem
kita.

Jika kamu belum menginstalnya, kamu bisa melakukannya dengan mudah menggunakan
pip, manajer paket Python:

Di terminal:
pip install matplotlib

Di jupyter notebook:
!pip install matplotlib

Setelah instalasi selesai, kita siap untuk memulai. Sepanjang buku ini, kita akan
menggunakan berbagai dataset untuk memahami fitur-fitur Matplotlib dan bagaimana
menggunakannya untuk menceritakan kisah melalui data.

Kamu mungkin bertanya-tanya apa yang akan kita pelajari selanjutnya. Apakah kita akan
langsung memulai dengan membuat plot? Atau mungkin kita akan membahas berbagai
jenis visualisasi? Jawabannya adalah... kamu akan menemukannya sendiri! Setiap bab akan
membawa kamu ke aspek berbeda dari Matplotlib, memandu kamu melalui proses
pembelajaran yang menarik dan interaktif.

Ketika kamu menyelesaikan bab ini, aku berharap kamu telah memahami pentingnya
visualisasi data dan bagaimana Matplotlib dapat membantumu dalam misi ini. Bersiaplah
untuk petualangan yang menarik, penuh dengan warna, bentuk, dan cerita.
Selanjutnya, kita akan memulai dengan berbagai tipe plot dasar yang dapat kamu buat
dengan Matplotlib. Jadi, apakah kamu siap untuk memulai petualangan ini?
MODUL 2: Berbagai Tipe Plot Dasar
2.1. Line Plot
Salah satu jenis visualisasi data yang paling dasar, namun sangat efektif, adalah line plot
(atau sering disebut juga sebagai plot garis). Dalam dunia yang penuh dengan data,
terkadang yang sederhana adalah yang terbaik. Line plot memungkinkan kamu untuk
dengan cepat melihat tren dan pola dalam data berurutan.

Kenapa Line Plot?

Dalam dunia bisnis, ilmu, dan banyak bidang lainnya, ada kebutuhan untuk melacak
perubahan dari waktu ke waktu. Bagaimana harga saham berubah setiap hari? Bagaimana
perubahan suhu selama seminggu? Semua pertanyaan ini dapat dijawab dengan line plot.

2.1.1. Membuat Line Plot dengan Matplotlib

Sebelum kita melangkah lebih jauh, mari kita buat sebuah line plot sederhana. Kita akan
menggunakan data sintetis untuk menggambarkan perubahan harga saham selama
setahun.

Mari kita siapkan data tersebut:

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# Membuat data sintetis

tanggal = pd.date_range(start="2022-01-01", end="2022-12-31", freq='D')
harga_saham = np.random.randn(len(tanggal)).cumsum() + 50 # Random walk

df = pd.DataFrame({
'Tanggal': tanggal,
'Harga Saham': harga_saham
})

# Membuat line plot

plt.figure(figsize=(12, 6))
plt.plot(df['Tanggal'], df['Harga Saham'], color='blue', label='Harga
Saham')
plt.title('Perubahan Harga Saham Selama Tahun 2022')
plt.xlabel('Tanggal')
plt.ylabel('Harga Saham')
plt.legend()
plt.grid(True)
 plt.tight_layout()
plt.show()

Output:

Tadaa! Inilah line plot pertama kita. Dengan hanya beberapa baris kode, kamu telah
menciptakan visualisasi yang informatif dan menarik. Tapi tunggu sebentar, Matplotlib
memiliki lebih banyak hal menarik untuk ditawarkan.

2.1.2. Kustomisasi Line Plot

Line plot di atas cukup sederhana, bukan? Mari kita perindah sedikit. Dengan Matplotlib,
kamu memiliki kebebasan penuh untuk mengkustomisasi tampilan plot. Mulai dari warna
garis, gaya garis, hingga penanda di setiap titik data, semuanya bisa kamu atur!

Misalnya, bagaimana jika kita ingin garisnya berwarna hijau dengan marker berbentuk
bintang? Mari kita coba!
# Kustomisasi line plot
plt.figure(figsize=(12, 6))
plt.plot(df['Tanggal'], df['Harga Saham'], color='green', marker='*',
linestyle='-', label='Harga Saham')
plt.title('Perubahan Harga Saham Selama Tahun 2022 dengan Kustomisasi')
plt.xlabel('Tanggal')
plt.ylabel('Harga Saham')
plt.legend()
plt.grid(True)
plt.tight_layout()
plt.show()
Output:

Keren, bukan? Dengan sedikit sentuhan kustomisasi, kamu telah memberikan nuansa yang
berbeda pada visualisasi data. Kustomisasi memungkinkan kamu untuk menyesuaikan
visualisasi sesuai dengan narasi atau tema yang ingin kamu sampaikan.

2.1.3. Menambahkan Multiple Lines

Terkadang, kita mungkin ingin membandingkan lebih dari satu set data dalam satu grafik.
Dengan line plot, kamu bisa dengan mudah menambahkan lebih dari satu garis.

Misalnya, selain harga saham, mari kita tambahkan data sintetis tentang harga obligasi dan
lihat bagaimana kedua harga tersebut berubah dari waktu ke waktu.
# Menambahkan data sintetis harga obligasi
harga_obligasi = np.random.randn(len(tanggal)).cumsum() + 70 # Random
walk
df['Harga Obligasi'] = harga_obligasi

# Membuat plot dengan multiple lines

plt.figure(figsize=(14, 7))
plt.plot(df['Tanggal'], df['Harga Saham'], color='blue', label='Harga
Saham')
plt.plot(df['Tanggal'], df['Harga Obligasi'], color='red',
linestyle='--', label='Harga Obligasi')
plt.title('Perbandingan Harga Saham dan Obligasi Selama Tahun 2022')
plt.xlabel('Tanggal')
plt.ylabel('Harga')
plt.legend()
plt.grid(True)
plt.tight_layout()
plt.show()

Output:

Perhatikan bagaimana kita dengan mudah menambahkan garis kedua ke plot kita dengan
memanggil fungsi plot() lagi. Dengan menggunakan legenda, kita dapat dengan mudah
memberi tahu pembaca apa arti dari setiap garis.

2.1.4. Zooming dan Memfokuskan Area Tertentu

Dalam beberapa kasus, mungkin ada bagian tertentu dari grafik yang ingin kamu perbesar
untuk menunjukkan detail lebih lanjut. Misalnya, mari kita fokus pada perubahan harga
saham dan obligasi selama bulan Januari 2022.
# Memfokuskan pada bulan Januari 2022
plt.figure(figsize=(14, 7))
plt.plot(df['Tanggal'], df['Harga Saham'], color='blue', label='Harga
Saham')
plt.plot(df['Tanggal'], df['Harga Obligasi'], color='red',
linestyle='--', label='Harga Obligasi')
plt.title('Perbandingan Harga Saham dan Obligasi di Bulan Januari 2022')
plt.xlabel('Tanggal')
plt.ylabel('Harga')
plt.xlim(pd.Timestamp('2022-01-01'), pd.Timestamp('2022-01-31'))
plt.legend()
plt.grid(True)
plt.tight_layout()
plt.show()

Output:
Dengan menentukan batas sumbu x, kita dapat dengan mudah memfokuskan pada periode
waktu tertentu. Fitur ini sangat berguna saat kamu ingin menyoroti peristiwa atau anomali
tertentu dalam data.

2.1.5. Menggunakan Garis Berbeda untuk Menunjukkan Trend

Misalkan kamu ingin menunjukkan trend keseluruhan dalam data harga saham kita. Salah
satu cara untuk melakukannya adalah dengan menambahkan garis tren. Mari kita gunakan
metode rolling mean (rata-rata bergerak) untuk menunjukkan tren harga saham selama 30
hari terakhir.
# Menghitung rata-rata bergerak selama 30 hari
df['Rata-rata Bergerak 30 Hari'] = df['Harga
Saham'].rolling(window=30).mean()

# Plot data harga saham dengan rata-rata bergeraknya

plt.figure(figsize=(14, 7))
plt.plot(df['Tanggal'], df['Harga Saham'], color='blue', label='Harga
Saham')
plt.plot(df['Tanggal'], df['Rata-rata Bergerak 30 Hari'],
color='orange', linestyle='--', label='Rata-rata Bergerak 30 Hari')
plt.title('Harga Saham dengan Rata-rata Bergerak 30 Hari')
plt.xlabel('Tanggal')
plt.ylabel('Harga')
plt.legend()
plt.grid(True)
plt.tight_layout()
plt.show()

Output:
Dengan menambahkan garis tren berdasarkan rata-rata bergerak, kamu dapat dengan cepat
melihat bagaimana harga saham berfluktuasi sekitar tren jangka menengah. Garis oranye
memberikan gambaran umum tentang ke mana arah harga saham bergerak.

2.1.6. Mengisi Area di Bawah Kurva

Kadang-kadang, kamu mungkin ingin menyoroti area tertentu dalam plot. Dengan
Matplotlib, kamu dapat dengan mudah mengisi area di bawah kurva, yang bisa sangat
berguna untuk menunjukkan volume, kisaran, atau pentingnya area tertentu. Misalnya,
mari kita soroti area di bawah rata-rata bergerak untuk menunjukkan pentingnya tren ini.
# Plot dengan area di bawah kurva
plt.figure(figsize=(14, 7))
plt.plot(df['Tanggal'], df['Harga Saham'], color='blue', label='Harga
Saham')
plt.plot(df['Tanggal'], df['Rata-rata Bergerak 30 Hari'],
color='orange', linestyle='--', label='Rata-rata Bergerak 30 Hari')
plt.fill_between(df['Tanggal'], df['Rata-rata Bergerak 30 Hari'],
color='orange', alpha=0.1) # Mengisi area dengan transparansi
plt.title('Harga Saham dengan Area di Bawah Rata-rata Bergerak 30 Hari')
plt.xlabel('Tanggal')
plt.ylabel('Harga')
plt.legend()
plt.grid(True)
plt.tight_layout()
plt.show()

Output:
Dengan mengisi area di bawah garis rata-rata bergerak, kita menambahkan dimensi visual
lain ke plot kita. Area berwarna oranye muda menyoroti pentingnya tren yang ditunjukkan
oleh rata-rata bergerak.

2.1.7. Menggunakan Subplot untuk Menampilkan Beberapa Grafik

Terkadang, mungkin berguna untuk menampilkan beberapa grafik bersama-sama untuk
membandingkan data. Dengan Matplotlib, kamu dapat dengan mudah membuat subplot
untuk menampilkan lebih dari satu grafik dalam satu frame. Misalnya, mari kita
bandingkan harga saham dengan harga obligasi dalam dua plot yang berbeda namun dalam
satu frame.
# Membuat subplot
fig, axes = plt.subplots(nrows=2, ncols=1, figsize=(14, 10))

# Plot harga saham

axes[0].plot(df['Tanggal'], df['Harga Saham'], color='blue',
label='Harga Saham')
axes[0].set_title('Harga Saham Selama Tahun 2022')
axes[0].set_ylabel('Harga Saham')
axes[0].grid(True)
axes[0].legend()

# Plot harga obligasi

axes[1].plot(df['Tanggal'], df['Harga Obligasi'], color='red',
label='Harga Obligasi')
axes[1].set_title('Harga Obligasi Selama Tahun 2022')
axes[1].set_xlabel('Tanggal')
axes[1].set_ylabel('Harga Obligasi')
axes[1].grid(True)
 axes[1].legend()

plt.tight_layout()
plt.show()

Output:

Dengan menggunakan subplot, kamu sekarang dapat melihat perbandingan langsung

antara harga saham dan harga obligasi dalam satu tampilan. Ini memudahkan pembaca
untuk memahami kedua set data sekaligus.

2.1.8. Menggunakan Style Berbeda

Matplotlib datang dengan beberapa style bawaan yang memungkinkan kamu untuk dengan
cepat mengubah tampilan plot kamu. Misalnya, mari kita gunakan style 'ggplot' yang
terinspirasi dari paket ggplot2 di R untuk memberikan tampilan berbeda pada grafik kita.
Dengan mengganti style, kita telah memberikan nuansa yang berbeda pada plot kita. Style
'ggplot' memberikan tampilan yang lebih modern dan bersih, dengan palet warna yang
berbeda dan estetika yang ditingkatkan.

2.1.9. Kasus: Perbandingan Penjualan Produk Selama 12 Bulan

Bayangkan kamu bekerja di sebuah perusahaan ritel, dan kamu ingin mengevaluasi
penjualan bulanan dari dua produk berbeda selama setahun terakhir.

Mari kita mulai dengan membuat data sintetis untuk skenario ini.
# Membuat data sintetis untuk penjualan produk
bulan = ["Jan", "Feb", "Mar", "Apr", "May", "Jun", "Jul", "Aug", "Sep",
"Oct", "Nov", "Dec"]
penjualan_produk_A = np.random.randint(50, 200, 12) * 100
penjualan_produk_B = np.random.randint(50, 200, 12) * 100

df_penjualan = pd.DataFrame({
'Bulan': bulan,
'Produk A': penjualan_produk_A,
'Produk B': penjualan_produk_B
})

df_penjualan

Output:
Kami telah menyiapkan data sintetis yang menunjukkan penjualan bulanan dari Produk A
dan Produk B. Sekarang, mari kita visualisasikan data ini dengan line plot untuk
membandingkan penjualan kedua produk tersebut.

Visualisasi Penjualan Bulanan Produk A dan Produk B

# Membuat line plot untuk penjualan bulanan kedua produk
plt.figure(figsize=(14, 7))
plt.plot(df_penjualan['Bulan'], df_penjualan['Produk A'], color='blue',
marker='o', label='Produk A')
plt.plot(df_penjualan['Bulan'], df_penjualan['Produk B'], color='red',
marker='s', linestyle='--', label='Produk B')
plt.title('Perbandingan Penjualan Bulanan Produk A vs Produk B')
plt.xlabel('Bulan')
plt.ylabel('Penjualan')
plt.legend()
plt.grid(True, which='both', linestyle='--', linewidth=0.5)
plt.tight_layout()
plt.show()

Output:
Grafik di atas menunjukkan perbandingan penjualan bulanan antara Produk A dan Produk
B. Kamu dapat dengan mudah melihat bagaimana penjualan dari masing-masing produk
berfluktuasi dari bulan ke bulan. Dengan marker dan gaya garis yang berbeda, kita dapat
dengan jelas membedakan antara dua produk tersebut.

Menyoroti Pencapaian Tertinggi

Sebagai tambahan, kita mungkin ingin menyoroti bulan di mana penjualan mencapai
puncaknya. Dengan menambahkan anotasi, kita dapat menunjukkan puncak penjualan
untuk masing-masing produk. Mari kita lakukan itu.
# Menemukan bulan dengan penjualan tertinggi untuk masing-masing produk
bulan_peak_A = df_penjualan['Bulan'][df_penjualan['Produk A'].idxmax()]
nilai_peak_A = df_penjualan['Produk A'].max()

bulan_peak_B = df_penjualan['Bulan'][df_penjualan['Produk B'].idxmax()]

nilai_peak_B = df_penjualan['Produk B'].max()

# Membuat plot dengan anotasi

plt.figure(figsize=(14, 7))
plt.plot(df_penjualan['Bulan'], df_penjualan['Produk A'], color='blue',
marker='o', label='Produk A')
plt.plot(df_penjualan['Bulan'], df_penjualan['Produk B'], color='red',
marker='s', linestyle='--', label='Produk B')

# Menambahkan anotasi
plt.annotate(f'Peak Produk A: {bulan_peak_A}',
xy=(bulan_peak_A, nilai_peak_A),
xytext=(bulan_peak_A, nilai_peak_A + 2000),
arrowprops=dict(facecolor='black', arrowstyle='->'),
fontsize=9)
plt.annotate(f'Peak Produk B: {bulan_peak_B}',
xy=(bulan_peak_B, nilai_peak_B),
xytext=(bulan_peak_B, nilai_peak_B - 4000),
arrowprops=dict(facecolor='black', arrowstyle='->'),
fontsize=9)

plt.title('Perbandingan Penjualan Bulanan Produk A vs Produk B dengan

Anotasi')
plt.xlabel('Bulan')
plt.ylabel('Penjualan')
plt.legend()
plt.grid(True, which='both', linestyle='--', linewidth=0.5)
plt.tight_layout()
plt.show()

Output:

Dengan menambahkan anotasi, kita telah memberikan informasi tambahan tentang bulan
di mana masing-masing produk mencapai penjualan tertingginya. Anotasi ini
menambahkan konteks dan membuat grafik menjadi lebih informatif.

Menampilkan Rata-rata Penjualan

Selain melihat penjualan bulanan, mungkin juga berguna untuk mengetahui rata-rata
penjualan selama setahun. Mari kita tambahkan garis horizontal yang menunjukkan rata-
rata penjualan untuk masing-masing produk.
# Menghitung rata-rata penjualan
rata2_A = df_penjualan['Produk A'].mean()
rata2_B = df_penjualan['Produk B'].mean()
# Membuat plot dengan garis horizontal rata-rata
plt.figure(figsize=(14, 7))
plt.plot(df_penjualan['Bulan'], df_penjualan['Produk A'],color='blue', marker='o', label='Produk A')
plt.plot(df_penjualan['Bulan'], df_penjualan['Produk B'], color='red', marker='s', linestyle='--',
label='Produk B')

# Menambahkan garis horizontal rata-rata

plt.axhline(rata2_A, color='blue', linestyle='-.',label=f'Rata-rata Produk A: {rata2_A:.2f}')
plt.axhline(rata2_B, color='red', linestyle='-.',label=f'Rata-rata Produk B: {rata2_B:.2f}')

plt.title('Perbandingan Penjualan Bulanan Produk A vs Produk Bdengan Rata-rata')

plt.xlabel('Bulan')
plt.ylabel('Penjualan')
plt.legend()
plt.grid(True, which='both', linestyle='--', linewidth=0.5) plt.tight_layout()
plt.show()

Output:

Dengan menambahkan garis horizontal, kita sekarang dapat dengan mudah melihat
bagaimana penjualan bulanan dari masing-masing produk dibandingkan dengan rata-rata
penjualannya selama setahun. Garis putus-putus memberikan referensi visual yang
memungkinkan kita untuk melihat di mana bulan tertentu berada di atas atau di bawah
rata-rata.
2.2. Scatter Plot
Mengapa Scatter Plot?
Bayangkan kamu memiliki dua set data dan ingin mengetahui apakah ada hubungan antara
keduanya. Bagaimana cara terbaik untuk melihatnya? Ya, dengan scatter plot!

Scatter plot memungkinkan kita untuk memvisualisasikan dua variabel sebagai titik-titik
dalam koordinat kartesius. Dengan demikian, kita dapat dengan cepat melihat distribusi
dan hubungan antara variabel-variabel tersebut.

2.2.1. Membuat Scatter Plot dengan Matplotlib

Untuk memulai, mari kita ciptakan scatter plot sederhana yang menunjukkan hubungan
antara usia dan penghasilan dari sekelompok orang. Kita akan gunakan data sintetis untuk
tujuan ini.
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# Membuat data sintetis untuk usia dan penghasilan

np.random.seed(42) # Menentukan seed untuk konsistensi
usia = np.random.randint(20, 60, 100)
penghasilan = (usia * 500) + np.random.randn(100) * 3000 # Hubungan
linear dengan noise

df_usia_penghasilan = pd.DataFrame({
'Usia': usia,
'Penghasilan': penghasilan
})

# Membuat scatter plot

plt.figure(figsize=(10, 6))
plt.scatter(df_usia_penghasilan['Usia'],
df_usia_penghasilan['Penghasilan'], color='purple', alpha=0.6,
edgecolors='white')
plt.title('Hubungan Antara Usia dan Penghasilan')
plt.xlabel('Usia')
plt.ylabel('Penghasilan')
plt.grid(True, which='both', linestyle='--', linewidth=0.5)
plt.tight_layout()
plt.show()

Output:
Dari scatter plot di atas, kita dapat melihat hubungan antara usia dan penghasilan.
Sepertinya ada kecenderungan untuk penghasilan meningkat seiring dengan bertambahnya
usia.

2.2.2. Kustomisasi Scatter Plot

Seperti yang kita lihat sebelumnya dengan line plot, Matplotlib juga memberikan
fleksibilitas penuh dalam mengkustomisasi tampilan scatter plot.

2.2.2.1. Mengubah Ukuran Titik

Misalnya, mungkin kita ingin menggambarkan penghasilan dengan ukuran titik yang
berbeda berdasarkan besarnya penghasilan tersebut. Mari kita coba.
# Menggunakan penghasilan untuk menentukan ukuran titik
sizes = df_usia_penghasilan['Penghasilan'] / 100

plt.figure(figsize=(10, 6))
plt.scatter(df_usia_penghasilan['Usia'],
df_usia_penghasilan['Penghasilan'], color='cyan', alpha=0.6, s=sizes,
edgecolors='black')
plt.title('Hubungan Antara Usia dan Penghasilan dengan Ukuran Titik
Berdasarkan Penghasilan')
plt.xlabel('Usia')
plt.ylabel('Penghasilan')
plt.grid(True, which='both', linestyle='--', linewidth=0.5)
plt.tight_layout()
plt.show()
Output:

Dengan mengubah ukuran titik berdasarkan penghasilan, kita sekarang memiliki dimensi
tambahan dalam visualisasi kita. Titik yang lebih besar menunjukkan penghasilan yang
lebih tinggi, memberikan gambaran lebih jelas tentang distribusi penghasilan dalam
kelompok usia tertentu.

2.2.2.2. Menggunakan Warna untuk Menunjukkan Kategori Lain

Bayangkan jika kita juga ingin mengetahui jenis kelamin dari setiap individu dalam data
kita. Kita bisa menggunakan warna yang berbeda untuk mewakili laki-laki dan perempuan,
sehingga kita bisa melihat distribusi gender serta hubungan antara usia dan penghasilan.

Mari kita tambahkan kolom 'Jenis Kelamin' ke data kita dan visualisasikan dengan scatter
plot.
# Menambahkan data sintetis untuk jenis kelamin
jenis_kelamin = np.random.choice(['Laki-laki', 'Perempuan'], 100)
df_usia_penghasilan['Jenis Kelamin'] = jenis_kelamin

# Menggunakan warna berbeda untuk jenis kelamin

colors = df_usia_penghasilan['Jenis Kelamin'].map({'Laki-laki': 'blue',
'Perempuan': 'magenta'})

plt.figure(figsize=(10, 6))
scatter = plt.scatter(df_usia_penghasilan['Usia'],
df_usia_penghasilan['Penghasilan'], c=colors, alpha=0.6, s=sizes,
edgecolors='black', label=colors)
 plt.title('Hubungan Antara Usia dan Penghasilan dengan Kategori Jenis
Kelamin')
plt.xlabel('Usia')
plt.ylabel('Penghasilan')

# Legenda
handles, labels = scatter.legend_elements(prop="colors")
plt.legend(handles, ['Laki-laki', 'Perempuan'])

plt.grid(True, which='both', linestyle='--', linewidth=0.5)

plt.tight_layout()
plt.show()

Output:

Dengan menambahkan warna berdasarkan jenis kelamin, kita sekarang dapat melihat
distribusi gender dalam data serta hubungan antara usia dan penghasilan. Warna biru
mewakili laki-laki, sedangkan magenta mewakili perempuan.

2.2.3. Kasus: Performa Iklan Online

Bayangkan kamu adalah seorang analis pemasaran di sebuah perusahaan e-commerce.
Kamu telah menjalankan beberapa kampanye iklan online dan ingin menilai efektivitasnya.
Untuk tujuan ini, kamu memutuskan untuk membandingkan "klik" dengan "konversi"
( jumlah orang yang membeli produk setelah mengklik iklan).

Membuat Data Sintetis

 # Membuat data sintetis untuk klik dan konversi
np.random.seed(45) # Menentukan seed untuk konsistensi
klik = np.random.randint(100, 1000, 50)
konversi = klik * 0.1 + np.random.randn(50) * 30 # Konversi sekitar 10%
dari klik dengan noise

df_iklan = pd.DataFrame({
'Klik': klik,
'Konversi': konversi
})

df_iklan.head()

Output:

2.2.3.1. Membuat Scatter Plot Dasar

Pertama, mari kita visualisasikan data ini dalam scatter plot untuk melihat hubungan antara
jumlah klik dan konversi.
# Membuat scatter plot dasar untuk klik vs konversi
plt.figure(figsize=(10, 6))
plt.scatter(df_iklan['Klik'], df_iklan['Konversi'], color='green',
alpha=0.6, edgecolors='black')
plt.title('Hubungan Antara Klik dan Konversi')
plt.xlabel('Klik')
plt.ylabel('Konversi')
plt.grid(True, which='both', linestyle='--', linewidth=0.5)
plt.tight_layout()
plt.show()

Output:
Dari scatter plot di atas, kita dapat melihat hubungan yang positif antara jumlah klik dan
konversi. Namun, ada beberapa variasi, yang mungkin disebabkan oleh faktor-faktor lain
seperti kualitas iklan, waktu tayang, atau audiens target.

2.2.3.2. Menambahkan Ukuran berdasarkan Biaya Iklan

Misalkan kita juga ingin mengetahui berapa banyak yang kita belanjakan untuk setiap
kampanye iklan. Kita bisa menampilkan informasi ini dengan mengatur ukuran titik-titik
berdasarkan biaya iklan. Semakin besar biaya iklan, semakin besar ukuran titiknya. Mari
kita tambahkan kolom 'Biaya' ke data kita dan visualisasikan dengan scatter plot.
# Menambahkan data sintetis untuk biaya iklan
biaya = (klik * 0.05) + np.random.randn(50) * 10 # Biaya sekitar 5%
dari klik dengan noise
df_iklan['Biaya'] = biaya

# Menggunakan biaya untuk menentukan ukuran titik

sizes = df_iklan['Biaya'] * 10

plt.figure(figsize=(10, 6))
scatter = plt.scatter(df_iklan['Klik'], df_iklan['Konversi'], c='blue',
alpha=0.6, s=sizes, edgecolors='white', linewidth=0.5)
plt.title('Hubungan Antara Klik dan Konversi dengan Ukuran Berdasarkan
Biaya')
plt.xlabel('Klik')
plt.ylabel('Konversi')
 # Menambahkan colorbar untuk ukuran
cbar = plt.colorbar(scatter)
cbar.set_label('Biaya Iklan')

plt.grid(True, which='both', linestyle='--', linewidth=0.5)

plt.tight_layout()
plt.show()

Output:

Dengan menyesuaikan ukuran titik berdasarkan biaya iklan, kita sekarang dapat melihat
seberapa banyak biaya yang dikeluarkan untuk setiap kampanye iklan. Titik-titik yang lebih
besar menunjukkan biaya yang lebih tinggi.

2.2.3.3. Menggunakan Warna berdasarkan Durasi Iklan

Misalkan kita juga ingin tahu durasi setiap kampanye iklan. Mungkin kampanye yang
berlangsung lebih lama memiliki konversi yang lebih tinggi? Kita bisa menampilkan
informasi ini dengan mengatur warna titik-titik berdasarkan durasi iklan. Mari kita
tambahkan kolom 'Durasi' (dalam hari) ke data kita dan visualisasikan dengan scatter plot.
# Menambahkan data sintetis untuk durasi iklan
durasi = np.random.randint(7, 30, 50) # Durasi antara 7 hingga 30 hari
df_iklan['Durasi'] = durasi

# Menggunakan durasi untuk menentukan warna titik

colors = df_iklan['Durasi']

plt.figure(figsize=(10, 6))
scatter = plt.scatter(df_iklan['Klik'], df_iklan['Konversi'], c=colors,
alpha=0.6, s=sizes, edgecolors='white', linewidth=0.5, cmap='viridis')
plt.title('Hubungan Antara Klik dan Konversi dengan Warna Berdasarkan
Durasi')
plt.xlabel('Klik')
plt.ylabel('Konversi')

# Menambahkan colorbar untuk durasi

cbar = plt.colorbar(scatter)
cbar.set_label('Durasi Iklan (hari)')

plt.grid(True, which='both', linestyle='--', linewidth=0.5)

plt.tight_layout()
plt.show()

Output:

Dengan mengatur warna titik berdasarkan durasi iklan, kita sekarang dapat melihat
seberapa lama setiap kampanye iklan berlangsung. Palet warna "viridis" memberikan
representasi visual yang jelas dari durasi iklan, dengan warna yang lebih terang
menunjukkan durasi yang lebih pendek, dan warna yang lebih gelap menunjukkan durasi
yang lebih panjang.
2.3. Histogram
Apakah kamu pernah bertanya-tanya tentang distribusi data dalam suatu dataset? Atau
bagaimana frekuensi dari suatu kisaran nilai dalam data? Jawabannya ada di histogram!

Histogram adalah alat visualisasi dasar yang memberikan gambaran tentang distribusi data.
Ia menunjukkan seberapa sering suatu nilai (atau kisaran nilai) muncul dalam dataset.
Meskipun histogram mungkin terlihat seperti bar chart, ada perbedaan mendasar antara
keduanya. Dalam histogram, data dikelompokkan ke dalam bin atau interval dan tinggi
batang menunjukkan berapa banyak data poin yang ada dalam bin tersebut.

Mengapa Menggunakan Histogram?

Pemahaman Distribusi Data: Histogram memberikan gambaran cepat tentang distribusi
suatu variabel. Dari histogram, kamu bisa menilai bentuk, pusat, dan penyebaran
distribusi.
Identifikasi Outliers: Puncak atau lekukan yang tidak biasa dapat mengindikasikan adanya
outliers atau keanehan dalam data.
Perbandingan Distribusi: Dengan membandingkan histogram dari dua dataset atau lebih,
kamu bisa mendapatkan wawasan tentang bagaimana variabel berperilaku di antara
kelompok yang berbeda.

2.3.1. Basic Histogram

Misalkan kamu bekerja di sebuah perusahaan ritel dan ingin memahami bagaimana
distribusi umur pelanggan yang berbelanja di toko kamu. Ini akan membantu dalam
merencanakan strategi pemasaran yang ditargetkan untuk kelompok usia tertentu.

Kita akan memulai dengan membuat dataset sintetis yang merepresentasikan umur
pelanggan.
# Membuat data sintetis untuk umur pelanggan
np.random.seed(42)
umur_pelanggan = np.random.randint(15, 75, 1000) # Umur antara 15
hingga 75 tahun

df_umur = pd.DataFrame({'Umur': umur_pelanggan})

# Membuat histogram untuk umur pelanggan

plt.figure(figsize=(10, 6))
plt.hist(df_umur['Umur'], bins=12, color='skyblue', edgecolor='black',
alpha=0.7)
plt.title('Distribusi Umur Pelanggan')
plt.xlabel('Umur')
plt.ylabel('Jumlah Pelanggan')
plt.grid(True, which='both', linestyle='--', linewidth=0.5)
plt.tight_layout()
plt.show()

Output:
Dari histogram di atas, kita dapat melihat distribusi umur pelanggan yang berbelanja di toko
kita. Batang-batang vertikal menunjukkan rentang usia (misalnya, 15-20 tahun, 20-25 tahun,
dan seterusnya), sementara tinggi batang menunjukkan jumlah pelanggan dalam rentang
usia tersebut.

Sejauh ini, terlihat bahwa sebagian besar pelanggan berusia antara 25 hingga 40 tahun.
Namun, ada juga sejumlah pelanggan yang berusia lebih tua, hingga 75 tahun.

2.3.2. Pemahaman Parameter Histogram

Salah satu aspek kunci dari histogram adalah pemilihan "bin" yang tepat. "Bin" adalah
rentang nilai dalam histogram. Jumlah dan ukuran bin dapat mempengaruhi interpretasi
distribusi data.

Mari kita coba beberapa pengaturan bin yang berbeda untuk melihat bagaimana mereka
mempengaruhi tampilan histogram.
# Membuat beberapa histogram dengan jumlah bin yang berbeda
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(14, 10))
bins_values = [6, 12, 24, 50]

for ax, bins_val in zip(axes.ravel(), bins_values):

ax.hist(df_umur['Umur'], bins=bins_val, color='skyblue',
edgecolor='black', alpha=0.7)
ax.set_title(f'Jumlah Bin: {bins_val}')
ax.set_xlabel('Umur')
ax.set_ylabel('Jumlah Pelanggan')
 ax.grid(True, which='both', linestyle='--', linewidth=0.5)

plt.tight_layout()
plt.show()

Output:

Dari keempat histogram di atas, kita dapat melihat bagaimana pemilihan bin
mempengaruhi tampilan distribusi:

● Bin = 6: Dengan hanya 6 bin, kita mendapatkan gambaran kasar tentang distribusi.
Namun, detail yang lebih halus dari data mungkin hilang.
● Bin = 12: Ini memberikan keseimbangan antara detail dan interpretasi. Di sini, kita
dapat melihat beberapa puncak dan lekukan yang lebih jelas dalam distribusi.
● Bin = 24: Dengan 24 bin, kita mendapatkan lebih banyak detail. Namun, dengan
banyaknya bin, histogram mungkin mulai terlihat sedikit berantakan.
● Bin = 50: Di sini, setiap bin mungkin hanya mewakili beberapa tahun. Meskipun kita
mendapatkan gambaran yang sangat detail, ini mungkin terlalu detail untuk
interpretasi yang mudah.
Pemilihan jumlah bin yang tepat tergantung pada ukuran dataset dan tujuan analisis. Dalam
banyak kasus, kamu mungkin perlu bereksperimen dengan beberapa nilai untuk
menemukan yang paling sesuai.
2.3.3. Kustomisasi Histogram
Selain menyesuaikan jumlah bin, ada banyak cara lain untuk menyesuaikan histogram agar
sesuai dengan kebutuhan kamu. Mari kita coba beberapa kustomisasi lanjutan!
# Kustomisasi histogram dengan orientasi horizontal, kumulatif, dan normalisasi
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(14, 10))

# Histogram dengan orientasi horizontal

axes[0, 0].hist(df_umur['Umur'], bins=12, color='skyblue', edgecolor='black',
alpha=0.7, orientation='horizontal') axes[0, 0].set_title('Histogram dengan Orientasi
Horizontal') axes[0, 0].set_ylabel('Umur')
axes[0, 0].set_xlabel('Jumlah Pelanggan')

# Histogram kumulatif
axes[0, 1].hist(df_umur['Umur'], bins=12, color='skyblue', edgecolor='black', alpha=0.7,
cumulative=True)
axes[0, 1].set_title('Histogram Kumulatif') axes[0,
1].set_xlabel('Umur')
axes[0, 1].set_ylabel('Jumlah Kumulatif Pelanggan')

# Histogram dengan density (normalisasi)

axes[1, 0].hist(df_umur['Umur'], bins=12, color='skyblue', edgecolor='black', alpha=0.7,
density=True)
axes[1, 0].set_title('Histogram dengan Normalisasi') axes[1,
0].set_xlabel('Umur')
axes[1, 0].set_ylabel('Density')

# Histogram dengan beberapa dataset (misalnya menambahkan data umur pelanggan dari toko lain)
umur_pelanggan_toko_lain = np.random.randint(15, 75, 1000)
axes[1, 1].hist([df_umur['Umur'], umur_pelanggan_toko_lain], bins=12, color=['skyblue',
'lightgreen'], edgecolor='black', alpha=0.7, label=['Toko A', 'Toko B'])
axes[1, 1].set_title('Histogram dengan Beberapa Dataset') axes[1,
1].set_xlabel('Umur')
axes[1, 1].set_ylabel('Jumlah Pelanggan') axes[1, 1].legend()

for ax in axes.ravel():
ax.grid(True, which='both', linestyle='--', linewidth=0.5) plt.tight_layout()
 plt.show()

Output:

Dari visualisasi di atas, kita dapat melihat beberapa variasi histogram:

● Histogram dengan Orientasi Horizontal: Terkadang, mengubah orientasi plot dapat

memberikan perspektif yang berbeda atau lebih sesuai dengan data tertentu.
● Histogram Kumulatif: Menunjukkan distribusi kumulatif dari data. Ini bisa berguna
jika kamu ingin melihat berapa persentase total pelanggan yang berada di bawah
usia tertentu.
● Histogram dengan Normalisasi: Dikenal juga sebagai histogram densitas, di mana
area di bawah kurva sama dengan 1. Ini berguna ketika kamu ingin melihat proporsi
daripada jumlah absolut.
● Histogram dengan Beberapa Dataset: Dalam kasus ini, kita membandingkan
distribusi umur pelanggan dari dua toko berbeda. Menggunakan warna yang
berbeda untuk setiap dataset memudahkan perbandingan.
Dengan berbagai kustomisasi ini, histogram dapat menjadi alat yang sangat fleksibel dan
informatif untuk memahami distribusi data.
2.4. Bar Chart
Seiring dengan berjalannya waktu, kamu mungkin pernah melihat berbagai grafik yang
menampilkan informasi dalam bentuk batang vertikal atau horizontal. Ya, itu adalah Bar
Chart atau Grafik Batang! Bar chart merupakan salah satu alat visualisasi paling populer
dan sering digunakan dalam laporan, presentasi, dan analisis data.

Mengapa Menggunakan Bar Chart?

Grafik batang adalah cara yang efektif untuk membandingkan item antara berbagai
kategori. Keunggulan utamanya adalah:
● Kemudahan Interpretasi: Grafik batang mudah dipahami oleh semua kalangan.
● Fleksibilitas: Bisa digunakan untuk data kategorikal maupun numerik.
● Perbandingan: Memudahkan perbandingan antar kategori.

2.4.1. Jenis-jenis Bar Chart

Ada beberapa jenis bar chart yang sering digunakan, di antaranya:
● Vertical Bar Chart: Batang vertikal digunakan untuk merepresentasikan data.
● Horizontal Bar Chart: Batang horizontal digunakan, biasanya untuk data kategorikal
dengan nama kategori yang panjang atau banyak kategori.
● Stacked Bar Chart: Data ditampilkan dalam bentuk tumpukan, memungkinkan
untuk membandingkan total antar kategori sekaligus melihat komposisi dari setiap
kategori.
● Grouped Bar Chart: Mirip dengan stacked, tetapi batang dikelompokkan
berdampingan alih-alih ditumpuk.

2.4.2. Basic Bar Chart

Bayangkan kamu adalah seorang analis di sebuah perusahaan penerbit buku. Kamu ingin
memvisualisasikan penjualan buku berdasarkan genre selama setahun terakhir. Mari kita
mulai dengan membuat dataset sintetis yang merepresentasikan situasi ini.
# Membuat data sintetis untuk penjualan buku berdasarkan genre
genres = ['Fiksi', 'Non-Fiksi', 'Komik', 'Pendidikan', 'Biografi',
'Horor', 'Romansa']
penjualan = [3450, 3120, 2980, 2760, 2530, 2350, 2100]

df_penjualan = pd.DataFrame({
'Genre': genres,
'Penjualan': penjualan
})

# Membuat vertical bar chart untuk penjualan buku berdasarkan genre

plt.figure(figsize=(10, 6))
 plt.bar(df_penjualan['Genre'], df_penjualan['Penjualan'],
color='skyblue', edgecolor='black', alpha=0.7)
plt.title('Penjualan Buku Berdasarkan Genre Selama Setahun Terakhir')
plt.xlabel('Genre Buku')
plt.ylabel('Jumlah Penjualan')
plt.xticks(rotation=45)
plt.grid(True, which='both', linestyle='--', linewidth=0.5, axis='y')
plt.tight_layout()
plt.show()

Output:

Dari grafik batang di atas, kita mendapatkan gambaran jelas tentang penjualan buku
berdasarkan genre. Fiksi tampaknya menjadi genre yang paling populer, diikuti oleh
Non-Fiksi dan Komik. Horor, Romansa, dan Biografi memiliki penjualan yang lebih rendah
dibandingkan genre lainnya.

2.4.3. Variasi Bar Chart

Mari kita coba beberapa variasi dari grafik batang untuk mendapatkan wawasan yang lebih
dalam dari data kita.

1. Horizontal Bar Chart

Grafik batang horizontal dapat digunakan ketika kita memiliki label kategori yang panjang
atau hanya ingin mengubah orientasi grafik untuk keperluan estetika. Mari kita coba
memvisualisasikan data kita dalam bentuk horizontal.
 # Membuat horizontal bar chart untuk penjualan buku berdasarkan genre
plt.figure(figsize=(10, 6))
plt.barh(df_penjualan['Genre'], df_penjualan['Penjualan'],
color='lightgreen', edgecolor='black', alpha=0.7)
plt.title('Penjualan Buku Berdasarkan Genre Selama Setahun Terakhir')
plt.ylabel('Genre Buku')
plt.xlabel('Jumlah Penjualan')
plt.grid(True, which='both', linestyle='--', linewidth=0.5, axis='x')
plt.tight_layout()
plt.show()

Output:

Grafik batang horizontal memberikan perspektif yang berbeda dari data yang sama. Dengan
format ini, label kategori mungkin lebih mudah dibaca, terutama jika ada banyak kategori
atau nama kategori yang panjang.

2. Stacked Bar Chart

Bagaimana jika kita ingin menambahkan dimensi lain ke data kita? Misalkan, selain
mengetahui penjualan total, kita juga ingin tahu berapa banyak dari penjualan tersebut
yang berasal dari penjualan online dan offline.

Mari kita tambahkan data sintetis untuk skenario tersebut dan visualisasikan dengan
Stacked Bar Chart.
# Menambahkan data sintetis untuk penjualan online dan offline
df_penjualan['Online'] = df_penjualan['Penjualan'] *
np.random.uniform(0.4, 0.7, len(df_penjualan))
df_penjualan['Offline'] = df_penjualan['Penjualan'] -
df_penjualan['Online']

# Membuat stacked bar chart untuk penjualan buku berdasarkan genre

plt.figure(figsize=(10, 6))
plt.bar(df_penjualan['Genre'], df_penjualan['Online'], label='Online',
color='skyblue', edgecolor='black')
plt.bar(df_penjualan['Genre'], df_penjualan['Offline'], label='Offline',
bottom=df_penjualan['Online'], color='lightcoral', edgecolor='black')
plt.title('Penjualan Buku Berdasarkan Genre dan Channel Selama Setahun
Terakhir')
plt.xlabel('Genre Buku')
plt.ylabel('Jumlah Penjualan')
plt.xticks(rotation=45)
plt.grid(True, which='both', linestyle='--', linewidth=0.5, axis='y')
plt.legend()
plt.tight_layout()
plt.show()

Output:

Dari Stacked Bar Chart di atas, kita dapat memahami dua dimensi sekaligus:

Total Penjualan untuk Setiap Genre: Ini diwakili oleh tinggi total dari setiap batang.
Pembagian Penjualan Online dan Offline: Bagian biru mewakili penjualan online,
sementara bagian merah mewakili penjualan offline.
Dengan grafik ini, kita dapat dengan mudah melihat bahwa sebagian besar penjualan untuk
genre buku tertentu berasal dari saluran online, sementara beberapa lainnya memiliki
distribusi yang hampir sama antara online dan offline.

2.5. Pie Chart

Apakah kamu pernah ingin mengetahui bagian mana dari suatu keseluruhan yang paling
mendominasi? Atau bagaimana komposisi dari suatu keseluruhan dibagi? Jika ya, maka Pie
Chart, atau yang dikenal juga dengan diagram lingkaran, adalah jawabannya.

Pie Chart adalah representasi grafis yang menampilkan data dalam bentuk
potongan-potongan lingkaran. Setiap potongan lingkaran (atau "slice") mewakili kategori
tertentu dan ukurannya proporsional dengan jumlah yang diwakilinya dari keseluruhan.

2.5.1. Keuntungan dan Kekurangan Pie Chart

Sebelum kita masuk ke contoh dan kustomisasi, mari kita bahas cepat tentang kapan harus
dan kapan tidak harus menggunakan Pie Chart.

Keuntungan:
● Intuitif: Mudah dipahami dan diinterpretasikan. Pembaca dapat dengan cepat
memahami proporsi relatif antara kategori.
● Visual: Dengan penggunaan warna dan potongan, grafik ini dapat menarik dan
informatif.

Kekurangan:
● Keterbatasan Kategori: Jika ada terlalu banyak kategori, Pie Chart dapat terlihat
berantakan dan sulit dibaca.
● Perbandingan Kesulitan: Sulit membandingkan potongan yang berdekatan dalam
ukuran, terutama jika perbedaannya kecil.
● Kasus Dasar: Distribusi Genre Buku

Bayangkan kamu memiliki toko buku dan ingin mengetahui proporsi genre buku yang
kamu jual. Pie Chart dapat memberikan gambaran visual yang cepat tentang distribusi
genre buku. Mari kita gunakan data penjualan buku yang sebelumnya telah kita buat.
# Membuat Pie Chart untuk distribusi genre buku berdasarkan penjualan
plt.figure(figsize=(10, 7))
plt.pie(df_penjualan['Penjualan'], labels=df_penjualan['Genre'],
autopct='%1.1f%%', startangle=140, colors=plt.cm.Paired.colors)
plt.title('Distribusi Genre Buku Berdasarkan Penjualan')
plt.show()
Output:
Dari Pie Chart di atas, kamu dapat melihat distribusi penjualan buku berdasarkan genre.
Setiap potongan lingkaran mewakili suatu genre, dan ukurannya menunjukkan proporsi
penjualannya dalam total penjualan buku. Label dan persentase di setiap potongan
membantu kamu memahami proporsi relatif genre tersebut.

Namun, Pie Chart ini adalah contoh dasar. Mari kita jelajahi lebih lanjut bagaimana kita bisa
memperkaya dan meningkatkan kejelasan Pie Chart kita.

2.5.2. Eksplodir Potongan Pie Chart

Salah satu cara untuk menyoroti atau memberi penekanan pada satu atau lebih potongan
dari Pie Chart adalah dengan "mengeksplodir" potongan tersebut. Ini berarti potongan
tersebut ditarik keluar dari pusat lingkaran untuk menonjol.
Misalnya, kita ingin menyoroti genre "Komik" dan "Romansa" karena alasan tertentu,
mungkin karena mereka adalah genre best-seller atau mungkin ada promosi khusus yang
berlangsung. Mari kita eksplodir kedua potongan tersebut.
# Menentukan potongan mana yang akan dieksplodir
explode = [0.1 if genre in ["Komik", "Romansa"] else 0 for genre in
df_penjualan['Genre']]

plt.figure(figsize=(10, 7))
plt.pie(df_penjualan['Penjualan'], labels=df_penjualan['Genre'],
autopct='%1.1f%%', startangle=140, explode=explode,
colors=plt.cm.Paired.colors)
plt.title('Distribusi Genre Buku dengan Potongan Eksplodir')
plt.show()

Output:
Kedua potongan "Komik" dan "Romansa" kini menonjol dari Pie Chart, memberi penekanan
visual pada genre-genre tersebut. Teknik ini bisa sangat berguna ketika kamu ingin
menyoroti informasi tertentu atau memberikan konteks tambahan kepada pembaca.

2.5.3. Menambahkan Shadow dan Mengubah Start Angle

Menambahkan bayangan bisa memberikan efek kedalaman pada Pie Chart, membuatnya
lebih menarik secara visual. Selain itu, mengubah sudut mulai dari Pie Chart
memungkinkan kamu untuk memposisikan potongan-potongan dengan cara tertentu,
sehingga lebih mudah dibaca atau menonjol.

Mari kita coba kedua kustomisasi ini pada Pie Chart kita.
plt.figure(figsize=(10, 7))
plt.pie(df_penjualan['Penjualan'], labels=df_penjualan['Genre'],
autopct='%1.1f%%', startangle=90, explode=explode,
colors=plt.cm.Paired.colors,shadow=True)
plt.title('Distribusi Genre Buku dengan Bayangan dan Sudut Mulai
Berbeda')
plt.show()

Output:
Dengan menambahkan bayangan dan mengubah sudut mulai, Pie Chart kita kini memiliki
tampilan yang sedikit berbeda. Bayangan memberikan kesan kedalaman, sementara
mengubah start angle memastikan Pie Chart dimulai dari atas dan berputar searah jarum
jam, memberikan tata letak yang mungkin lebih familiar bagi beberapa pembaca.

2.5.4. Donut Chart

Varian dari Pie Chart yang populer adalah Donut Chart. Ini mirip dengan Pie Chart, tetapi
memiliki lubang di tengah, memberikan bentuk donat. Donut Chart bisa menjadi pilihan
estetika atau digunakan untuk menampilkan informasi tambahan di tengah grafik.

Mari kita coba mengubah Pie Chart kita menjadi Donut Chart.
plt.figure(figsize=(10, 7))
plt.pie(df_penjualan['Penjualan'], labels=df_penjualan['Genre'],
autopct='%1.1f%%', startangle=90, explode=explode,
colors=plt.cm.Paired.colors, wedgeprops=dict(width=0.3))
 plt.gca().add_artist(plt.Circle((0,0),0.70,fc='white'))
plt.title('Distribusi Genre Buku dengan Format Donut Chart')
plt.show()

Output:

Kini Pie Chart kita telah bertransformasi menjadi Donut Chart. Dengan lubang di tengah,
kita memiliki ruang tambahan yang dapat digunakan untuk teks, gambar, atau informasi
tambahan lainnya. Dalam contoh ini, kita sengaja meninggalkan ruang tersebut kosong,
namun dalam aplikasi nyata, itu bisa menjadi tempat yang berguna untuk judul, total data,
atau informasi penting lainnya.

2.5.5. Label dengan Informasi Tambahan

Label pada Pie Chart biasanya berisi nama kategori. Namun, kita bisa menambahkan
informasi lebih lanjut ke label untuk memberikan konteks tambahan. Misalnya, selain
menampilkan persentase, kita juga bisa menampilkan jumlah sebenarnya.
Mari kita coba menambahkan jumlah penjualan sebenarnya ke label Pie Chart kita.
# Membuat label dengan informasi tambahan
labels_dengan_info = [f"{genre} ({jumlah} buku -
{jumlah/df_penjualan['Penjualan'].sum()*100:.1f}%)"
for genre, jumlah in zip(df_penjualan['Genre'],
df_penjualan['Penjualan'])]

plt.figure(figsize=(10, 7))
plt.pie(df_penjualan['Penjualan'], labels=labels_dengan_info,
startangle=90, explode=explode, colors=plt.cm.Paired.colors,
wedgeprops=dict(width=0.3))
plt.gca().add_artist(plt.Circle((0,0),0.70,fc='white'))
plt.title('Distribusi Genre Buku dengan Label Informasi Tambahan')
plt.show()

Output:

Dengan menambahkan informasi jumlah buku dan persentasenya pada setiap label,
pembaca sekarang memiliki gambaran yang lebih lengkap tentang distribusi penjualan
buku. Hal ini memungkinkan pembaca untuk mendapatkan detail yang lebih mendalam
hanya dengan melihat Pie Chart, tanpa perlu merujuk ke tabel atau sumber data lainnya.
2.6. Area Plot
Bayangkan kamu sedang berdiri di tepi bukit yang luas, menatap ke arah horizon. Lalu,
kamu melihat guratan-guratan yang menandakan ketinggian dan kedalaman dari setiap
bagian bukit tersebut. Area Plot, atau yang sering dikenal sebagai Area Chart, memberikan
visualisasi yang serupa dengan guratan-guratan tersebut, di mana area di bawah garis diisi
dengan warna atau pola tertentu.

Mengenal Area Plot

Area Plot adalah variasi dari Line Plot. Sama seperti Line Plot, Area Plot digunakan untuk
memvisualisasikan data deret waktu. Namun, perbedaannya terletak pada pengisian area di
bawah garis dengan warna atau pola, memberikan kesan "kedalaman" dan menekankan
besarnya suatu nilai relatif terhadap sumbu horizontal.

Kapan Menggunakan Area Plot?

Area Plot paling efektif ketika kamu ingin menampilkan dan membandingkan
bagian-bagian dari keseluruhan sepanjang waktu. Beberapa penggunaan umum meliputi:
● Menunjukkan komposisi dari data sepanjang waktu.
● Memvisualisasikan volume total seiring berjalannya waktu.
● Menyoroti perbedaan antara beberapa seri data.

2.6.1. Basic Area Plot

Mari kita mulai dengan contoh sederhana. Bayangkan kamu memiliki data penjualan buku
per bulan selama satu tahun. Kamu ingin mengetahui bagaimana tren penjualan tersebut
berjalan. Mari kita buat data sintetisnya terlebih dahulu.
import pandas as pd
import numpy as np

# Membuat data sintetis

np.random.seed(42)
bulan = ['Jan', 'Feb', 'Mar', 'Apr', 'Mei', 'Jun', 'Jul', 'Agu', 'Sep',
'Okt', 'Nov', 'Des']
penjualan = np.random.randint(500, 1500, 12).tolist()

df_penjualan_buku = pd.DataFrame({
'Bulan': bulan,
'Penjualan': penjualan
})

df_penjualan_buku
Output:
Dari data di atas, kita memiliki informasi mengenai penjualan buku untuk setiap bulan
selama satu tahun. Mari kita visualisasikan data ini dengan Area Plot sederhana untuk
memahami tren penjualan buku sepanjang tahun.
plt.figure(figsize=(12, 6))
plt.fill_between(df_penjualan_buku['Bulan'],
df_penjualan_buku['Penjualan'], color='skyblue', alpha=0.4)
plt.plot(df_penjualan_buku['Bulan'], df_penjualan_buku['Penjualan'],
color='blue', marker='o')
plt.title('Penjualan Buku Sepanjang Tahun')
plt.xlabel('Bulan')
plt.ylabel('Jumlah Penjualan')
plt.grid(True, axis='y', linestyle='--', linewidth=0.7, alpha=0.7)
plt.show()

Output:
Voila! Area Plot di atas menunjukkan visualisasi penjualan buku dari bulan Januari hingga
Desember. Area yang diisi warna biru muda menandakan volume penjualan, sementara
garis biru menunjukkan tren penjualan. Melalui visualisasi ini, kamu dapat dengan cepat
melihat bahwa ada peningkatan penjualan signifikan di bulan Maret dan Juli, serta
penurunan di bulan Agustus.

2.6.2. Stacked Area Plot

Ketika memiliki beberapa kategori data yang ingin ditampilkan dalam satu Area Plot,
Stacked Area Plot adalah pilihan yang tepat. Misalnya, kamu memiliki data penjualan buku
berdasarkan genre: Fiksi, Non-Fiksi, dan Komik. Dengan Stacked Area Plot, kamu dapat
melihat bagaimana masing-masing genre berkontribusi terhadap total penjualan sepanjang
tahun.

Mari kita ciptakan data sintetis untuk penjualan buku berdasarkan genre dan visualisasikan
dengan Stacked Area Plot.
# Membuat data sintetis untuk genre buku
penjualan_fiksi = np.random.randint(100, 500, 12).tolist()
penjualan_non_fiksi = np.random.randint(50, 300, 12).tolist()
penjualan_komik = np.random.randint(10, 150, 12).tolist()

df_penjualan_genre = pd.DataFrame({
'Bulan': bulan,
'Fiksi': penjualan_fiksi,
'Non-Fiksi': penjualan_non_fiksi,
'Komik': penjualan_komik
})
 df_penjualan_genre

Output:

Kini kita memiliki data penjualan buku untuk tiga genre berbeda sepanjang tahun. Mari kita
visualisasikan data tersebut dengan Stacked Area Plot untuk melihat kontribusi
masing-masing genre terhadap total penjualan setiap bulannya.
plt.figure(figsize=(12, 6))

# Membuat Stacked Area Plot

plt.stackplot(df_penjualan_genre['Bulan'], df_penjualan_genre['Fiksi'],
df_penjualan_genre['Non-Fiksi'], df_penjualan_genre['Komik'],
labels=['Fiksi', 'Non-Fiksi', 'Komik'], colors=['#FF9999',
'#66B2FF', '#99FF99'], alpha=0.6)

plt.title('Penjualan Buku Berdasarkan Genre Sepanjang Tahun')

plt.xlabel('Bulan')
plt.ylabel('Jumlah Penjualan')
plt.legend(loc='upper left')
plt.grid(True, axis='y', linestyle='--', linewidth=0.7, alpha=0.7)
plt.show()

Output:
Dari Stacked Area Plot di atas, kamu dapat melihat bagaimana setiap genre buku
berkontribusi terhadap penjualan total setiap bulannya. Sebagai contoh, buku bergenre
Fiksi memiliki penjualan yang paling tinggi di sebagian besar bulan, diikuti oleh Non-Fiksi
dan Komik.

Warna yang berbeda memungkinkan kamu untuk dengan cepat membedakan antara genre,
dan area yang bertumpuk menunjukkan bagaimana komposisi penjualan berubah dari
bulan ke bulan.

2.6.3. Area Plot dengan Transparansi

Mengatur transparansi area dapat membantu dalam membaca grafik, terutama ketika
memiliki banyak kategori yang ditumpuk bersama. Dengan meningkatkan transparansi,
potongan-potongan dari setiap kategori yang berada di bawah kategori lainnya menjadi
lebih terlihat.

Mari kita lihat bagaimana menambahkan transparansi pada Area Plot kita.
plt.figure(figsize=(12, 6))

# Membuat Stacked Area Plot dengan transparansi yang lebih tinggi

plt.stackplot(df_penjualan_genre['Bulan'], df_penjualan_genre['Fiksi'],
df_penjualan_genre['Non-Fiksi'], df_penjualan_genre['Komik'],
labels=['Fiksi', 'Non-Fiksi', 'Komik'], colors=['#FF9999',
'#66B2FF', '#99FF99'], alpha=0.8)

plt.title('Penjualan Buku Berdasarkan Genre dengan Transparansi Tinggi')

plt.xlabel('Bulan')
 plt.ylabel('Jumlah Penjualan')
plt.legend(loc='upper left')
plt.grid(True, axis='y', linestyle='--', linewidth=0.7, alpha=0.7)
plt.show()

Output:

Dengan meningkatkan transparansi, perbedaan antar-genre menjadi lebih jelas, terutama di

area di mana beberapa genre tumpang tindih. Ini membantu dalam memahami proporsi
relatif dari masing-masing genre dalam konteks keseluruhan.

Area Plot dengan Basis Negatif

Terkadang, kamu mungkin ingin memvisualisasikan data yang memiliki nilai positif dan
negatif. Dalam hal ini, kamu bisa menggunakan basis negatif untuk Area Plot, di mana area
di bawah sumbu-x akan diisi untuk nilai negatif.

Sebagai contoh, bayangkan kamu memiliki data perubahan stok buku di gudang setiap
bulan. Nilai positif menunjukkan penambahan stok, sementara nilai negatif menunjukkan
pengurangan stok. Mari kita ciptakan data sintetis untuk skenario ini.
# Membuat data sintetis untuk perubahan stok buku
perubahan_stok = np.random.randint(-200, 200, 12).tolist()

df_perubahan_stok = pd.DataFrame({
'Bulan': bulan,
'Perubahan': perubahan_stok
})
 df_perubahan_stok
Output:

Kita memiliki data perubahan stok buku untuk setiap bulan. Seperti yang bisa kamu lihat,
ada bulan-bulan di mana stok buku bertambah (nilai positif) dan ada juga bulan di mana
stok berkurang (nilai negatif).

Mari kita visualisasikan data ini dengan Area Plot yang memiliki basis negatif. Ini akan
memberikan gambaran visual tentang kapan toko menambah atau mengurangi stok buku
mereka.
plt.figure(figsize=(12, 6))
plt.fill_between(df_perubahan_stok['Bulan'],
df_perubahan_stok['Perubahan'], color='skyblue',
where=(df_perubahan_stok['Perubahan'] > 0), interpolate=True, alpha=0.4,
label="Penambahan Stok")
plt.fill_between(df_perubahan_stok['Bulan'],
df_perubahan_stok['Perubahan'], color='salmon',
where=(df_perubahan_stok['Perubahan'] < 0), interpolate=True, alpha=0.4,
label="Pengurangan Stok")
plt.plot(df_perubahan_stok['Bulan'], df_perubahan_stok['Perubahan'],
color='blue', marker='o')

plt.title('Perubahan Stok Buku Sepanjang Tahun')

plt.xlabel('Bulan')
plt.ylabel('Perubahan Stok')
plt.axhline(0, color='black',linewidth=0.5)
plt.grid(True, axis='y', linestyle='--', linewidth=0.7, alpha=0.7)
plt.legend()
plt.show()
Output:

Dalam Area Plot di atas, area berwarna biru muda menunjukkan bulan-bulan dengan
penambahan stok, sedangkan area berwarna merah muda menunjukkan bulan-bulan
dengan pengurangan stok. Dengan memvisualisasikan data dengan cara ini, kamu dengan
cepat dapat mengidentifikasi tren dan pola dalam manajemen stok.
2.7. Box Plot
Seiring dengan berkembangnya era data, kebutuhan untuk memahami distribusi dan variasi
data menjadi semakin penting. Salah satu alat yang paling berguna untuk memahami
distribusi data adalah Box Plot ( juga dikenal sebagai whisker plot). Box Plot memberikan
ringkasan grafis dari satu atau beberapa kelompok data. Plot ini bisa memberikan banyak
informasi tentang distribusi, kecenderungan sentral, variabilitas, dan bentuk data.

Apa sih yang membuat Box Plot begitu spesial? Mari kita selami lebih dalam.

Apa Itu Box Plot?

Box Plot adalah metode grafis untuk menggambarkan kelompok data numerik melalui
kuartil mereka. Box Plot bukan hanya sumur data statistik, tetapi juga visual yang jelas dan
detail. Dengan satu pandangan, kamu bisa dengan cepat memahami distribusi data, melihat
kemungkinan adanya pencilan (outliers), serta membandingkan distribusi antara beberapa
set data.

2.7.1. Komponen Box Plot

Sebelum kita mulai membuat Box Plot, penting untuk memahami komponennya:
● Median (Q2/50th Persentil): Nilai tengah dataset.
● Kuartil Pertama (Q1/25th Persentil): Median dari setengah data pertama.
● Kuartil Ketiga (Q3/75th Persentil): Median dari setengah data kedua.
● IQR (Interquartile Range): Jarak antara Kuartil Ketiga dan Kuartil Pertama.
● Whiskers: Garis yang keluar dari kotak untuk menunjukkan variasi di luar kuartil
atas dan bawah.
● Pencilan: Poin data yang jauh dari whiskers.

Mari kita mulai dengan membuat data sintetis dan menggambarkan Box Plot sederhana
untuk memahami bagaimana komponen-komponen ini ditampilkan.
# Membuat data sintetis untuk skor ujian
np.random.seed(0)
skor_murid_A = np.random.randint(60, 90, 30)
skor_murid_B = np.random.randint(55, 95, 30)

df_skor = pd.DataFrame({
'Murid_A': skor_murid_A,
'Murid_B': skor_murid_B
})

# Menggambar Box Plot sederhana

plt.figure(figsize=(10, 6))
plt.boxplot([df_skor['Murid_A'], df_skor['Murid_B']], vert=False,
patch_artist=True, labels=['Murid A', 'Murid B'])
plt.title('Distribusi Skor Ujian Murid A dan B')
 plt.xlabel('Skor Ujian')
plt.ylabel('Kelompok Murid')
plt.grid(True, axis='x', linestyle='--', linewidth=0.7, alpha=0.7)
plt.show()
Output:

Dalam Box Plot di atas, kita dapat melihat distribusi skor ujian untuk dua kelompok murid:
Murid A dan Murid B. Dari plot ini, kita dapat menarik beberapa kesimpulan:
● Kotak: Bagian tengah dari box plot ini menunjukkan kuartil pertama (Q1) dan kuartil
ketiga (Q3) dari data. Lebarnya kotak ini (dalam hal ini, dari kiri ke kanan)
menunjukkan jangkauan antarkuartil (IQR) dari data.
● Garis Tengah di Kotak: Garis ini menunjukkan median (Q2) dari data, yang mewakili
titik tengah dataset.
● Whiskers: Garis-garis yang keluar dari kotak. Dalam plot ini, whiskers dihitung
sebagai 1.5 * IQR. Semua data di luar whiskers ini dianggap sebagai pencilan dan
ditandai dengan titik.
● Pencilan: Dalam plot ini, tidak ada pencilan yang terlihat, tetapi jika ada, mereka
akan ditandai dengan titik di luar whiskers.

Dengan sekilas pandang, kamu sudah bisa memahami distribusi data, mengetahui mana
yang memiliki variasi lebih besar, dan menilai apakah ada pencilan atau tidak. Namun,
keajaiban Box Plot tidak berhenti di sini. Plot ini juga memungkinkan kamu untuk
membandingkan distribusi dari beberapa kelompok data secara bersamaan, seperti yang
kita lihat dengan Murid A dan Murid B.
Kustomisasi dan Interpretasi
Box Plot, meskipun sederhana, memberikan banyak informasi. Namun, untuk
memaksimalkan kegunaannya, penting untuk mengetahui cara mengkustomisasi dan
menginterpretasikannya dengan benar.

2.7.2. Kustomisasi Warna dan Bentuk

Kustomisasi visual dapat membantu menekankan aspek-aspek tertentu dari data atau
menjadikan grafik lebih mudah dibaca. Mari kita coba beberapa kustomisasi pada Box Plot
kita.
# Menggambar Box Plot dengan kustomisasi
plt.figure(figsize=(10, 6))

# Kustomisasi warna boxplot

colors = ['lightblue', 'lightpink']
bp = plt.boxplot([df_skor['Murid_A'], df_skor['Murid_B']], vert=False,
patch_artist=True, labels=['Murid A', 'Murid B'])

# Mengkustomisasi warna
for patch, color in zip(bp['boxes'], colors):
patch.set_facecolor(color)

plt.title('Distribusi Skor Ujian Murid A dan B dengan Kustomisasi

Warna')
plt.xlabel('Skor Ujian')
plt.ylabel('Kelompok Murid')
plt.grid(True, axis='x', linestyle='--', linewidth=0.7, alpha=0.7)
plt.show()

Output:
Dengan sedikit kustomisasi warna, Box Plot kita kini tampak lebih menarik dan informatif.
Murid A diwakili dengan warna biru muda, sementara Murid B dengan warna merah muda.

2.7.3. Menambahkan Swarmplot ke Box Plot

Salah satu kritik terhadap Box Plot adalah bahwa mereka tidak menunjukkan densitas
distribusi data. Untungnya, dengan bantuan pustaka seperti seaborn, kita dapat
menambahkan "swarmplot" ke Box Plot kita, yang menampilkan setiap titik data individu
tanpa menumpuknya. Ini memberikan wawasan tambahan tentang densitas data. Mari kita
coba tambahkan swarmplot ke plot kita.
import seaborn as sns

plt.figure(figsize=(12, 7))

# Membuat boxplot dengan seaborn untuk kustomisasi lebih lanjut

sns.boxplot(data=df_skor, orient='h', palette='pastel', width=0.5)

# Menambahkan swarmplot ke boxplot

sns.swarmplot(data=df_skor, orient='h', color='k', size=4)

plt.title('Distribusi Skor Ujian dengan Swarmplot')

plt.xlabel('Skor Ujian')
plt.ylabel('Kelompok Murid')
plt.grid(True, axis='x', linestyle='--', linewidth=0.7, alpha=0.7)
plt.show()
Output:

Dalam visualisasi di atas, swarmplot memungkinkan kita untuk melihat setiap titik data
individu. Titik-titik hitam menunjukkan lokasi setiap skor ujian individu. Dengan kombinasi
box plot dan swarmplot, kita mendapatkan gambaran yang lebih lengkap tentang distribusi
data.

2.7.4. Mengidentifikasi Pencilan dengan Box Plot

Salah satu kegunaan utama Box Plot adalah kemampuannya untuk dengan mudah
mengidentifikasi pencilan. Pencilan adalah titik data yang jauh dari titik data lainnya.
Dalam konteks Box Plot, pencilan biasanya ditandai sebagai titik-titik yang berada di luar
"whiskers".

Mari kita coba membuat data dengan beberapa pencilan dan visualisasikan dengan Box
Plot.
# Membuat data dengan pencilan
np.random.seed(42)
skor_murid_C = np.random.randint(60, 90, 28).tolist() + [105, 110] #
Menambahkan dua pencilan

df_skor['Murid_C'] = skor_murid_C

# Menggambar Box Plot untuk mengidentifikasi pencilan

plt.figure(figsize=(10, 6))
sns.boxplot(data=df_skor['Murid_C'], orient='h', palette='pastel',
width=0.5)
 sns.swarmplot(data=df_skor['Murid_C'], orient='h', color='k', size=4)

plt.title('Mengidentifikasi Pencilan dengan Box Plot')

plt.xlabel('Skor Ujian')
plt.ylabel('Kelompok Murid C')
plt.grid(True, axis='x', linestyle='--', linewidth=0.7, alpha=0.7)
plt.show()

Output:

Pada visualisasi di atas, kamu dapat dengan jelas melihat dua pencilan (titik-titik yang
berada di sebelah kanan whisker). Skor 105 dan 110 jauh dari skor murid lainnya, yang
berkisar antara 60 hingga 90. Dengan Box Plot, identifikasi pencilan menjadi sangat
sederhana.

2.7.5. Box Plot untuk Membandingkan Beberapa Kelompok

Salah satu keunggulan Box Plot adalah kemampuannya untuk membandingkan distribusi
data antara beberapa kelompok dalam satu visualisasi. Bayangkan kamu ingin
membandingkan skor ujian dari beberapa kelas di sekolah. Dengan Box Plot, kamu dapat
dengan cepat menilai kelas mana yang memiliki median tertinggi, variasi skor yang lebih
rendah, atau bahkan kelas mana yang memiliki banyak pencilan.

Mari kita coba memvisualisasikan skor ujian dari tiga kelas berbeda menggunakan Box Plot.
# Menggambar Box Plot untuk membandingkan tiga kelompok murid
plt.figure(figsize=(12, 7))

# Membuat boxplot dengan seaborn untuk kustomisasi lebih lanjut

sns.boxplot(data=df_skor, orient='h', palette='pastel', width=0.5)

# Menambahkan swarmplot ke boxplot

sns.swarmplot(data=df_skor, orient='h', color='k', size=4)

plt.title('Distribusi Skor Ujian Tiga Kelompok Murid')

plt.xlabel('Skor Ujian')
plt.ylabel('Kelompok Murid')
plt.grid(True, axis='x', linestyle='--', linewidth=0.7, alpha=0.7)
plt.show()

Output:

Dari Box Plot di atas, kita bisa mendapatkan wawasan berharga mengenai distribusi skor
ujian dari tiga kelompok murid:
● Kelas A (Murid A) cenderung memiliki median skor yang lebih tinggi dibandingkan
dengan kelas lainnya, tetapi juga memiliki variasi yang lebih luas.
● Kelas B (Murid B) memiliki median skor yang lebih rendah daripada Kelas A namun
lebih tinggi daripada Kelas C, dan variasinya juga lebih sempit.
● Kelas C (Murid C) memiliki median skor yang paling rendah, dengan dua pencilan
yang jauh lebih tinggi dari skor murid lainnya di kelas tersebut.
Dengan informasi ini, seorang pendidik mungkin dapat menilai kelas mana yang
memerlukan perhatian lebih atau bahkan mengidentifikasi apakah ada murid tertentu yang
memerlukan bimbingan lebih lanjut.

2.7.6. Mengkustomisasi Whiskers

Secara default, "whiskers" pada Box Plot di matplotlib dihitung sebagai 1,5 * IQR
(Interquartile Range). Namun, terkadang kamu mungkin ingin mengatur panjang whiskers
ini sesuai kebutuhan analisis. Misalnya, jika kamu ingin whiskers mencakup semua data
tanpa ada pencilan, kamu dapat mengaturnya.

Mari kita coba mengkustomisasi panjang whiskers pada Box Plot kita.
# Menggambar Box Plot dengan whiskers yang dikustomisasi untuk mencakup
semua data
plt.figure(figsize=(12, 7))

# Membuat boxplot dengan seaborn dengan whiskers yang dikustomisasi

sns.boxplot(data=df_skor, orient='h', palette='pastel', width=0.5,
whis=[0, 100]) # Whis diatur dari 0% ke 100%

# Menambahkan swarmplot ke boxplot

sns.swarmplot(data=df_skor, orient='h', color='k', size=4)

plt.title('Distribusi Skor Ujian dengan Whiskers yang Dikustomisasi')

plt.xlabel('Skor Ujian')
plt.ylabel('Kelompok Murid')
plt.grid(True, axis='x', linestyle='--', linewidth=0.7, alpha=0.7)
plt.show()

Output:
Dengan mengkustomisasi panjang whiskers, Box Plot kita sekarang mencakup semua data,
termasuk yang sebelumnya dianggap sebagai pencilan. Dalam kasus ini, whiskers
diperpanjang untuk mencakup seluruh rentang data dari 0% hingga 100%.

Ini sangat berguna jika kamu ingin menekankan keseluruhan distribusi data tanpa
memberi label khusus pada data tertentu sebagai pencilan. Namun, penting untuk diingat
bahwa memodifikasi whiskers dapat mengubah interpretasi plot, jadi selalu pastikan untuk
menjelaskan kustomisasi apa pun yang kamu lakukan saat mempresentasikan atau
menganalisis data.

2.7.7. Box Plot dengan Variabel Kategorikal

Box Plot tidak hanya berguna untuk membandingkan distribusi dari beberapa kelompok
numerik, tetapi juga sangat efektif untuk memvisualisasikan distribusi numerik dalam
kaitannya dengan variabel kategorikal. Misalkan kamu memiliki data tentang penjualan
produk di beberapa toko. Dengan Box Plot, kamu dapat dengan cepat melihat toko mana
yang memiliki distribusi penjualan tertinggi, variasi penjualan, serta potensi pencilan.

Mari kita ciptakan contoh dengan data sintetis untuk memvisualisasikan hal ini.
# Membuat data sintetis untuk penjualan di beberapa toko
np.random.seed(42)
toko_A = np.random.randint(50, 150, 100)
toko_B = np.random.randint(60, 180, 100)
toko_C = np.random.randint(40, 170, 90).tolist() + [200, 210, 220, 230,
240, 250, 260, 270, 280, 290] # Menambahkan beberapa pencilan
 df_penjualan = pd.DataFrame({
'Toko': ['A']*100 + ['B']*100 + ['C']*100,
'Penjualan': toko_A.tolist() + toko_B.tolist() + toko_C
})

# Menggambar Box Plot untuk membandingkan penjualan di beberapa toko

plt.figure(figsize=(12, 7))
sns.boxplot(x='Toko', y='Penjualan', data=df_penjualan,
palette='pastel', width=0.5)
sns.swarmplot(x='Toko', y='Penjualan', data=df_penjualan, color='k',
size=3)

plt.title('Distribusi Penjualan di Beberapa Toko')

plt.xlabel('Toko')
plt.ylabel('Penjualan')
plt.grid(True, axis='y', linestyle='--', linewidth=0.7, alpha=0.7)
plt.show()

Output:

Dari Box Plot di atas, kita dapat memahami berbagai aspek distribusi penjualan di tiga toko:
● Toko A memiliki median penjualan yang lebih rendah dibandingkan dengan toko
lainnya dan variasi penjualannya juga relatif sempit.
● Toko B memiliki median penjualan yang lebih tinggi dan variasi yang lebih luas
dibandingkan dengan Toko A.
 ● Toko C memiliki median penjualan yang hampir sama dengan Toko B, tetapi ada
beberapa pencilan yang menunjukkan penjualan yang sangat tinggi pada beberapa
hari tertentu.

Kombinasi Box Plot dengan swarmplot memberikan gambaran yang jelas tentang distribusi
penjualan di setiap toko serta densitas penjualan pada setiap level penjualan. Ini sangat
berguna untuk memahami kinerja toko dan menentukan strategi penjualan di masa
mendatang.

2.7.8. Box Plot untuk Analisis Multivariat

Box Plot tidak hanya terbatas pada analisis univariat atau bivariat. Kamu juga bisa
memanfaatkan Box Plot dalam analisis multivariat untuk membandingkan distribusi data
numerik terhadap lebih dari satu variabel kategorikal.

Misalnya, anggap kamu memiliki data penjualan dari beberapa toko di berbagai kota.
Dengan Box Plot, kamu dapat membandingkan distribusi penjualan berdasarkan toko dan
kota dalam satu visualisasi.

Mari kita ciptakan contoh dengan data sintetis untuk memvisualisasikan hal ini.
# Membuat data sintetis untuk penjualan di beberapa toko di beberapa
kota
np.random.seed(42)
kota = ['Jakarta', 'Bandung', 'Surabaya']
toko = ['A', 'B', 'C']

data = []
for k in kota:
for t in toko:
jumlah_penjualan = np.random.randint(50, 150, 30)
for j in jumlah_penjualan:
data.append([k, t, j])

df_multivariat = pd.DataFrame(data, columns=['Kota', 'Toko',

'Penjualan'])

# Menggambar Box Plot untuk analisis multivariat

plt.figure(figsize=(14, 8))
sns.boxplot(x='Kota', y='Penjualan', hue='Toko', data=df_multivariat,
palette='pastel', width=0.6)

plt.title('Distribusi Penjualan Berdasarkan Toko dan Kota')

plt.xlabel('Kota')
plt.ylabel('Penjualan')
plt.grid(True, axis='y', linestyle='--', linewidth=0.7, alpha=0.7)
 plt.legend(title='Toko', loc='upper right')
plt.show()

Output:

Dalam visualisasi di atas, Box Plot memberi kita kemampuan untuk memahami distribusi
penjualan berdasarkan dua dimensi: toko dan kota. Sehingga, kita dapat menarik beberapa
kesimpulan:
● Jakarta: Di kota ini, Toko C memiliki median penjualan yang paling tinggi, diikuti
oleh Toko B dan Toko A.
● Bandung: Semua toko memiliki median penjualan yang hampir serupa, tetapi Toko
C memiliki variasi penjualan yang lebih luas dibandingkan dengan toko lainnya.
● Surabaya: Toko A tampaknya mendominasi dengan median penjualan tertinggi,
sementara Toko B dan Toko C memiliki median yang lebih rendah.
Analisis multivariat dengan Box Plot ini memberikan gambaran mendalam tentang
bagaimana distribusi penjualan di setiap toko bervariasi di berbagai kota. Informasi ini bisa
menjadi sangat berharga bagi pemilik bisnis untuk menilai kinerja masing-masing toko di
berbagai lokasi dan merencanakan strategi pemasaran yang lebih efektif.
2.9. Contour Plot
Apakah kamu pernah melihat peta yang menampilkan garis-garis berkelok-kelok yang
tampak seperti jalur di peta topografi? Itulah contoh dari contour plot. Sebuah contour plot
atau plot kontur adalah representasi grafis dari tiga variabel kontinu di dua dimensi. Dua
dari variabel tersebut diwakili oleh sumbu X dan Y, sedangkan yang ketiga diwakili oleh
kontur garis atau warna di plot.

Apa Itu Contour Plot?

Contour plot adalah cara visualisasi 3D data dalam 2 dimensi. Ini bekerja dengan
menempatkan kontur di sekitar data kamu di mana setiap kontur mewakili area di mana
variabel ke-3 memiliki nilai tertentu. Contoh paling umum dari ini adalah peta topografi, di
mana setiap kontur mewakili ketinggian tertentu.

Namun, dalam analisis data, contour plot sering digunakan untuk mengeksplorasi
hubungan antara tiga variabel kontinu. Sebagai contoh, jika kamu ingin memahami
hubungan antara suhu, kelembaban, dan jumlah produk yang terjual, contour plot adalah
alat yang sempurna.

2.9.1. Basic Contour Plot

Mari kita mulai dengan contoh sederhana untuk memahami cara kerja contour plot. Kita
akan menggunakan data sintetis yang mewakili dua variabel independen, X dan Y, dan satu
variabel dependen, Z.
# Membuat data sintetis
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))

# Menggambar Contour Plot

plt.figure(figsize=(8, 6))
contour = plt.contour(X, Y, Z, 20, cmap='RdGy')
plt.colorbar(contour)
plt.title('Contour Plot Dasar')
plt.xlabel('X')
plt.ylabel('Y')
 plt.grid(True, linestyle='--', linewidth=0.7, alpha=0.7)
plt.show()

Output:

Pada plot kontur di atas, garis-garis kontur menunjukkan area di mana fungsi
Z memiliki nilai tertentu. Warna yang lebih gelap menunjukkan area dengan nilai
Z yang lebih rendah, sedangkan area yang lebih terang menunjukkan nilai
Z yang lebih tinggi. Dengan kata lain, kamu bisa membayangkan plot kontur ini seperti peta
topografi, di mana garis kontur mewakili ketinggian.

2.9.2. Memahami Interval Kontur

Salah satu aspek penting dari plot kontur adalah interval antara garis kontur. Dalam plot di
atas, kita menggunakan 20 interval, tetapi tergantung pada data dan apa yang ingin kamu
capai, kamu mungkin ingin mengatur interval ini.

Sebagai contoh, jika kamu memiliki data dengan variasi yang sangat halus, mungkin kamu
ingin lebih banyak garis kontur untuk menyoroti perbedaan tersebut. Sebaliknya, jika kamu
hanya tertarik pada tren umum, beberapa garis kontur mungkin sudah cukup.
Mari kita lihat efek dari mengubah jumlah interval kontur pada visualisasi kita.
# Menggambar Contour Plot dengan interval yang berbeda
plt.figure(figsize=(12, 5))

# Dengan 5 interval
plt.subplot(1, 2, 1)
contour5 = plt.contour(X, Y, Z, 5, cmap='RdGy')
plt.colorbar(contour5)
plt.title('Contour Plot dengan 5 Interval')
plt.xlabel('X')
plt.ylabel('Y')
plt.grid(True, linestyle='--', linewidth=0.7, alpha=0.7)

# Dengan 50 interval
plt.subplot(1, 2, 2)
contour50 = plt.contour(X, Y, Z, 50, cmap='RdGy')
plt.colorbar(contour50)
plt.title('Contour Plot dengan 50 Interval')
plt.xlabel('X')
plt.ylabel('Y')
plt.grid(True, linestyle='--', linewidth=0.7, alpha=0.7)

plt.tight_layout()
plt.show()

Output:

Dari kedua visualisasi di atas, kita dapat melihat perbedaan yang signifikan ketika
mengubah jumlah interval kontur:
Dengan hanya 5 interval, plot kontur memberikan gambaran umum tentang distribusi data.
Ini mungkin berguna jika kamu hanya ingin melihat pola umum dalam data.
Dengan 50 interval, plot kontur memberikan detail yang jauh lebih banyak,
mengungkapkan nuansa halus dalam distribusi data. Meskipun ini memberikan informasi
lebih banyak, mungkin juga terasa sedikit berlebihan tergantung pada konteks analisis
kamu.

2.9.3. Contourf: Filled Contour Plot

Selain garis kontur biasa, Matplotlib juga menyediakan contourf yang memungkinkan kita
untuk membuat "filled contour plot". Ini memungkinkan kita untuk menampilkan data
dengan cara yang lebih visual dengan mengisi area antara garis kontur dengan warna.

Mari kita lihat contoh dari filled contour plot.

# Menggambar Filled Contour Plot
plt.figure(figsize=(8, 6))
filled_contour = plt.contourf(X, Y, Z, 20, cmap='RdGy')
plt.colorbar(filled_contour)
plt.title('Filled Contour Plot')
plt.xlabel('X')
plt.ylabel('Y')
plt.grid(True, linestyle='--', linewidth=0.7, alpha=0.7)
plt.show()

Output:

Dalam "Filled Contour Plot" ini, selain garis kontur, kita juga melihat area antara garis-garis
tersebut yang diisi dengan warna. Warna yang berbeda mewakili rentang nilai yang berbeda
dari variabel Z. Ini memberikan gambaran yang lebih intuitif tentang bagaimana variabel Z
berubah seiring dengan X dan Y.

Dengan menggunakan plot semacam ini:

● Kamu dapat dengan cepat mengidentifikasi area di mana fungsi Z memiliki nilai
tertinggi atau terendah.
 ● Kamu juga mendapatkan gambaran visual yang jelas tentang bagaimana Z berubah
di seluruh domain.

2.9.4. Kombinasi Contour dan Filled Contour Plot

Ada kalanya menggabungkan kedua jenis plot kontur ini bisa sangat bermanfaat. Dengan
menggabungkan filled contour plot dan garis kontur, kita mendapatkan kejelasan dari garis
kontur dan visualisasi intuitif dari filled contour plot.

Mari kita coba menggabungkan keduanya.

# Menggambar kombinasi dari Filled Contour Plot dan Contour Plot

plt.figure(figsize=(8, 6))
filled_contour = plt.contourf(X, Y, Z, 20, cmap='RdGy', alpha=0.7)
contour = plt.contour(X, Y, Z, 20, colors='black')
plt.colorbar(filled_contour)
plt.title('Kombinasi Filled Contour dan Contour Plot')
plt.xlabel('X')
plt.ylabel('Y')
plt.grid(True, linestyle='--', linewidth=0.7, alpha=0.7)
plt.show()

Output:

Dalam visualisasi di atas, kita memiliki filled contour plot sebagai latar belakang dengan
garis kontur yang ditambahkan di atasnya. Garis kontur hitam memberikan kontras yang
jelas dengan warna-warna dari filled contour plot, memungkinkan kita untuk dengan
mudah melihat dan menginterpretasi tingkat kontur tertentu. Menggabungkan kedua
jenis plot kontur ini memberikan kita visualisasi yang penuh informasi namun tetap
mudah dibaca.
2.10. Hexbin Plot
Seiring dengan bertambahnya volume data yang kita miliki, visualisasi data menjadi lebih
menantang. Pada situasi di mana kita memiliki banyak titik data yang tumpang tindih,
scatter plot mungkin tidak lagi informatif. Di sinilah Hexbin Plot datang untuk
menyelamatkan.

Apa Itu Hexbin Plot?

Hexbin plot, atau histogram binning heksagonal, adalah metode untuk memvisualisasikan
distribusi 2D dari banyak titik data. Alih-alih menunjukkan setiap titik sebagai titik individu,
seperti yang dilakukan scatter plot, hexbin plot mengelompokkan titik-titik ke dalam sel
heksagonal dan kemudian memberi warna setiap sel berdasarkan jumlah titik dalam sel
tersebut. Dengan kata lain, sel heksagonal berfungsi seperti 'keranjang' yang
mengumpulkan titik-titik data.

Mengapa Hexagonal?
Mungkin kamu bertanya-tanya, mengapa kita menggunakan bentuk heksagonal? Alasannya
adalah heksagon adalah bentuk yang paling efisien untuk menutupi area 2D tanpa celah dan
tanpa tumpang tindih.

Kapan Menggunakan Hexbin Plot?

Hexbin plot paling berguna ketika:
● Kamu memiliki banyak titik data.
● Distribusi data sulit dikenali dengan scatter plot karena banyaknya tumpang tindih.
● Kamu ingin memahami distribusi keseluruhan data, bukan titik data individu.

2.10.1 Basic Hexbin Plot

Untuk memulai, kita akan membuat data sintetis menggunakan pandas. Data ini akan
mewakili koordinat X dan Y dari beberapa titik. Kita akan menggunakan matplotlib untuk
membuat hexbin plot dari data ini.
# Membuat data sintetis untuk Hexbin Plot
np.random.seed(42)
x = np.random.randn(5000)
y = np.random.randn(5000) + 5 * x

df_hexbin = pd.DataFrame({
'X': x,
'Y': y
})

# Menggambar Hexbin Plot

plt.figure(figsize=(8, 6))
plt.hexbin(df_hexbin['X'], df_hexbin['Y'], gridsize=30, cmap='Blues')
plt.colorbar(label='Jumlah Titik per Sel')
plt.title('Hexbin Plot dari Data Sintetis')
plt.xlabel('X')
plt.ylabel('Y')
plt.grid(True, linestyle='--', linewidth=0.7, alpha=0.7)
plt.show()

Output:
Dalam visualisasi di atas, setiap sel heksagonal mewakili area di mana titik -titik data
dikelompokkan. Warna yang lebih gelap menunjukkan bahwa ada lebih banyak titik di sel
heksagonal tersebut, sedangkan warna yang lebih terang menunjukkan sebaliknya.

Dari Hexbin Plot ini, kita dapat dengan jelas melihat hubungan positif antara variabel X dan
Y yang kita ciptakan. Selain itu, kita juga dapat melihat daerah mana yang memiliki
konsentrasi titik data yang lebih tinggi.

2.10.2. Kustomisasi Hexbin Plot

Seperti plot lainnya, ada berbagai cara untuk menyesuaikan Hexbin Plot agar sesuai dengan
kebutuhan kita. Beberapa opsi kustomisasi yang mungkin kamu minati meliputi:
● Mengganti Palet Warna: Seperti yang kita bahas di subbab sebelumnya, palet warna
adalah komponen penting dari visualisasi. Dengan Hexbin Plot, kamu dapat dengan
mudah mengganti palet dengan parameter cmap.
● Mengatur Ukuran Sel: Kamu dapat mengatur ukuran sel dengan parameter gridsize.
Nilai yang lebih tinggi akan menghasilkan sel yang lebih kecil, memungkinkan
visualisasi yang lebih rinci tetapi mungkin lebih sulit dibaca.
Mari kita coba kustomisasi ini!
# Menggambar Hexbin Plot dengan kustomisasi berbeda
plt.figure(figsize=(15, 6))

# Plot dengan palet warna 'inferno'

plt.subplot(1, 2, 1)
plt.hexbin(df_hexbin['X'], df_hexbin['Y'], gridsize=30, cmap='inferno')
plt.colorbar(label='Jumlah Titik per Sel')
plt.title('Hexbin Plot dengan Palet "inferno"')
plt.xlabel('X')
plt.ylabel('Y')
plt.grid(True, linestyle='--', linewidth=0.7, alpha=0.7)

# Plot dengan gridsize yang lebih besar (sel yang lebih kecil)
plt.subplot(1, 2, 2)
plt.hexbin(df_hexbin['X'], df_hexbin['Y'], gridsize=50, cmap='Blues')
plt.colorbar(label='Jumlah Titik per Sel')
plt.title('Hexbin Plot dengan Gridsize 50')
plt.xlabel('X')
plt.ylabel('Y')
plt.grid(True, linestyle='--', linewidth=0.7, alpha=0.7)

plt.tight_layout()
plt.show()

Output:
Pada dua visualisasi di atas, kita dapat melihat bagaimana perubahan sederhana dapat
memberikan nuansa yang berbeda pada Hexbin Plot:
● Palet "inferno" memberikan nuansa yang lebih "panas" pada plot, yang mungkin
cocok untuk menampilkan intensitas atau urgensi.
● Gridsize 50 menghasilkan sel yang lebih kecil, yang memungkinkan kita untuk
melihat detail yang lebih rinci dari distribusi titik data.

2.10.3. Menggunakan Hexbin Plot dengan Data Real-World

Kemampuan Hexbin Plot untuk menangani tumpang tindih titik data membuatnya sangat
berguna dalam situasi dunia nyata. Misalnya, dalam analisis geospasial, di mana kita
mungkin memiliki banyak titik data yang merepresentasikan lokasi fisik (seperti lokasi toko
atau rumah), Hexbin Plot dapat membantu kita memahami daerah mana yang memiliki
konsentrasi titik data yang lebih tinggi.

Namun, sebelum melanjutkan, penting untuk diingat bahwa seperti semua visualisasi data,
Hexbin Plot memberikan gambaran kasar dari data. Meskipun sangat berguna untuk
mendapatkan gambaran umum, selalu penting untuk mengeksplorasi data lebih lanjut
untuk memahami nuansa dan detail yang mungkin hilang dalam visualisasi semacam ini.

Mari kita jelajahi lebih lanjut mengenai Hexbin Plot dengan skenario yang lebih kompleks.
Sebagai contoh, bayangkan kamu memiliki dataset yang merepresentasikan penjualan
produk di berbagai lokasi di suatu kota. Dataset ini memiliki koordinat geografis (lintang
dan bujur) serta jumlah penjualan di setiap lokasi. Dengan Hexbin Plot, kita dapat
memvisualisasikan di mana konsentrasi penjualan tertinggi berada.

2.10.4 Membuat Hexbin Plot Berdasarkan Data Penjualan

Mari kita ciptakan data sintetis yang merepresentasikan penjualan produk di berbagai
lokasi di suatu kota. Kami akan membuat data yang memiliki koordinat geografis (lintang
dan bujur) serta jumlah penjualan di setiap lokasi.
Kota ini memiliki pusat perbelanjaan besar di tengah-tengah, sehingga kita akan
memodelkan data sedemikian rupa sehingga ada konsentrasi penjualan yang lebih tinggi di
dekat pusat kota dan penjualan yang lebih rendah di pinggiran kota.
# Membuat data sintetis berdasarkan skenario di atas
np.random.seed(42)
n_points = 10000

# Koordinat pusat kota

center_lat, center_lon = 0, 0

# Membuat koordinat lintang dan bujur dengan distribusi normal

lats = np.random.normal(center_lat, 1, n_points)
lons = np.random.normal(center_lon, 1, n_points)

# Membuat penjualan berdasarkan jarak dari pusat kota

distances_from_center = np.sqrt(lats**2 + lons**2)
sales = 100 - (distances_from_center * 20) + np.random.normal(0, 10,
n_points)
sales[sales < 0] = 0

df_sales = pd.DataFrame({
'Latitude': lats,
'Longitude': lons,
'Sales': sales
})

# Menggambar Hexbin Plot berdasarkan jumlah penjualan

plt.figure(figsize=(10, 8))
hb = plt.hexbin(df_sales['Longitude'], df_sales['Latitude'],
C=df_sales['Sales'], gridsize=30, cmap='YlGnBu',
reduce_C_function=np.sum)
plt.colorbar(hb, label='Total Penjualan per Sel')
plt.title('Distribusi Penjualan di Kota berdasarkan Lokasi')
plt.xlabel('Longitude')
plt.ylabel('Latitude')
plt.grid(True, linestyle='--', linewidth=0.7, alpha=0.7)
plt.show()

Output:
Dalam visualisasi di atas, kita dapat melihat bagaimana penjualan produk terdistribusi di
seluruh kota. Seperti yang kita harapkan berdasarkan data sintetis yang kita ciptakan:
● Ada konsentrasi penjualan yang lebih tinggi (warna yang lebih gelap) di dekat pusat
kota, yang ditandai dengan koordinat (0,0).
● Penjualan menurun saat kita bergerak menjauh dari pusat kota, dengan area
pinggiran kota memiliki penjualan yang lebih rendah (warna yang lebih terang).
Dengan Hexbin Plot, kita dapat dengan cepat mendapatkan gambaran tentang daerah mana
yang memiliki penjualan tertinggi dan mana yang mungkin memerlukan perhatian lebih
untuk meningkatkan penjualan.

Menginterpretasi Hexbin Plot

Dalam bisnis, visualisasi seperti Hexbin Plot dapat memberikan wawasan berharga. Dalam
contoh kita:
● Strategi Pemasaran: Daerah dengan penjualan tinggi mungkin sudah dikenal dengan
produk kita. Namun, daerah dengan penjualan rendah bisa menjadi target untuk
kampanye pemasaran yang lebih intensif.
 ● Distribusi Produk: Jika kita memiliki rantai pasokan atau jaringan distribusi,
memahami daerah dengan permintaan tinggi dapat membantu mengoptimalkan
distribusi produk.
● Ekspansi: Jika kita berencana untuk membuka toko atau outlet baru, memahami
daerah dengan penjualan yang rendah namun potensial tinggi dapat menjadi kunci.

2.11. Quiver Plot

Di dunia visualisasi data, terkadang kita dihadapkan pada kebutuhan untuk
menggambarkan vektor dalam ruang dua dimensi. Salah satu metode yang paling efektif
untuk melakukan ini adalah dengan menggunakan Quiver Plot.

Apa itu Quiver Plot?

Quiver Plot, yang sering disebut juga sebagai field plot, adalah jenis visualisasi yang
menggambarkan vektor sebagai panah dengan arah dan panjang tertentu. Plot semacam ini
biasanya digunakan untuk memvisualisasikan aliran fluida, medan magnet, medan
gravitasi, atau medan lain yang dapat didefinisikan oleh vektor.

Mengapa Menggunakan Quiver Plot?

Quiver Plot memungkinkan kita untuk:
● Memvisualisasikan Arah: Setiap panah menunjukkan arah vektor.
● Memahami Magnitudo: Panjang panah menunjukkan magnitudo atau kekuatan
vektor.
● Dalam bidang ilmu seperti fisika dan teknik, memahami arah dan kekuatan dari
vektor adalah kunci untuk memahami fenomena yang sedang dipelajari.

2.11.1. Basic Quiver Plot

Mari kita mulai dengan membuat Quiver Plot sederhana. Misalnya, kita ingin
memvisualisasikan medan angin di suatu daerah. Untuk tujuan ini, kita akan membuat data
sintetis yang merepresentasikan komponen X dan Y dari vektor angin di berbagai titik di
daerah tersebut.
# Membuat data sintetis untuk Quiver Plot
x = np.linspace(-10, 10, 20)
y = np.linspace(-10, 10, 20)
X, Y = np.meshgrid(x, y)

# Membuat komponen U dan V dari vektor angin

U = np.sin(X)*np.cos(Y)
V = -np.cos(X)*np.sin(Y)

# Menggambar Quiver Plot

plt.figure(figsize=(10, 8))
 plt.quiver(X, Y, U, V, scale=20, color='blue')
plt.title('Visualisasi Medan Angin')
plt.xlabel('Koordinat X')
plt.ylabel('Koordinat Y')
plt.axhline(0, color='black',linewidth=0.5)
plt.axvline(0, color='black',linewidth=0.5)
plt.grid(True, which='both', linestyle='--', linewidth=0.5)
plt.show()

Output:

Dalam visualisasi di atas, setiap panah mewakili vektor angin di titik tertentu. Arah panah
menunjukkan arah angin, sedangkan panjang panah memberikan informasi tentang
kecepatan angin. Dari plot ini, kamu dapat melihat bagaimana arah dan kecepatan angin
berbeda di berbagai lokasi di daerah tersebut.

2.12. Stem Plot

Stem plot atau kadang disebut juga sebagai lollipop plot adalah jenis plot yang digunakan
untuk memvisualisasikan data yang biasanya ditemui dalam bentuk diskrit atau berbentuk
seri waktu. Stem plot ini dapat memberikan informasi yang jelas tentang distribusi data.
Mengapa Stem Plot?

Stem plot sering digunakan dalam analisis statistik dan penelitian ilmiah untuk:
● Menampilkan Distribusi Data: Stem plot dapat memberikan gambaran yang jelas
tentang bagaimana data Anda didistribusikan, baik dalam hal frekuensi maupun
kecenderungan sentral.
● Membandingkan Beberapa Set Data: Anda dapat membandingkan beberapa set data
dalam satu stem plot, membuatnya lebih mudah untuk melihat perbedaan dan
kesamaan antara set data tersebut.
● Menunjukkan Variasi dalam Data: Dengan stem plot, Anda dapat melihat seberapa
besar variasi dalam data Anda, dan apakah ada outlier.

Meski memiliki banyak kegunaan, stem plot juga memiliki beberapa kekurangan. Salah
satunya adalah bahwa mereka mungkin tidak sesuai untuk data dengan rentang nilai yang
sangat luas, karena plot tersebut bisa menjadi sangat panjang dan sulit dibaca.

2.12.1. Basic Stem Plot

Untuk memulai, mari kita buat stem plot sederhana menggunakan matplotlib. Misalnya,
kita memiliki data tentang penjualan produk per jam selama 24 jam terakhir di sebuah toko
online. Kita ingin melihat bagaimana penjualan berubah sepanjang hari. Mari kita buat data
sintetis ini dan visualisasikan menggunakan stem plot.
# Membuat data sintetis
hours = np.arange(24)
sales = np.random.randint(50, 100, size=24)

# Membuat stem plot

plt.figure(figsize=(10, 6))
markerline, stemlines, baseline = plt.stem(hours, sales,
use_line_collection=True)

# Menambahkan judul dan label

plt.title('Penjualan Produk per Jam Selama 24 Jam Terakhir')
plt.xlabel('Jam')
plt.ylabel('Penjualan')
plt.show()

Output:
Dalam stem plot di atas, sumbu X merepresentasikan jam dalam sehari, dan sumbu Y
merepresentasikan jumlah penjualan. Setiap titik pada plot menunjukkan jumlah penjualan
pada jam tertentu, dan garis yang menghubungkan titik ke sumbu X (batang "stem")
membantu menunjukkan perbedaan antara titik data.

Stem plot ini memberikan gambaran jelas tentang bagaimana penjualan berubah selama
sehari. Dengan melihat plot, kita dapat melihat bahwa ada fluktuasi dalam penjualan
sepanjang hari.

2.12.2. Mempersonalisasi Stem Plot

Salah satu keuntungan menggunakan matplotlib adalah fleksibilitasnya. Kita dapat
memodifikasi hampir setiap aspek dari plot, termasuk stem plot. Sebagai contoh, kita dapat
mengubah warna dan bentuk dari titik data, serta warna dari garis batang. Mari kita coba
beberapa modifikasi ini pada stem plot kita.
# Membuat stem plot dengan kostumisasi
plt.figure(figsize=(10, 6))
markerline, stemlines, baseline = plt.stem(hours, sales,
use_line_collection=True)

# Mengubah warna dan bentuk marker

plt.setp(markerline, 'marker', 's', 'markersize', 8, 'markeredgecolor',
"orange", 'markerfacecolor', 'red')
 # Mengubah warna dan ketebalan batang
plt.setp(stemlines, 'color', 'green', 'linewidth', 1.5)

# Mengubah warna dan ketebalan baseline

plt.setp(baseline, 'color', 'blue', 'linewidth', 2)

# Menambahkan judul dan label

plt.title('Penjualan Produk per Jam Selama 24 Jam Terakhir')
plt.xlabel('Jam')
plt.ylabel('Penjualan')

plt.show()

Output:

Dalam stem plot yang telah dimodifikasi ini, kita mengubah warna dan bentuk dari titik
data, serta warna dari garis batang. Bentuk titik data telah diubah menjadi persegi ('s' dalam
kode), dan warnanya telah diubah menjadi merah. Batangnya sekarang berwarna hijau, dan
baseline yang mewakili sumbu X sekarang berwarna biru.

Perubahan ini tidak mengubah informasi yang disampaikan oleh plot, tetapi dapat
membuat plot lebih menarik secara visual atau memudahkan pembacaan. Sebagai contoh,
warna yang berbeda untuk titik dan batang bisa membuatnya lebih mudah untuk
membedakan antara titik data dan batang pada plot yang sangat padat.
2.13. Error Bars
Mengukur dan menganalisis data adalah bagian penting dari banyak disiplin ilmu. Namun,
ketika kita mengambil pengukuran, selalu ada beberapa ketidakpastian yang terkait dengan
setiap pengukuran. Oleh karena itu, sangat penting untuk memahami dan menyajikan
ketidakpastian ini dengan benar saat kita berbicara tentang data kita. Salah satu cara untuk
melakukannya adalah dengan menggunakan error bars.

Apa Itu Error Bars?

Error bars adalah garis grafis yang mewakili variasi data dan digunakan pada plot data
untuk menunjukkan ketidakpastian dalam setiap titik. Secara khusus, error bars memberi
kita ide tentang seberapa jauh dari titik data yang diukur ini kita harapkan nilai sebenarnya
berada.

Mengapa Menggunakan Error Bars?

Menggunakan error bars dalam visualisasi data kita memiliki beberapa keuntungan:
● Menyajikan Ketidakpastian: Error bars memberikan gambaran yang jelas tentang
sejauh mana data kita mungkin bervariasi.
● Meningkatkan Kepercayaan: Menyajikan ketidakpastian data kita kepada pembaca
atau pemirsa dapat meningkatkan kepercayaan mereka pada analisis kita.
● Membantu dalam Interpretasi: Error bars dapat membantu dalam interpretasi hasil,
seperti ketika membandingkan dua set data.

2.13.1. Membuat Error Bars dengan Matplotlib

Mari kita lihat bagaimana membuat error bars menggunakan matplotlib. Kita akan mulai
dengan kasus sederhana dimana kita memiliki beberapa pengukuran dan kita ingin
menunjukkan ketidakpastian pada setiap pengukuran tersebut.

Misalnya, bayangkan kamu bekerja di laboratorium dan telah mengambil serangkaian

pengukuran suhu. Setiap pengukuran memiliki kesalahan standar yang terkait dengannya.
Mari kita visualisasikan data ini dengan error bars.
import numpy as np
import matplotlib.pyplot as plt

# Membuat data sintetis

np.random.seed(42)
days = np.array(['Senin', 'Selasa', 'Rabu', 'Kamis', 'Jumat'])
temperatures = np.array([25, 26.5, 24.8, 25.5, 26.2])
errors = np.random.rand(5) # Kesalahan standar untuk setiap pengukuran

# Membuat plot dengan error bars

plt.figure(figsize=(10, 6))
plt.errorbar(days, temperatures, yerr=errors, fmt='o-', capsize=5,
 color='blue', ecolor='red')

# Menambahkan judul dan label

plt.title('Suhu Rata-Rata dan Kesalahan Standar selama Seminggu')
plt.xlabel('Hari')
plt.ylabel('Suhu (°C)')
plt.grid(True, which='both', linestyle='--', linewidth=0.5)

plt.show()

Output:

Kini, kita berhasil memvisualisasikan data suhu dengan error bars yang merepresentasikan
ketidakpastian untuk setiap pengukuran. Dalam plot di atas:
● Titik Biru: Menunjukkan rata-rata suhu yang diukur setiap hari.
● Garis Biru: Menghubungkan titik-titik untuk memberikan gambaran umum tentang
tren suhu selama seminggu.
● Error Bars Merah: Menunjukkan kesalahan standar dari setiap pengukuran,
memberikan gambaran tentang seberapa yakin kita dengan pengukuran tersebut.

Capsize pada ujung error bars (uji kecil di ujung bar merah) menambahkan sentuhan visual
yang menjelaskan batas kesalahan. Ini memberikan gambaran yang lebih baik tentang
seberapa besar variasi yang mungkin ada dari pengukuran rata-rata.
2.13.2. Error Bars untuk Data Dua Dimensi
Dalam contoh sebelumnya, kita melihat bagaimana menambahkan error bars ke sumbu Y.
Namun, dalam beberapa kasus, kita mungkin ingin menambahkan error bars ke kedua
sumbu (X dan Y). Misalnya, jika kita melakukan percobaan di mana kedua variabel memiliki
ketidakpastian, maka akan berguna untuk menunjukkan error bars di kedua sumbu.

Mari kita lihat contoh di mana kita memiliki data titik (X, Y) dan kita memiliki
ketidakpastian pada kedua pengukuran tersebut. Misalkan kita memiliki data tentang posisi
suatu objek dalam dua dimensi, dan kita ingin menampilkan ketidakpastian posisi tersebut.
# Membuat data sintetis
positions = np.array([[1, 2], [2, 3], [3, 1.5], [4, 2.5], [5, 3]])
x_errors = np.random.rand(5) * 0.2 # Kesalahan standar untuk pengukuran
X
y_errors = np.random.rand(5) * 0.3 # Kesalahan standar untuk pengukuran
Y

# Membuat plot dengan error bars di kedua sumbu

plt.figure(figsize=(10, 6))
plt.errorbar(positions[:, 0], positions[:, 1], xerr=x_errors,
yerr=y_errors, fmt='o', color='blue', ecolor='red', capsize=5)

# Menambahkan judul dan label

plt.title('Posisi Objek dan Kesalahan Standarnya')
plt.xlabel('Posisi X')
plt.ylabel('Posisi Y')
plt.grid(True, which='both', linestyle='--', linewidth=0.5)

plt.show()

Output:
Dalam visualisasi di atas, kita dapat melihat posisi objek di ruang dua dimensi (X, Y)
bersama dengan ketidakpastian dari masing-masing pengukuran:\
● Titik Biru: Menunjukkan posisi objek yang diukur.
● Error Bars Merah (Horisontal): Menunjukkan kesalahan standar dari pengukuran
posisi X.
● Error Bars Merah (Vertikal): Menunjukkan kesalahan standar dari pengukuran
posisi Y.

Dengan menambahkan error bars ke kedua sumbu, kita dapat dengan jelas menyampaikan
ketidakpastian dari kedua pengukuran kepada pembaca atau pemirsa.

2.14. Filled Error Bands

Dalam analisis data dan ilmuwan yang berkaitan dengan visualisasi data, seringkali kita
memerlukan cara yang lebih visual untuk menunjukkan ketidakpastian atau variasi dalam
data kita. Salah satu cara yang efektif untuk melakukan ini adalah dengan menggunakan
'filled error bands'. Ini adalah area yang diisi di sekitar kurva dalam plot untuk
menunjukkan variasi atau ketidakpastian dari data yang direpresentasikan oleh kurva
tersebut.

Apa Itu Filled Error Bands?

Filled error bands adalah area berwarna yang mengelilingi garis dalam plot, yang
menunjukkan rentang ketidakpastian atau variasi dari data yang direpresentasikan oleh
garis tersebut. Ini memberikan gambaran yang jelas tentang seberapa yakin kita dengan
estimasi atau pengukuran kita, dan seberapa besar variasi yang mungkin kita harapkan.

Mengapa Menggunakan Filled Error Bands?

Menggunakan filled error bands dalam visualisasi data kita memiliki beberapa keuntungan:
● Visualisasi Ketidakpastian: Filled error bands memberikan cara yang sangat visual
untuk menunjukkan ketidakpastian dalam data kita.
● Meningkatkan Kepercayaan: Menyajikan ketidakpastian data kita kepada pembaca
atau pemirsa dapat meningkatkan kepercayaan mereka pada analisis kita.
● Membantu dalam Interpretasi: Filled error bands dapat membantu dalam
interpretasi hasil, seperti ketika membandingkan dua set data.

2.14.1. Membuat Filled Error Bands dengan Matplotlib

Mari kita lihat bagaimana membuat filled error bands menggunakan matplotlib. Sebagai
contoh pertama, bayangkan kamu sedang menganalisis performa suatu algoritma selama
waktu dan ingin menampilkan rata-rata performa serta ketidakpastiannya.

Misalkan kita memiliki data berikut: waktu (dalam hari) vs. akurasi algoritma (dalam
persen), dengan rentang ketidakpastian untuk setiap pengukuran akurasi.
# Membuat data sintetis
np.random.seed(42)
days = np.linspace(1, 30, 30)
accuracy = 75 + np.sin(days/5)*5 + np.random.randn(30) * 3
error = (np.random.rand(30) + 1) * 2

# Membuat plot dengan filled error bands

plt.figure(figsize=(12, 6))
plt.plot(days, accuracy, label='Akurasi Algoritma', color='blue')
plt.fill_between(days, accuracy - error, accuracy + error, color='blue',
alpha=0.2, label='Ketidakpastian')

# Menambahkan judul, label, dan legenda

plt.title('Performa Algoritma selama Sebulan')
plt.xlabel('Hari')
plt.ylabel('Akurasi (%)')
plt.legend()
plt.grid(True, which='both', linestyle='--', linewidth=0.5)

plt.show()

Output:
Di plot di atas:
● Garis Biru: Mewakili rata-rata akurasi algoritma dari waktu ke waktu.
● Area Biru Muda: Ini adalah 'filled error band' yang mewakili ketidakpastian dalam
pengukuran akurasi. Lebar band ini menunjukkan seberapa besar variasi yang kita
harapkan dari rata-rata akurasi.

Dalam contoh ini, kita dapat melihat bahwa akurasi algoritma berfluktuasi dari waktu ke
waktu, tetapi ada juga beberapa ketidakpastian yang terkait dengan setiap pengukuran
akurasi. Filled error bands memberikan cara yang mudah dimengerti untuk
memvisualisasikan ketidakpastian ini.

Dengan menampilkan ketidakpastian ini, kita memberikan pembaca atau pemirsa

gambaran yang lebih jelas tentang seberapa yakin kita dengan estimasi atau pengukuran
kita. Ini bisa sangat berguna, misalnya, saat membandingkan performa dari beberapa
algoritma berbeda.

2.14.2. Kostumisasi Filled Error Bands

Salah satu kelebihan menggunakan matplotlib adalah fleksibilitas yang ditawarkannya
dalam hal kostumisasi. Kita dapat mengubah warna, gaya, dan transparansi dari filled error
bands untuk menyesuaikannya dengan kebutuhan visualisasi kita.

Mari kita coba beberapa variasi dari filled error bands untuk memahami bagaimana kita
dapat menyesuaikan tampilannya. Sebagai contoh, kita akan mempertimbangkan data
tentang pertumbuhan tanaman selama waktu dengan ketidakpastian yang berkaitan dengan
pengukuran pertumbuhan.
# Membuat data sintetis untuk pertumbuhan tanaman
growth = np.linspace(5, 30, 30) + np.sin(days/5)*3 + np.random.randn(30)
* 2
growth_error = (np.random.rand(30) + 0.5) * 2

# Membuat plot dengan filled error bands yang dikostumisasi

plt.figure(figsize=(12, 6))
plt.plot(days, growth, label='Pertumbuhan Tanaman', color='green')
plt.fill_between(days, growth - growth_error, growth + growth_error,
color='green', alpha=0.1, label='Ketidakpastian', hatch='//')

# Menambahkan judul, label, dan legenda

plt.title('Pertumbuhan Tanaman selama Sebulan')
plt.xlabel('Hari')
plt.ylabel('Pertumbuhan (cm)')
plt.legend()
plt.grid(True, which='both', linestyle='--', linewidth=0.5)

plt.show()

Output:

Dalam visualisasi di atas:

● Garis Hijau: Menunjukkan pertumbuhan rata-rata tanaman dari waktu ke waktu.
● Area Hijau Berpetak: Ini adalah 'filled error band' yang mewakili ketidakpastian
dalam pengukuran pertumbuhan. Pola garis miring ('hatch') menambahkan
sentuhan visual lainnya untuk menunjukkan ketidakpastian.
Kita telah menggunakan pola garis miring di area error band untuk memberikan sentuhan
visual tambahan. Ini dapat berguna jika kita ingin membedakan antara beberapa error
bands atau jika kita ingin memberikan tampilan yang berbeda untuk visualisasi kita.

2.15. Polar Plot

Pernahkah kamu melihat grafik dengan sumbu yang terletak dalam bentuk lingkaran?
Mungkin saat memeriksa arah angin, fase bulan, atau saat memahami prinsip dasar radar.
Grafik tersebut dikenal sebagai polar plot atau plot polar. Dalam plot polar, data
direpresentasikan dalam koordinat polar, bukan koordinat kartesius yang biasanya kita
lihat.

Mengapa Menggunakan Polar Plot?

Polar plot digunakan untuk menyajikan data yang memiliki sifat periodik atau berputar.
Beberapa contoh penggunaannya antara lain:
● Arah Angin: Mewakili kecepatan dan arah angin.
● Radar: Menunjukkan jarak dan arah objek dari pusat radar.
● Fase Bulan: Menunjukkan posisi bulan selama siklusnya.

2.15.1. Basic Polar Plot

Sebelum kita melangkah lebih jauh, mari kita pahami elemen dasar dari plot polar:
● Theta (θ): Ini adalah sudut dari sumbu horizontal positif (biasanya sumbu x
kartesius) ke titik data.
● Radius (r): Ini adalah jarak dari titik data ke titik asal (pusat lingkaran).

Mari kita buat polar plot sederhana untuk memahami konsep ini. Sebagai contoh pertama,
kita akan memvisualisasikan arah dan kecepatan angin selama 24 jam. Misalkan kita
memiliki data kecepatan angin dan arah angin (dalam derajat) untuk setiap jam dari suatu
hari.
# Membuat data sintetis untuk arah dan kecepatan angin
hours = np.linspace(0, 24, 24)
wind_speeds = np.abs(np.sin(hours/6)*25 + np.random.randn(24) * 5)
wind_directions = np.deg2rad(hours * 15) # Mengonversi derajat ke
radian

# Membuat polar plot

plt.figure(figsize=(8, 8))
ax = plt.subplot(1, 1, 1, projection='polar')
ax.plot(wind_directions, wind_speeds, marker='o', linestyle='-')

# Menambahkan judul dan label

ax.set_title('Kecepatan dan Arah Angin selama 24 Jam')
ax.set_theta_zero_location('N') # Menetapkan 0 derajat ke arah Utara
ax.set_theta_direction(-1) # Mengatur arah putaran menjadi searah jarum
jam
ax.set_rlabel_position(45) # Menetapkan posisi label radius

plt.show()

Output:

Penjelasan plot polar di atas:

● Sumbu Lingkaran: Menunjukkan arah angin dalam derajat. 0° menunjuk ke arah
utara dan berputar searah jarum jam.
● Jarak dari Pusat: Menggambarkan kecepatan angin. Semakin jauh dari pusat,
semakin besar kecepatan angin.
● Titik dan Garis: Menunjukkan kecepatan dan arah angin setiap jam selama 24 jam.
Dalam contoh ini, kita dapat melihat bagaimana arah dan kecepatan angin berubah selama
sehari. Polar plot memberikan cara visual yang intuitif untuk memahami data seperti ini.

2.15.2. Kostumisasi Polar Plot

Salah satu kelebihan matplotlib adalah fleksibilitas yang ditawarkannya. Kamu bisa
mengubah warna, gaya, dan aspek lain dari plot polar untuk menyesuaikannya dengan
kebutuhan visualisasi.

Misalnya, bayangkan kamu ingin menampilkan data fase bulan dalam bentuk polar plot.
Untuk tujuan ini, kita akan memvisualisasikan fase bulan selama 30 hari. Fase bulan akan
diwakili oleh jarak dari pusat lingkaran, dengan setiap hari mewakili sudut tertentu. Mari
kita buat visualisasi ini!
# Membuat data sintetis untuk fase bulan
moon_phase = np.abs(np.sin(days/30 * 2 * np.pi)) * 10 + 1
moon_directions = np.deg2rad(days * 12) # Mengonversi derajat ke radian

# Membuat polar plot untuk fase bulan

plt.figure(figsize=(8, 8))
ax = plt.subplot(1, 1, 1, projection='polar')
ax.plot(moon_directions, moon_phase, marker='o', linestyle='-',
color='gray')

# Menambahkan judul dan label

ax.set_title('Fase Bulan selama Sebulan')
ax.set_theta_zero_location('N') # Menetapkan 0 derajat ke arah Utara
ax.set_theta_direction(-1) # Mengatur arah putaran menjadi searah jarum
jam
ax.set_rlabel_position(45) # Menetapkan posisi label radius
ax.set_yticks(np.arange(0, 12, 2))

plt.show()

Output:
Dalam visualisasi di atas:
● Sumbu Lingkaran: Mewakili hari dalam sebulan. Setiap hari mewakili sudut tertentu
dalam lingkaran.
● Jarak dari Pusat: Menggambarkan fase bulan. Saat jarak dari pusat mencapai
puncak, itu menunjukkan bulan purnama, dan saat berada di dekat pusat, itu
menunjukkan bulan baru.
● Titik dan Garis Abu-abu: Menunjukkan fase bulan setiap hari selama sebulan.

Visualisasi ini memberikan gambaran yang menarik tentang bagaimana fase bulan berubah
selama sebulan. Dengan polar plot, kita dapat dengan mudah melihat siklus bulan dari
bulan baru ke bulan purnama dan kembali lagi ke bulan baru.
2.15.3. Polar Plot dengan Variasi Warna
Kita juga bisa menambahkan variasi warna ke plot polar untuk menonjolkan beberapa
aspek data. Sebagai contoh, kita akan memvisualisasikan suhu udara selama sehari dengan
arah angin. Di sini, arah angin akan diwakili oleh sudut, jarak dari pusat akan menunjukkan
kecepatan angin, dan warna akan menunjukkan suhu. Mari kita buat visualisasi ini!
# Membuat data sintetis untuk suhu, kecepatan, dan arah angin
temperatures = 25 + np.sin(hours/12)*5 + np.random.randn(24) * 2

# Membuat polar plot dengan variasi warna

plt.figure(figsize=(10, 10))
ax = plt.subplot(1, 1, 1, projection='polar')
scatter = ax.scatter(wind_directions, wind_speeds, c=temperatures,
cmap='inferno', s=100, edgecolors='black')

# Menambahkan judul, label, dan colorbar

ax.set_title('Kecepatan Angin, Arah, dan Suhu selama 24 Jam')
ax.set_theta_zero_location('N') # Menetapkan 0 derajat ke arah Utara
ax.set_theta_direction(-1) # Mengatur arah putaran menjadi searah jarum
jam
ax.set_rlabel_position(45) # Menetapkan posisi label radius
cbar = plt.colorbar(scatter, orientation='vertical', pad=0.1, aspect=30)
cbar.set_label('Suhu (°C)')

plt.show()

Output:
Dalam visualisasi di atas:
● Sumbu Lingkaran: Mewakili arah angin selama 24 jam.
● Jarak dari Pusat: Menggambarkan kecepatan angin. Semakin jauh dari pusat,
semakin besar kecepatan angin.
● Warna Titik: Menunjukkan suhu udara pada jam tertentu. Skala warna panas
(seperti kuning dan oranye) menunjukkan suhu yang lebih tinggi, sedangkan warna
yang lebih dingin (seperti ungu) menunjukkan suhu yang lebih rendah.

Dengan memasukkan informasi tambahan ke dalam visualisasi kita, kita dapat memberikan
gambaran yang lebih lengkap tentang situasi yang sedang kita analisis. Di sini, kita dapat
melihat bagaimana kecepatan angin, arah angin, dan suhu saling berhubungan selama 24
jam.
2.16. Step Plot
Pernahkah kamu melihat grafik di mana garis data tampak seperti tangga atau serangkaian
langkah daripada garis halus yang biasa kita lihat? Itulah yang disebut sebagai 'Step Plot'
atau 'Staircase Plot'. Plot jenis ini sangat berguna dalam situasi di mana kita ingin
menunjukkan perubahan nilai data pada titik-titik tertentu dan bagaimana data tersebut
tetap konstan di antara titik-titik tersebut.

Mengapa Menggunakan Step Plot?

Step plot biasanya digunakan dalam situasi di mana perubahan data terjadi pada interval
tertentu dan tidak ada perubahan di antara interval tersebut. Beberapa contoh
penggunaannya meliputi:
● Keuangan: Saat menampilkan data harga saham di mana harga berubah hanya pada
saat transaksi terjadi dan tetap konstan di antaranya.
● Kontrol Proses: Untuk memonitor perubahan status mesin atau peralatan.
● Event Logging: Menyajikan log waktu kejadian tertentu.

2.16.1. Basic Step Plot

Mari kita mulai dengan membuat step plot sederhana untuk memahami konsepnya. Sebagai
contoh pertama, kita akan memvisualisasikan harga saham perusahaan fiktif selama 10
hari.
import numpy as np
import matplotlib.pyplot as plt

# Membuat data sintetis untuk harga saham

days = np.arange(1, 11)
stock_prices = [50, 51, 52, 51, 50, 49, 48, 49, 50, 51]

# Membuat step plot

plt.figure(figsize=(10, 6))
plt.step(days, stock_prices, where='mid', color='blue', linestyle='-',
linewidth=2, label='Harga Saham')
plt.fill_between(days, stock_prices, step='mid', alpha=0.2,
color='blue')

# Menambahkan judul, label, dan legenda

plt.title('Harga Saham Perusahaan X Selama 10 Hari')
plt.xlabel('Hari')
plt.ylabel('Harga Saham')
plt.legend()
plt.grid(True, which='both', linestyle='--', linewidth=0.5)

plt.show()
Output:

Dalam visualisasi di atas, kita dapat melihat bagaimana harga saham berubah setiap hari.
Garis biru yang terlihat seperti tangga adalah inti dari step plot. Area biru muda di bawah
garis memberikan efek visual tambahan yang menunjukkan area di bawah kurva.

Kunci dari step plot adalah parameter where yang menentukan di mana langkah harus
dimulai. Dalam contoh ini, kita menggunakan where='mid', yang berarti langkah dimulai di
tengah antara titik data sebelumnya dan titik data saat ini.

2.16.2. Step Plot dengan Variasi Warna

Mari kita coba variasi lain dari step plot. Misalkan kita memiliki data konsumsi listrik
rumah tangga selama sebulan dan kita ingin menampilkan konsumsi ini dalam bentuk step
plot dengan warna berbeda untuk konsumsi di atas dan di bawah rata-rata. Mari kita lihat
bagaimana kita bisa melakukannya.
# Membuat data sintetis untuk konsumsi listrik
days_in_month = np.arange(1, 31)
power_consumption = np.random.uniform(5, 15, 30)

# Menghitung rata-rata konsumsi

avg_consumption = np.mean(power_consumption)

# Membuat step plot dengan variasi warna berdasarkan rata-rata

plt.figure(figsize=(10, 6))
above_avg = np.ma.masked_where(power_consumption <= avg_consumption,
power_consumption)
below_avg = np.ma.masked_where(power_consumption > avg_consumption,
power_consumption)

plt.step(days_in_month, above_avg, where='mid', color='red',

linestyle='-', linewidth=2, label='Di Atas Rata-Rata')
plt.step(days_in_month, below_avg, where='mid', color='blue',
linestyle='-', linewidth=2, label='Di Bawah Rata-Rata')
plt.axhline(avg_consumption, color='green', linestyle='--', linewidth=1,
label='Rata-Rata')

# Menambahkan judul, label, dan legenda

plt.title('Konsumsi Listrik Rumah Tangga Selama Sebulan')
plt.xlabel('Hari')
plt.ylabel('Konsumsi (kWh)')
plt.legend()
plt.grid(True, which='both', linestyle='--', linewidth=0.5)

plt.show()

Output:
2.17. Spectrogram
Selamat datang di dunia visualisasi yang menakjubkan dari Spectrogram! Pernahkah kamu
berpikir bagaimana kita bisa "melihat" suara? Atau bagaimana kita dapat mengetahui
komponen frekuensi dari sinyal waktu yang kompleks? Jawabannya terletak pada alat
visualisasi yang disebut spectrogram.

Apa itu Spectrogram?

Spectrogram adalah representasi visual dari spektrum frekuensi suatu sinyal seiring
berjalannya waktu. Dalam kata lain, spectrogram memungkinkan kita untuk "melihat"
bagaimana energi dalam sinyal didistribusikan di berbagai frekuensi seiring waktu.

Mengapa Menggunakan Spectrogram?

Spectrogram sangat berguna dalam banyak aplikasi, termasuk:
● Analisis Suara dan Musik: Menentukan nada, harmonik, dan komponen lain dari
suara.
● Pengenalan Suara: Membedakan kata-kata atau suara berdasarkan ciri spektrum
frekuensinya.
● Kedokteran: Diagnostik medis menggunakan suara (seperti detak jantung).
● Telekomunikasi: Mengidentifikasi gangguan sinyal.

Bagaimana Spectrogram Bekerja?

Untuk menghasilkan spectrogram, sinyal waktu kontinu pertama-tama dibagi menjadi
potongan-potongan pendek atau "frame". Kemudian, kita menghitung spektrum frekuensi
untuk setiap frame tersebut. Akhirnya, spektrum dari semua frame disusun bersama untuk
menghasilkan gambar 2D, di mana sumbu x mewakili waktu, sumbu y mewakili frekuensi,
dan warna mewakili kekuatan sinyal pada frekuensi tertentu pada waktu tertentu.

2.17.1. Basic Spectrogram

Untuk demonstrasi awal, mari kita buat sebuah sinyal sintetis yang menggabungkan
beberapa gelombang sinus dengan frekuensi berbeda. Kemudian kita akan visualisasikan
sinyal tersebut menggunakan spectrogram.
import numpy as np
import matplotlib.pyplot as plt

# Membuat sinyal sintetis

Fs = 500 # Frekuensi sampling
T = 1/Fs # Interval sampling
t = np.arange(0,10,T) # Vektor waktu

# Membuat sinyal yang merupakan kombinasi dari beberapa gelombang sinus

dengan frekuensi berbeda
f1, f2, f3 = 5, 50, 100 # Frekuensi
 y1 = np.sin(2*np.pi*f1*t)
y2 = np.sin(2*np.pi*f2*t)
y3 = np.sin(2*np.pi*f3*t)
y = y1 + y2 + y3

# Menampilkan spectrogram
plt.figure(figsize=(12, 8))
Pxx, freqs, bins, im = plt.specgram(y, NFFT=256, Fs=Fs, noverlap=128,
cmap='viridis')
plt.colorbar(label='Intensitas (dB)')
plt.title('Spectrogram dari Sinyal Sintetis')
plt.xlabel('Waktu (detik)')
plt.ylabel('Frekuensi (Hz)')
plt.tight_layout()
plt.show()

Output:

Dalam visualisasi di atas, kamu bisa melihat spectrogram dari sinyal sintetis yang kita buat.
Warna yang lebih terang pada gambar menunjukkan frekuensi yang memiliki amplitudo
yang lebih besar pada waktu tertentu.
● Garis Horizontal Pertama (Paling Bawah): Mewakili gelombang sinus dengan
frekuensi 5 Hz.
● Garis Horizontal Kedua: Mewakili gelombang sinus dengan frekuensi 50 Hz.
 ● Garis Horizontal Ketiga (Paling Atas): Mewakili gelombang sinus dengan frekuensi
100 Hz.

Dari spectrogram ini, kita dapat dengan mudah mengidentifikasi komponen frekuensi dari
sinyal dan bagaimana amplitudo mereka berubah seiring waktu. Itulah kekuatan dari
spectrogram!

2.17.2. Menggunakan Spectrogram dalam Analisis Suara

Salah satu aplikasi paling umum dari spectrogram adalah dalam analisis suara. Dengan
mengamati spectrogram dari klip suara, kita bisa mendapatkan wawasan tentang
karakteristik suara tersebut: nada dasar, harmonik, serta fitur lainnya.

Mari kita coba dengan sinyal suara yang sedikit lebih kompleks. Misalkan kita memiliki
suara yang dimulai dengan frekuensi rendah dan meningkat seiring waktu. Ini bisa
mewakili suara instrumen musik yang dimainkan dengan cara tertentu atau suara binatang.
Mari kita ciptakan sinyal seperti itu dan lihat spectrogramnya.
# Membuat sinyal suara yang frekuensinya meningkat seiring waktu
y_chirp = np.sin(2 * np.pi * (f1 + (f3 - f1) * t / max(t)) * t)

# Menampilkan spectrogram
plt.figure(figsize=(12, 8))
Pxx, freqs, bins, im = plt.specgram(y_chirp, NFFT=256, Fs=Fs,
noverlap=128, cmap='viridis')
plt.colorbar(label='Intensitas (dB)')
plt.title('Spectrogram dari Sinyal Suara Chirp')
plt.xlabel('Waktu (detik)')
plt.ylabel('Frekuensi (Hz)')
plt.tight_layout()
plt.show()

Output:
Pada visualisasi di atas, kita melihat representasi dari suara "chirp". Dalam kasus ini, "chirp"
adalah sinyal yang frekuensinya meningkat (atau kadang-kadang menurun) seiring
berjalannya waktu.

Kamu bisa melihat bagaimana intensitas bergerak dari bawah ke atas, menunjukkan
kenaikan frekuensi sinyal dari waktu ke waktu. Ini adalah karakteristik khas dari sinyal
"chirp". Spectrogram ini memberi kita pemahaman mendalam tentang bagaimana suara
tersebut berubah seiring waktu dalam hal frekuensi.
MODUL 3: Pengaturan dan Personalisasi Plot
3.1. Mengatur Judul dan Label
Dalam dunia visualisasi data, detail-detail kecil sering kali membuat perbedaan besar.
Bayangkan menemukan grafik yang menarik di internet, tetapi tanpa judul atau label
sumbu. Kamu mungkin bertanya-tanya: "Apa yang sedang aku lihat? Apa yang dimaksud
dengan angka-angka ini? Apa tujuan dari grafik ini?" Inilah mengapa judul dan label sangat
penting.

Mengapa Judul dan Label Penting?

● Klarifikasi: Judul dan label memberikan konteks kepada pembaca tentang apa yang
mereka lihat.
● Detail: Label bisa memberikan informasi tentang satuan, skala, atau sumber data.
● Profesionalitas: Grafik yang rapi dengan judul dan label yang sesuai meningkatkan
kredibilitasmu sebagai peneliti atau analis.

3.1.1. Memulai dengan Judul

Judul harus memberikan gambaran umum tentang apa yang disajikan dalam grafik.
Biasanya, judul yang baik adalah singkat, padat, dan informatif.

Mari kita mulai dengan contoh sederhana. Misalkan kamu memiliki data tentang penjualan
buku di sebuah toko selama satu tahun. Dengan Matplotlib, menambahkan judul sangat
mudah. Mari kita buat data sintetisnya terlebih dahulu.
import pandas as pd

# Membuat data sintetis penjualan buku

bulan = ['Jan', 'Feb', 'Mar', 'Apr', 'Mei', 'Jun', 'Jul', 'Agt', 'Sep',
'Okt', 'Nov', 'Des']
penjualan = [120, 150, 170, 175, 180, 190, 200, 210, 230, 240, 250, 270]

df_penjualan = pd.DataFrame({
'Bulan': bulan,
'Penjualan': penjualan
})

# Plotting data
plt.figure(figsize=(10, 6))
plt.plot(df_penjualan['Bulan'], df_penjualan['Penjualan'], marker='o',
color='b', linestyle='-')
plt.title('Penjualan Buku Selama Satu Tahun')
plt.xlabel('Bulan')
plt.ylabel('Jumlah Buku Terjual')
plt.grid(True)
plt.tight_layout()
plt.show()

Output:

Seperti yang kamu lihat, grafik di atas menunjukkan penjualan buku selama satu tahun.
Judul "Penjualan Buku Selama Satu Tahun" memberikan gambaran umum tentang apa yang
ditampilkan oleh grafik. Sementara label pada sumbu x dan y ("Bulan" dan "Jumlah Buku
Terjual") memberikan informasi lebih lanjut tentang data yang disajikan.

3.1.2. Memanfaatkan Label Sumbu

Menggunakan label sumbu yang tepat sangat penting untuk memastikan bahwa audiens
memahami skala dan jenis data yang disajikan. Label sumbu harus jelas dan, jika perlu,
menyertakan satuan pengukuran.

Mari kita pertimbangkan contoh lain. Misalkan kamu ingin menampilkan grafik tentang
pertumbuhan penduduk di sebuah kota selama beberapa tahun terakhir. Di sini, penting
untuk menunjukkan bahwa angka pada sumbu y mewakili "ribuan" penduduk. Mari kita
lihat bagaimana ini bisa dilakukan dengan Matplotlib.
# Membuat data sintetis pertumbuhan penduduk
tahun = list(range(2010, 2022))
 penduduk = [50, 52, 55, 58, 62, 64, 67, 69, 72, 75, 78, 80] # dalam
ribuan

df_penduduk = pd.DataFrame({
'Tahun': tahun,
'Penduduk': penduduk
})

# Plotting data
plt.figure(figsize=(10, 6))
plt.plot(df_penduduk['Tahun'], df_penduduk['Penduduk'], marker='o',
color='g', linestyle='-')
plt.title('Pertumbuhan Penduduk Kota X (2010-2021)')
plt.xlabel('Tahun')
plt.ylabel('Jumlah Penduduk (dalam ribuan)')
plt.grid(True, which='both', linestyle='--', linewidth=0.5)
plt.tight_layout()
plt.show()

Output:

Dari grafik di atas, kita bisa melihat bagaimana penduduk Kota X telah berkembang selama
beberapa tahun terakhir. Dengan menambahkan "dalam ribuan" ke label sumbu y, kita
memberikan informasi yang jelas kepada pembaca bahwa, misalnya, angka 60 pada sumbu
y sebenarnya mewakili 60.000 penduduk.
3.1.3. Mengatur Ukuran dan Gaya Font
Kadang-kadang, kamu mungkin ingin menekankan judul atau membuat label lebih mudah
dibaca dengan mengubah ukuran font atau gayanya. Matplotlib memungkinkan kamu
untuk melakukan hal ini dengan mudah. Sebagai contoh, mari kita buat judul lebih
menonjol dan label sumbu dengan font miring.
# Plotting dengan pengaturan font khusus
plt.figure(figsize=(10, 6))
plt.plot(df_penjualan['Bulan'], df_penjualan['Penjualan'], marker='o',
color='b', linestyle='-')
plt.title('Penjualan Buku Selama Satu Tahun', fontsize=16,
fontweight='bold')
plt.xlabel('Bulan', fontsize=12, style='italic')
plt.ylabel('Jumlah Buku Terjual', fontsize=12, style='italic')
plt.grid(True)
plt.tight_layout()
plt.show()

Output:

Dengan sedikit penyesuaian pada font, grafik kita sekarang memiliki penekanan yang lebih
kuat pada judul, sementara label sumbu dengan font miring memberikan sentuhan estetika
tambahan. Ingatlah bahwa tujuan utamanya adalah untuk membuat grafik lebih mudah
dibaca dan dipahami, jadi pastikan untuk tidak berlebihan dengan kustomisasi.
3.1.4. Menggunakan Font Eksternal
Matplotlib memungkinkan kamu untuk menggunakan font eksternal, yang bisa sangat
berguna jika kamu ingin menyelaraskan visualisasi dengan branding perusahaan atau tema
khusus. Misalnya, mungkin kamu memiliki font khusus yang digunakan dalam semua
materi pemasaran dan kamu ingin grafik kamu sesuai dengan estetika tersebut.

Mari kita lihat bagaimana kamu bisa mengatur font dengan menggunakan rcParams dari
Matplotlib. (Catatan: Di sini kita akan menggunakan font default, karena kita tidak memiliki
akses ke font eksternal di lingkungan ini.)

3.1.5. Posisi Judul

Selain mengubah ukuran dan gaya font judul, kamu juga bisa mengubah posisinya. Secara
default, judul ditempatkan di atas sumbu plot, tetapi mungkin dalam beberapa kasus kamu
ingin menggesernya sedikit atau menempatkannya di tengah.
import matplotlib.pyplot as plt
import pandas as pd

# Membuat data sintetis penjualan buku

bulan = ['Jan', 'Feb', 'Mar', 'Apr', 'Mei', 'Jun', 'Jul', 'Agt', 'Sep',
'Okt', 'Nov', 'Des']
penjualan = [120, 150, 170, 175, 180, 190, 200, 210, 230, 240, 250, 270]

df_penjualan = pd.DataFrame({
'Bulan': bulan,
'Penjualan': penjualan
})

# Plotting dengan pengaturan posisi judul

plt.figure(figsize=(10, 6))
plt.plot(df_penjualan['Bulan'], df_penjualan['Penjualan'], marker='o',
color='b', linestyle='-')
plt.title('Penjualan Buku Selama Satu Tahun', fontsize=16,
fontweight='bold',x=0.27 , y=0.91)
plt.xlabel('Bulan', fontsize=12)
plt.ylabel('Jumlah Buku Terjual', fontsize=12)
plt.grid(True)
plt.tight_layout()
plt.show()

Output:
Seperti yang kamu lihat, dengan sedikit penyesuaian pada parameter y dari fungsi title, kita
berhasil menggeser judul sedikit lebih tinggi dari posisi defaultnya. Hal ini mungkin
berguna jika kamu memiliki elemen lain di bagian atas grafik yang dapat mengganggu
pembacaan judul.

3.1.6. Mengatur Label Sumbu dengan Rotasi

Dalam beberapa situasi, label sumbu x bisa bertumpuk satu sama lain, terutama jika label
tersebut panjang atau ada banyak titik data. Salah satu solusi untuk mengatasi masalah ini
adalah dengan memutar label.

Mari kita coba memutar label sumbu x agar lebih mudah dibaca.
# Plotting dengan label sumbu x yang diputar
plt.figure(figsize=(12, 6))
plt.plot(df_penjualan['Bulan'], df_penjualan['Penjualan'], marker='o',
color='r', linestyle='-')
plt.title('Penjualan Buku Selama Satu Tahun', fontsize=16)
plt.xlabel('Bulan', fontsize=12)
plt.ylabel('Jumlah Buku Terjual', fontsize=12)
plt.xticks(rotation=45) # Memutar label sumbu x sebesar 45 derajat
plt.grid(True, which='both', linestyle='--', linewidth=0.5)
plt.tight_layout()
plt.show()

Output:
3.2. Pengaturan Warna dan Marker
Warna dan marker merupakan dua komponen penting dalam visualisasi data, terutama
dalam grafik garis dan scatter plot. Warna dapat digunakan untuk membedakan antar
kategori, menyoroti tren tertentu, atau menampilkan kepadatan data. Sementara marker
memberikan representasi visual dari setiap titik data, memungkinkan pembaca untuk
melacak nilai tertentu atau menyoroti outlier.

Dalam subbab ini, kita akan mengeksplorasi berbagai cara untuk menyesuaikan warna dan
marker dalam plot Matplotlib. Dari memilih palet warna yang sesuai hingga menggunakan
marker yang berbeda untuk membedakan kategori, kita akan melihat bagaimana
perubahan kecil ini dapat membuat perbedaan besar dalam interpretasi dan estetika grafik.

Memilih Warna Plot

Dalam Matplotlib, kamu bisa dengan mudah mengatur warna plot dengan menggunakan
parameter color. Terdapat berbagai cara untuk menentukan warna, diantaranya:

Nama warna dasar seperti 'red', 'blue', 'green'.

Kode warna HEX, seperti '#FF5733'.
Warna RGB dalam format tuple, seperti (0.5, 0.2, 0.8).
Mari kita coba beberapa metode ini.
# Membuat data sintetis
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

# Plotting dengan warna berbeda

 plt.figure(figsize=(12, 6))

# Menggunakan nama warna

plt.plot(x, y1, label='sin(x)', color='red')

# Menggunakan kode warna HEX

plt.plot(x, y2, label='cos(x)', color='#33FF57')

plt.title('Contoh Warna Plot dengan sin(x) dan cos(x)', fontsize=16)

plt.xlabel('x', fontsize=12)
plt.ylabel('y', fontsize=12)
plt.grid(True, which='both', linestyle='--', linewidth=0.5)
plt.legend()
plt.tight_layout()
plt.show()

Output:

Dalam contoh di atas, garis untuk fungsi sin(x) diwarnai merah, sedangkan garis untuk
fungsi cos(x) memiliki warna hijau yang ditentukan dengan kode HEX. Pemilihan warna
yang kontras memudahkan pembaca untuk membedakan antara dua fungsi tersebut.

3.2.1. Menggunakan Palet Warna

Terutama dalam kasus di mana kamu memiliki banyak kategori atau seri data, mungkin
sulit untuk memilih warna yang berbeda untuk setiap kategori. Di sinilah palet warna
datang untuk menyelamatkan! Matplotlib dan library terkait seperti seaborn menawarkan
palet warna yang telah ditentukan yang bisa kamu gunakan.

Mari kita coba plot beberapa seri data dengan palet warna seaborn.
 import seaborn as sns

# Membuat data sintetis

x = np.linspace(0, 10, 100)
y_values = [np.sin(x), np.sin(x+1), np.sin(x+2), np.sin(x+3)]

# Menggunakan palet warna seaborn

colors = sns.color_palette("husl", len(y_values))

plt.figure(figsize=(12, 6))
for i, y in enumerate(y_values):
plt.plot(x, y, label=f'sin(x+{i})', color=colors[i])

plt.title('Menggunakan Palet Warna Seaborn', fontsize=16)

plt.xlabel('x', fontsize=12)
plt.ylabel('y', fontsize=12)
plt.grid(True, which='both', linestyle='--', linewidth=0.5)
plt.legend()
plt.tight_layout()
plt.show()

Output:

Dengan palet warna, kita dapat dengan mudah memilih warna yang harmonis dan berbeda
untuk setiap seri data. Seaborn menyediakan berbagai palet warna yang dapat kamu
gunakan, seperti "husl", "pastel", "deep", dan banyak lagi. Kamu dapat menyesuaikan palet
ini sesuai kebutuhan visualisasi kamu.
3.2.2. Mengatur Marker
Dalam grafik garis atau scatter plot, marker digunakan untuk menunjukkan posisi titik data.
Matplotlib menawarkan berbagai pilihan marker, seperti lingkaran ('o'), bintang ('*'), persegi
('s'), dan banyak lainnya.

Mari kita coba beberapa jenis marker ini pada grafik.

# Membuat data sintetis
x = np.linspace(0, 10, 10)
y1 = np.sin(x)
y2 = np.cos(x)

# Plotting dengan marker berbeda

plt.figure(figsize=(12, 6))

# Menggunakan marker lingkaran

plt.plot(x, y1, 'o-', label='sin(x)', color='blue')

# Menggunakan marker bintang

plt.plot(x, y2, '*-', label='cos(x)', color='red')

plt.title('Contoh Penggunaan Marker', fontsize=16)

plt.xlabel('x', fontsize=12)
plt.ylabel('y', fontsize=12)
plt.grid(True, which='both', linestyle='--', linewidth=0.5)
plt.legend()
plt.tight_layout()
plt.show()

Output:
Dalam contoh di atas, kita menggunakan marker lingkaran untuk seri data sin(x) dan
marker bintang untuk cos(x). Selain membedakan antara dua seri data, marker juga
membantu pembaca dalam mengidentifikasi posisi titik data yang sebenarnya.

3.2.3. Mengatur Ukuran Marker

Kadang-kadang, kamu mungkin ingin menyesuaikan ukuran marker untuk menyoroti titik
data tertentu atau untuk mencerminkan dimensi lain dari data. Misalnya, dalam scatter
plot, ukuran marker dapat digunakan untuk menunjukkan kepadatan atau jumlah dari
sesuatu.

Mari kita lihat bagaimana kita dapat menyesuaikan ukuran marker dalam plot.
# Membuat data sintetis
x = np.random.rand(10)
y = np.random.rand(10)
sizes = np.random.randint(50, 300, 10) # Menghasilkan ukuran marker
yang berbeda

plt.figure(figsize=(12, 6))
plt.scatter(x, y, s=sizes, color='blue', alpha=0.6, edgecolors='w',
linewidth=0.5)

plt.title('Contoh Penyesuaian Ukuran Marker', fontsize=16)

plt.xlabel('x', fontsize=12)
plt.ylabel('y', fontsize=12)
plt.grid(True, which='both', linestyle='--', linewidth=0.5)
plt.tight_layout()
plt.show()

Output:
Pada contoh di atas, ukuran marker menunjukkan seberapa besar suatu titik dalam dataset
sintetis. Dengan menyesuaikan ukuran marker, kamu bisa menambahkan dimensi
tambahan ke visualisasi data kamu, membuatnya lebih informatif dan menarik.

Sebagai catatan, saat memodifikasi ukuran marker, pastikan untuk menjaga keseimbangan
antara estetika dan keterbacaan. Marker yang terlalu besar dapat menutupi data lainnya,
sementara marker yang terlalu kecil mungkin sulit dilihat.

3.2.4. Mengatur Opasitas dengan Parameter Alpha

Selain warna dan marker, opasitas (atau transparansi) adalah salah satu elemen yang bisa
kamu modifikasi untuk meningkatkan estetika atau keterbacaan plot. Mengatur opasitas
terutama berguna saat plot memiliki banyak titik data yang tumpang tindih, sehingga kamu
bisa melihat distribusi dan kepadatan data dengan lebih jelas.

Dalam Matplotlib, kamu bisa mengatur opasitas dengan parameter alpha. Nilai alpha
berkisar antara 0 (sepenuhnya transparan) hingga 1 (sepenuhnya tidak transparan).

Mari kita lihat bagaimana opasitas bekerja dengan plot titik.

# Membuat data sintetis
x = np.random.rand(100)
y = np.random.rand(100)

plt.figure(figsize=(12, 6))
plt.scatter(x, y, color='blue', alpha=0.3) # Mengatur opasitas titik

plt.title('Contoh Mengatur Opasitas dalam Scatter Plot', fontsize=16)

plt.xlabel('x', fontsize=12)
plt.ylabel('y', fontsize=12)
 plt.grid(True, which='both', linestyle='--', linewidth=0.5)
plt.tight_layout()
plt.show()

Output:

Dengan mengatur opasitas titik dalam scatter plot, kamu dapat dengan mudah melihat area
mana yang memiliki kepadatan titik yang lebih tinggi. Area dengan tumpang tindih titik
yang lebih banyak akan tampak lebih gelap.

3.2.5. Menggunakan Gradients untuk Menyoroti Intensitas

Dalam beberapa kasus, kamu mungkin ingin menggunakan gradasi warna untuk menyoroti
intensitas atau kepadatan data. Ini bisa dilakukan dengan mengkombinasikan warna dan
opasitas.

Misalnya, jika kamu memiliki data yang menunjukkan frekuensi tertentu pada koordinat
tertentu, kamu bisa menggunakan gradasi warna untuk menunjukkan frekuensi tersebut.
Semakin gelap warnanya, semakin tinggi frekuensinya.
# Membuat data sintetis
x = np.random.rand(100)
y = np.random.rand(100)
colors = x * y # Semakin besar produk x dan y, semakin gelap warnanya

plt.figure(figsize=(12, 6))
scatter = plt.scatter(x, y, c=colors, cmap='Blues', edgecolors='w',
linewidth=0.5)

# Menambahkan colorbar untuk indikasi intensitas

cbar = plt.colorbar(scatter)
cbar.set_label('Intensitas', fontsize=12)

plt.title('Contoh Menggunakan Gradients untuk Menyoroti Intensitas',

fontsize=16)
plt.xlabel('x', fontsize=12)
plt.ylabel('y', fontsize=12)
plt.grid(True, which='both', linestyle='--', linewidth=0.5)
plt.tight_layout()
plt.show()

Output:

Dalam contoh di atas, kita menggunakan gradasi warna biru untuk menyoroti intensitas
data. Semakin tinggi produk dari koordinat x dan y, semakin gelap warna titiknya. Ini
memberi kamu wawasan tambahan tentang distribusi dan intensitas data tanpa perlu
menambahkan informasi tambahan.

3.2.6. Mengkombinasikan Warna, Opasitas, dan Marker

Ketika kamu memahami dasar-dasar warna, opasitas, dan marker, kamu bisa mulai
mengkombinasikan ketiganya untuk menciptakan visualisasi yang sangat informatif dan
menarik. Cobalah bereksperimen dengan kombinasi berbeda untuk menemukan tampilan
yang paling sesuai dengan kebutuhanmu.

Mari kita lihat contoh di mana kita mengkombinasikan warna, opasitas, dan jenis marker
yang berbeda.
# Membuat data sintetis
x = np.linspace(0, 10, 30)
y1 = np.sin(x)
y2 = np.cos(x)

plt.figure(figsize=(12, 6))

# Menggunakan marker segitiga dengan warna hijau dan opasitas 0.6

plt.plot(x, y1, '^', color='green', alpha=0.6, label='sin(x)')

# Menggunakan marker persegi dengan warna merah dan opasitas 0.4

plt.plot(x, y2, 's', color='red', alpha=0.4, label='cos(x)')

plt.title('Mengkombinasikan Warna, Opasitas, dan Marker', fontsize=16)

plt.xlabel('x', fontsize=12)
plt.ylabel('y', fontsize=12)
plt.grid(True, which='both', linestyle='--', linewidth=0.5)
plt.legend()
plt.tight_layout()
plt.show()

Output:

Tampilan visualisasi di atas menunjukkan bagaimana kamu dapat mengkombinasikan

warna, opasitas, dan marker untuk menciptakan plot yang informatif dan menarik secara
visual. Elemen-elemen ini membantu dalam membedakan antara dua seri data dan
memberikan konteks visual tambahan kepada pembaca.

Dengan memahami bagaimana cara mengatur warna, opasitas, dan marker, kamu dapat
mengkustomisasi tampilan grafik sesuai dengan kebutuhanmu. Kombinasi dari semua
elemen-elemen ini memungkinkan kamu untuk menyampaikan informasi dengan jelas dan
efektif, memastikan bahwa visualisasi data kamu tidak hanya menarik, tetapi juga
informatif.

3.2.7. Penggunaan Warna Berdasarkan Variabel

Dalam beberapa kasus, kamu mungkin ingin memberi warna pada setiap titik berdasarkan
variabel tertentu. Hal ini memungkinkan kamu untuk memvisualisasikan lebih dari dua
dimensi dalam satu scatter plot. Misalnya, kamu memiliki data x dan y, namun kamu juga
memiliki kolom z yang ingin kamu visualisasikan. Salah satu cara untuk melakukannya
adalah dengan memberikan warna pada setiap titik berdasarkan nilai z.

Mari kita lihat contoh di mana kita memberikan warna pada titik berdasarkan variabel
ketiga.
# Membuat data sintetis
x = np.random.rand(100)
y = np.random.rand(100)
z = x * y # Variabel ketiga

plt.figure(figsize=(12, 6))
scatter = plt.scatter(x, y, c=z, cmap='viridis', edgecolors='w',
linewidth=0.5)

# Menambahkan colorbar untuk indikasi nilai z

cbar = plt.colorbar(scatter)
cbar.set_label('Nilai z', fontsize=12)

plt.title('Mewarnai Titik Berdasarkan Variabel Ketiga', fontsize=16)

plt.xlabel('x', fontsize=12)
plt.ylabel('y', fontsize=12)
plt.grid(True, which='both', linestyle='--', linewidth=0.5)
plt.tight_layout()
plt.show()

Output:
Dalam plot di atas, kita telah mewarnai setiap titik berdasarkan nilai dari variabel z (yang
dalam kasus ini adalah hasil perkalian dari x dan y). Menggunakan warna dengan cara ini
memberikan dimensi tambahan ke dalam visualisasi kita dan memungkinkan kita untuk
melihat hubungan atau pola tambahan dalam data. Peta warna 'viridis' memberikan rentang
warna dari kuning ke ungu, memberi tahu kita tentang rentang nilai z.

3.2.8. Kombinasi Warna dengan Ukuran

Selain menggunakan warna berdasarkan variabel, kamu juga bisa mengkombinasikannya
dengan ukuran untuk memberikan lebih banyak informasi. Misalnya, warna bisa
menunjukkan satu variabel, sementara ukuran menunjukkan variabel lainnya. Ini
memungkinkan kamu untuk memvisualisasikan hingga empat dimensi dalam satu scatter
plot.

Mari kita coba kombinasi tersebut:

# Membuat data sintetis
w = x + y # Variabel keempat

# Normalisasi ukuran
sizes = (w - w.min()) / (w.max() - w.min()) * 200 # Mengubah rentang
ukuran menjadi 0-200

plt.figure(figsize=(12, 6))
scatter = plt.scatter(x, y, c=z, s=sizes, cmap='viridis',
edgecolors='w', linewidth=0.5, alpha=0.6)

# Menambahkan colorbar untuk indikasi nilai z

cbar = plt.colorbar(scatter)
 cbar.set_label('Nilai z', fontsize=12)

plt.title('Kombinasi Warna dengan Ukuran', fontsize=16)

plt.xlabel('x', fontsize=12)
plt.ylabel('y', fontsize=12)
plt.grid(True, which='both', linestyle='--', linewidth=0.5)
plt.tight_layout()
plt.show()

Output:

Dalam visualisasi di atas, setiap titik diberi warna berdasarkan nilai z dan ukurannya
ditentukan oleh variabel w. Ini memberi kita kemampuan untuk memahami empat variabel
sekaligus: posisi x, posisi y, warna (nilai z), dan ukuran (nilai w). Dengan teknik ini, kamu
dapat memaksimalkan jumlah informasi yang disampaikan dalam satu plot.

3.2.9. Mewarnai Bar Plot

Tidak hanya pada scatter plot, kamu juga bisa memanipulasi warna pada bar plot atau jenis
plot lainnya untuk memberikan informasi tambahan atau menyoroti bagian tertentu dari
data. Misalnya, kamu mungkin ingin menyoroti batang dengan nilai tertinggi dalam bar plot
dengan warna berbeda.

Mari kita lihat contoh sederhananya:

# Membuat data sintetis
categories = ['A', 'B', 'C', 'D', 'E']
values = [23, 17, 35, 29, 12]
 # Menentukan warna berdasarkan nilai
colors = ['blue' if value == max(values) else 'gray' for value in
values]

plt.figure(figsize=(10, 6))
bars = plt.bar(categories, values, color=colors, edgecolor='black')

plt.title('Menyoroti Batang dengan Nilai Tertinggi', fontsize=16)

plt.xlabel('Kategori', fontsize=12)
plt.ylabel('Nilai', fontsize=12)
plt.tight_layout()
plt.show()

Output:

Pada bar plot di atas, kita menyoroti batang dengan nilai tertinggi dengan warna biru,
sementara batang lainnya diwarnai abu-abu. Teknik semacam ini sangat berguna untuk
segera menarik perhatian ke bagian data yang paling penting atau menarik.

Dengan memahami bagaimana mengkustomisasi warna dan marker, kamu dapat membuat
visualisasi yang lebih informatif dan menarik. Tidak hanya itu, kamu juga bisa
menyesuaikan tampilan grafik untuk cocok dengan tema atau branding tertentu. Dengan
begitu, kamu bisa memastikan bahwa grafik kamu tidak hanya informatif, tetapi juga estetis
dan menarik secara visual.
3.2.10. Mengatur Warna Berdasarkan Kondisi Tertentu
Dalam beberapa situasi, kamu mungkin ingin mewarnai data berdasarkan kondisi tertentu,
bukan hanya berdasarkan nilai. Misalnya, anggap kamu memiliki dataset tentang penjualan
produk dan kamu ingin menyoroti produk yang penjualannya di bawah target.

Mari kita coba dengan contoh sederhana:

# Membuat data sintetis
products = ['Produk A', 'Produk B', 'Produk C', 'Produk D', 'Produk E']
sales = [90, 110, 70, 130, 120]
target = 100

# Menentukan warna berdasarkan target penjualan

colors = ['red' if sale < target else 'green' for sale in sales]

plt.figure(figsize=(10, 6))
bars = plt.bar(products, sales, color=colors, edgecolor='black',
alpha=0.7)

# Menambahkan garis target

plt.axhline(y=target, color='gray', linestyle='--', linewidth=0.8)

plt.title('Penjualan Produk dan Target', fontsize=16)

plt.xlabel('Produk', fontsize=12)
plt.ylabel('Penjualan', fontsize=12)
plt.tight_layout()
plt.show()

Output:
Grafik di atas menampilkan penjualan lima produk. Batang yang berwarna merah
menunjukkan produk yang penjualannya di bawah target, sementara yang berwarna hijau
menunjukkan produk yang memenuhi atau melampaui target. Garis putus-putus abu-abu
menandakan target penjualan. Dengan menggunakan warna berdasarkan kondisi seperti
ini, kamu dapat dengan cepat mengidentifikasi area yang memerlukan perhatian atau
tindakan.

3.2.11. Menggunakan Gradient Warna

Gradient warna adalah teknik lain yang bisa kamu gunakan untuk menonjolkan perbedaan
dalam data. Misalnya, kamu ingin menampilkan distribusi skor dalam kisaran tertentu, dan
kamu ingin menyoroti skor yang tinggi dengan warna yang lebih gelap dan skor yang
rendah dengan warna yang lebih terang.

Mari kita coba dengan contoh berikut:

# Membuat data sintetis
students = ['Ali', 'Budi', 'Citra', 'Dewi', 'Eko']
scores = [85, 90, 78, 92, 88]
max_score = max(scores)
min_score = min(scores)

# Menghitung gradient warna berdasarkan skor

colors = [(score - min_score) / (max_score - min_score) for score in
scores]
colors = plt.cm.Blues(colors)
 plt.figure(figsize=(10, 6))
bars = plt.bar(students, scores, color=colors, edgecolor='black')

plt.title('Distribusi Skor dengan Gradient Warna', fontsize=16)

plt.xlabel('Siswa', fontsize=12)
plt.ylabel('Skor', fontsize=12)
plt.tight_layout()
plt.show()

Output:

Grafik di atas menampilkan distribusi skor lima siswa. Warna batang menggambarkan skor
relatif dari setiap siswa; semakin gelap warnanya, semakin tinggi skornya. Teknik gradient
warna ini memungkinkan kamu untuk menyoroti perbedaan dalam data dengan cara yang
lebih halus.

3.2.12. Menggunakan Palet Warna Khusus

Kadang-kadang, kamu mungkin ingin menggunakan palet warna khusus yang sesuai
dengan tema atau branding tertentu. Matplotlib menyediakan banyak palet warna yang bisa
kamu gunakan, dan kamu juga bisa mendefinisikan palet warnamu sendiri.

Mari kita coba dengan contoh berikut:

# Membuat data sintetis
departments = ['Pemasaran', 'Keuangan', 'HR', 'Operasional',
'Penjualan']
profits = [1200, 850, 700, 1100, 980]

# Mendefinisikan palet warna khusus

custom_palette = ['#E63946', '#F1FAEE', '#A8DADC', '#457B9D', '#1D3557']

plt.figure(figsize=(10, 6))
bars = plt.bar(departments, profits, color=custom_palette,
edgecolor='black')

plt.title('Keuntungan Per Departemen dengan Palet Warna Khusus',

fontsize=16)
plt.xlabel('Departemen', fontsize=12)
plt.ylabel('Keuntungan (dalam ribuan)', fontsize=12)
plt.tight_layout()
plt.show()

Output:

Dalam grafik di atas, kita telah menerapkan palet warna khusus untuk menampilkan
keuntungan per departemen. Palet warna yang telah didefinisikan menggabungkan
berbagai warna yang serasi dan memberikan tampilan yang khas pada grafik. Dengan
menggunakan palet warna yang kohesif dan menarik, kamu dapat membuat grafik yang
tidak hanya informatif tetapi juga estetis.
3.2.13. Menggunakan Marker yang Berbeda pada Scatter Plot
Marker dalam scatter plot memainkan peran penting dalam membedakan poin data.
Matplotlib menawarkan berbagai pilihan marker yang dapat digunakan untuk
menyesuaikan tampilan poin dalam scatter plot.

Mari kita lihat beberapa contoh:

# Membuat data sintetis
x = np.random.rand(50)
y = np.random.rand(50)

# Daftar marker yang bisa digunakan

markers = ['o', 's', 'D', '^', 'v', '<', '>', 'p', '*', '+', 'x']

plt.figure(figsize=(15, 8))
for idx, marker in enumerate(markers, 1):
plt.scatter(x * idx, y, marker=marker, label=f"Marker '{marker}'",
alpha=0.7)

plt.title('Berbagai Jenis Marker pada Scatter Plot', fontsize=16)

plt.xlabel('x', fontsize=12)
plt.ylabel('y', fontsize=12)
plt.legend(loc='upper left', bbox_to_anchor=(1, 1))
plt.tight_layout()
plt.show()

Output:
Dalam scatter plot di atas, kita menunjukkan berbagai jenis marker yang dapat digunakan
dalam Matplotlib. Dengan memilih marker yang tepat, kamu dapat menambahkan dimensi
tambahan ke visualisasi atau membuatnya lebih mudah dibaca dan dipahami.

3.2.14. Menggabungkan Warna dan Marker untuk Menampilkan Data

Multidimensi
Ketika kamu memiliki data dengan beberapa dimensi atau variabel, kombinasi warna dan
marker dapat membantu untuk menampilkan informasi tersebut dalam satu visualisasi.
Dengan demikian, kamu bisa mendapatkan wawasan lebih cepat tentang pola atau
hubungan dalam data.

Mari kita lihat contoh sederhananya:

# Membuat data sintetis
np.random.seed(10)
x = np.random.rand(50)
y = np.random.rand(50)
colors = np.random.randint(0, 50, 50)
sizes = 500 * np.random.rand(50)
markers = np.random.choice(['o', 's', '^', 'v'], 50)

plt.figure(figsize=(10, 6))
for marker in set(markers):
mask = markers == marker
plt.scatter(x[mask], y[mask], c=colors[mask], s=sizes[mask],
marker=marker, cmap='viridis', alpha=0.6)

plt.colorbar(label='Intensitas Warna')
plt.title('Menggabungkan Warna dan Marker dalam Scatter Plot',
fontsize=16)
plt.xlabel('x', fontsize=12)
plt.ylabel('y', fontsize=12)
plt.tight_layout()
plt.show()

Output:
Dalam scatter plot di atas, kita telah menggabungkan beberapa aspek visualisasi:
● Posisi (x, y): Menggambarkan dua dimensi data.
● Warna: Intensitas warna poin menggambarkan dimensi ketiga dari data. Dalam
kasus ini, kami menggunakan palet warna viridis, dan colorbar di sisi kanan
mengindikasikan intensitas warna.
● Ukuran: Ukuran dari setiap titik menggambarkan dimensi keempat dari data.
● Bentuk Marker: Menggunakan bentuk marker yang berbeda sebagai dimensi kelima
dari data.
●
Dengan menggabungkan warna, ukuran, dan bentuk marker, kita dapat menampilkan
hingga lima dimensi data dalam satu visualisasi. Namun, penting untuk memastikan bahwa
visualisasi tetap mudah dibaca dan tidak terlalu rumit, yang dapat membingungkan
pembaca.

3.3. Menyimpan Grafik

Dalam proses analisis data dan visualisasi, seringkali kita perlu menyimpan grafik yang
telah dibuat. Alasan menyimpan grafik bisa beragam, mulai dari kebutuhan dokumentasi,
presentasi, publikasi, hingga pembuatan laporan. Oleh karena itu, menguasai cara
menyimpan grafik dalam berbagai format dan kualitas adalah salah satu keterampilan yang
penting.
Kamu pasti penasaran, bagaimana cara menyimpan grafik dengan mudah dan efisien?
Bagaimana cara menyesuaikan resolusi, ukuran, dan formatnya? Mari kita jelajahi bersama
dalam subbab ini.

3.3.1. Menyimpan Grafik dalam Format Gambar

Matplotlib menyediakan fungsi savefig yang memungkinkan kamu untuk menyimpan grafik
dalam berbagai format gambar, seperti PNG, JPEG, SVG, PDF, dan lainnya.

Contoh 1: Menyimpan Grafik dalam Format PNG

Mari kita mulai dengan contoh sederhana: menyimpan grafik batang dalam format PNG.

Kita akan membuat grafik batang yang menampilkan penjualan produk di berbagai kota,
lalu menyimpannya dalam format PNG.
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

# Data sintetis berbentuk pandas dataframe

sales_df = pd.DataFrame({
'Kota': ['Jakarta', 'Bandung', 'Surabaya', 'Medan', 'Bali'],
'Penjualan': [500, 300, 400, 200, 350]
})

# Membuat grafik batang

plt.figure(figsize=(10, 6))
plt.bar(sales_df['Kota'], sales_df['Penjualan'], color='skyblue',
edgecolor='black')
plt.title('Penjualan Produk di Berbagai Kota', fontsize=16)
plt.xlabel('Kota', fontsize=12)
plt.ylabel('Penjualan (dalam unit)', fontsize=12)

# Menyimpan grafik dalam format PNG

png_path = 'sales_plot.png'
plt.savefig(png_path, format='png', dpi=300)
plt.show()

# Path ke file yang telah disimpan

png_path

Output:
Grafik di atas menampilkan penjualan produk di berbagai kota, dan kita telah berhasil
menyimpannya dalam format PNG.

Contoh 2: Menyimpan Grafik dalam Format PDF

Misalnya, kamu ingin menyimpan grafik dalam format PDF untuk keperluan publikasi atau
presentasi. Berikut adalah contohnya:
# Data sintetis lainnya
temperature_df = pd.DataFrame({
'Bulan': ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 'Jul', 'Aug',
'Sep', 'Oct', 'Nov', 'Dec'],
'Suhu': [30, 31, 32, 33, 34, 35, 34, 33, 32, 31, 30, 29]
})

# Membuat grafik garis

plt.figure(figsize=(10, 6))
plt.plot(temperature_df['Bulan'], temperature_df['Suhu'], marker='o',
linestyle='-', color='red')
plt.title('Suhu Rata-Rata per Bulan', fontsize=16)
plt.xlabel('Bulan', fontsize=12)
plt.ylabel('Suhu (°C)', fontsize=12)

# Menyimpan grafik dalam format PDF

pdf_path = 'temperature_plot.pdf'
plt.savefig(pdf_path, format='pdf')
plt.show()

# Path ke file yang telah disimpan

pdf_path

Output:

Grafik garis di atas menampilkan suhu rata-rata per bulan, dan kita telah berhasil
menyimpannya dalam format PDF.

Contoh 3: Mengatur Resolusi dan Ukuran Gambar

Terkadang, kamu mungkin ingin mengatur resolusi dan ukuran gambar saat menyimpan.
Misalnya, kamu ingin menyimpan gambar dengan resolusi tinggi untuk keperluan cetak.
Berikut adalah contohnya:
import seaborn as sns

# Membuat grafik pie

plt.figure(figsize=(8, 8))
plt.pie(values, labels=categories, autopct='%1.1f%%', startangle=140,
colors=sns.color_palette('Pastel1'))
plt.axis('equal') # Equal aspect ratio ensures that pie is drawn as a
circle.
plt.title('Distribusi Kategori', fontsize=16)
# Menyimpan grafik dalam format JPEG dengan resolusi tinggi
jpeg_path = 'pie_chart.jpeg'
plt.savefig(jpeg_path, format='jpeg', dpi=600) # Set resolusi tinggi
plt.show()

# Path ke file yang telah disimpan

jpeg_path

Output:

Grafik pie di atas menampilkan distribusi kategori, dan kita telah berhasil menyimpannya
dalam format JPEG dengan resolusi tinggi.
3.3.2. Menyimpan Grafik dalam Format Interaktif
Selain menyimpan dalam format gambar, kamu juga dapat menyimpan grafik dalam format
interaktif yang memungkinkan pengguna untuk berinteraksi dengan grafik, seperti
memperbesar, memperkecil, atau memutar grafik 3D.

Contoh 4: Menyimpan Grafik 3D dalam Format HTML

Kamu dapat menggunakan pustaka mpld3 untuk menyimpan grafik 3D dalam format
HTML. Berikut adalah contohnya:
!pip install mpld3
import mpld3
from mpl_toolkits.mplot3d import Axes3D

# Data sintetis
X = np.linspace(-5, 5, 100)
Y = np.linspace(-5, 5, 100)
X, Y = np.meshgrid(X, Y)
Z = np.sin(np.sqrt(X**2 + Y**2))

# Membuat grafik 3D
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.plot_surface(X, Y, Z, cmap='viridis')

# Menyimpan dalam format HTML

mpld3.save_html(fig, "3d_plot.html")

Output:
Dengan menyimpan grafik dalam format interaktif, kamu dapat membagikan grafik dengan
orang lain tanpa kehilangan kemampuan interaksi yang ada pada grafik tersebut.

3.3.3. Tips dan Trik Menyimpan Grafik

Ukuran Gambar: Gunakan argumen figsize saat membuat figure untuk mengatur ukuran
gambar.
Resolusi: Gunakan argumen dpi saat menyimpan gambar untuk mengatur resolusi gambar.
Format: Pastikan kamu menentukan format yang sesuai saat menyimpan, misalnya 'png',
'jpeg', 'pdf', dll.

3.4. Anotasi dalam Grafik

Anotasi dalam grafik adalah elemen yang sangat penting dalam visualisasi data. Melalui
anotasi, kita dapat menambahkan teks, panah, atau objek lain untuk memberikan
penjelasan tambahan, menekankan poin tertentu, atau memberikan konteks tambahan
tentang apa yang sedang ditampilkan dalam grafik. Dalam subbab ini, kita akan membahas
berbagai cara untuk menambahkan anotasi dalam grafik menggunakan Matplotlib,
termasuk beberapa contoh kasus yang akan membuat kamu paham betul tentang cara
kerjanya.

3.4.1. Menambahkan Teks dalam Grafik

Menambahkan teks dalam grafik adalah salah satu cara paling sederhana untuk
memberikan anotasi. Berikut adalah beberapa cara yang bisa kamu coba.
Contoh 1: Menambahkan Teks Sederhana
Kita akan mulai dengan contoh sederhana: menambahkan teks dalam grafik garis. Mari kita
lihat bagaimana caranya.

Kita akan menggunakan data suhu rata-rata per bulan, sama seperti yang telah kita gunakan
sebelumnya.

Membuat Grafik
import matplotlib.pyplot as plt

# Data sintetis
months = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 'Jul', 'Aug', 'Sep',
'Oct', 'Nov', 'Dec']
avg_temp = [30, 28, 32, 35, 40, 45, 50, 48, 43, 38, 34, 31]

# Membuat grafik garis

plt.figure(figsize=(10, 5))
plt.plot(months, avg_temp, marker='o', color='b', linestyle='-',
linewidth=2)
plt.title('Suhu Rata-Rata per Bulan')
plt.xlabel('Bulan')
plt.ylabel('Suhu (°C)')

# Menambahkan teks anotasi

plt.text(1, 28, 'Terendah', fontsize=12, color='red')
plt.text(6, 50, 'Tertinggi', fontsize=12, color='green')

plt.show()

Output:
Dalam grafik di atas, kita telah menambahkan teks "Terendah" pada bulan Februari, yang
menandakan suhu terendah, dan "Tertinggi" pada bulan Juli, yang menandakan suhu
tertinggi. Ini adalah contoh sederhana dari bagaimana kita bisa menambahkan teks ke
dalam grafik untuk memberikan informasi tambahan.

Kita menggunakan metode plt.text(x, y, 'text') untuk menambahkan teks ke dalam grafik, di
mana x dan y adalah koordinat posisi teks.

Contoh 2: Menambahkan Anotasi dengan Panah

Selain teks, kamu juga bisa menambahkan panah dalam anotasi untuk menunjuk ke titik
tertentu dalam grafik. Ini bisa sangat berguna jika kamu ingin menekankan titik atau area
tertentu dalam data.

Mari kita lihat contoh berikut untuk memahami cara kerjanya.

Kita akan menggunakan data yang sama dengan contoh sebelumnya.

Membuat Grafik dengan Anotasi Panah

# Membuat grafik garis
plt.figure(figsize=(10, 5))
plt.plot(months, avg_temp, marker='o', color='b', linestyle='-',
linewidth=2)
plt.title('Suhu Rata-Rata per Bulan')
plt.xlabel('Bulan')
plt.ylabel('Suhu (°C)')

# Menambahkan anotasi dengan panah

 plt.annotate('Terendah', xy=(1, 28), xytext=(0, 25),
arrowprops=dict(facecolor='red', shrink=0.05), fontsize=12)
plt.annotate('Tertinggi', xy=(6, 50), xytext=(8, 52),
arrowprops=dict(facecolor='green', shrink=0.05),
fontsize=12)

plt.show()

Output:

Dalam contoh di atas, kita telah menggunakan metode plt.annotate() untuk menambahkan
anotasi dengan panah. Metode ini memungkinkan kita untuk menunjukkan titik atau area
tertentu dalam grafik dengan menggunakan panah.

Sintaks plt.annotate('text', xy=(x, y), xytext=(x_text, y_text),

arrowprops=dict(facecolor='color', shrink=0.05)) digunakan untuk menambahkan anotasi.
Parameter xy menunjukkan koordinat yang ditunjuk oleh panah, sedangkan xytext
menunjukkan posisi teks anotasi. Kamu juga bisa mengatur properti panah seperti warna
dan ukuran dengan parameter arrowprops.

Dengan menambahkan anotasi, grafik menjadi lebih informatif dan mudah dimengerti. Ini
adalah alat yang sangat berguna, terutama jika kamu ingin menekankan aspek tertentu dari
data.
3.4.2. Anotasi Kustom
Terkadang, kamu mungkin ingin menambahkan anotasi yang lebih kompleks atau kustom.
Misalnya, kamu mungkin ingin menambahkan bentuk geometris, seperti lingkaran atau
persegi, atau kamu mungkin ingin menggabungkan beberapa elemen anotasi
bersama-sama.

Contoh 3: Menambahkan Lingkaran pada Titik Tertentu

Dalam contoh ini, kita akan menambahkan lingkaran di sekitar titik tertinggi dan terendah
dalam grafik.

Kita akan menggunakan data yang sama dengan contoh sebelumnya.

Membuat Grafik dengan Lingkaran

from matplotlib.patches import Circle
# Membuat grafik garis
fig, ax = plt.subplots(figsize=(10, 5))
ax.plot(months, avg_temp, marker='o', color='b', linestyle='-',
linewidth=2)
ax.set_title('Suhu Rata-Rata per Bulan')
ax.set_xlabel('Bulan')
ax.set_ylabel('Suhu (°C)')

# Menambahkan lingkaran pada titik tertentu

circle_low = Circle((1, 28), radius=0.5, color='red', fill=False)
circle_high = Circle((6, 50), radius=0.5, color='green', fill=False)
ax.add_patch(circle_low)
ax.add_patch(circle_high)

# Menambahkan teks
ax.text(1, 27, 'Terendah', fontsize=12, color='red')
ax.text(6, 51, 'Tertinggi', fontsize=12, color='green')

plt.show()

Output:
Dalam contoh di atas, kita telah menambahkan dua lingkaran di sekitar titik suhu terendah
dan tertinggi dalam grafik. Kita menggunakan kelas Circle dari Matplotlib untuk membuat
lingkaran dan menambahkannya ke dalam grafik menggunakan metode ax.add_patch().

Metode ini memungkinkan kita untuk menambahkan bentuk geometris kustom ke dalam
grafik, yang dapat menjadi alat yang sangat berguna untuk menekankan atau menyoroti
area tertentu dalam data.

Anotasi seperti ini bisa sangat efektif dalam menyampaikan informasi tambahan tentang
grafik dan memandu pemirsa untuk memahami apa yang ingin kamu sampaikan.

Contoh 4: Anotasi Kombinasi

Terkadang, kamu mungkin ingin mengkombinasikan beberapa elemen anotasi
bersama-sama untuk menciptakan efek yang lebih kompleks. Mari kita lihat contoh dimana
kita mengkombinasikan teks, panah, dan bentuk geometris.

Kita akan menggunakan data yang sama dengan contoh sebelumnya.

Membuat Grafik dengan Anotasi Kombinasi

# Membuat grafik garis
fig, ax = plt.subplots(figsize=(10, 5))
ax.plot(months, avg_temp, marker='o', color='b', linestyle='-',
linewidth=2)
ax.set_title('Suhu Rata-Rata per Bulan')
ax.set_xlabel('Bulan')
ax.set_ylabel('Suhu (°C)')
 # Menambahkan lingkaran
circle_low = Circle((1, 28), radius=0.5, color='red', fill=False)
circle_high = Circle((6, 50), radius=0.5, color='green', fill=False)
ax.add_patch(circle_low)
ax.add_patch(circle_high)

# Menambahkan anotasi dengan panah

ax.annotate('Terendah', xy=(1, 28), xytext=(0, 25),
arrowprops=dict(facecolor='red', shrink=0.05), fontsize=12)
ax.annotate('Tertinggi', xy=(6, 50), xytext=(8, 52),
arrowprops=dict(facecolor='green', shrink=0.05),
fontsize=12)

plt.show()

Output:

Dalam contoh ini, kita telah mengkombinasikan anotasi teks, panah, dan bentuk geometris
(lingkaran) untuk menekankan titik suhu terendah dan tertinggi dalam grafik. Ini adalah
contoh bagaimana kamu dapat menggabungkan berbagai elemen anotasi untuk
menciptakan visualisasi yang informatif dan menarik.

3.4.5. Menyoroti Area dengan Anotasi

Selain menyoroti titik atau menambahkan teks, kamu juga bisa menyoroti area tertentu
dalam grafik dengan anotasi. Ini bisa sangat berguna jika kamu ingin menunjukkan rentang
nilai atau periode waktu tertentu yang penting.

Contoh 5: Menyoroti Rentang Bulan dengan Anotasi

Kita akan menyoroti bulan-bulan dimana suhu rata-rata di atas 40°C.

Kita akan menggunakan data yang sama dengan contoh sebelumnya.

Membuat Grafik dengan Area yang Disorot

from matplotlib.patches import Rectangle

# Membuat grafik garis

fig, ax = plt.subplots(figsize=(10, 5))
ax.plot(months, avg_temp, marker='o', color='b', linestyle='-',
linewidth=2)
ax.set_title('Suhu Rata-Rata per Bulan')
ax.set_xlabel('Bulan')
ax.set_ylabel('Suhu (°C)')

# Menyoroti area tertentu

highlight = Rectangle((4, 40), 4, 10, color='yellow', alpha=0.3)
ax.add_patch(highlight)

# Menambahkan teks
ax.text(5, 49, 'Bulan Panas', fontsize=12, color='black')

plt.show()

Output:

Pada contoh di atas, kita telah menyoroti area (atau rentang bulan) dimana suhu rata-rata
berada di atas 40°C. Kita menggunakan kelas Rectangle dari Matplotlib untuk membuat area
yang disorot dan menambahkannya ke dalam grafik menggunakan metode ax.add_patch().
Parameter alpha digunakan untuk membuat area tersebut sedikit transparan sehingga kita
masih dapat melihat grafik garis di bawahnya.

Menyoroti area tertentu dalam grafik adalah cara yang efektif untuk menunjukkan periode
atau rentang nilai yang penting, dan memberikan konteks tambahan untuk membantu
pemirsa memahami grafik dengan lebih baik.

3.4.6. Menggunakan Anotasi untuk Menunjukkan Tren

Selain menekankan titik atau area tertentu, anotasi juga dapat digunakan untuk
menunjukkan tren dalam data. Dengan menambahkan garis atau panah, kamu dapat
mengarahkan perhatian pemirsa ke arah tertentu atau menunjukkan perubahan seiring
waktu.

Contoh 6: Menunjukkan Tren Kenaikan Suhu

Dalam contoh ini, kita akan menunjukkan tren kenaikan suhu dari Januari hingga Juli.

Kita akan menggunakan data yang sama dengan contoh sebelumnya.

Membuat Grafik dengan Tren yang Ditunjukkan

# Membuat grafik garis
fig, ax = plt.subplots(figsize=(10, 5))
ax.plot(months, avg_temp, marker='o', color='b', linestyle='-',
linewidth=2)
ax.set_title('Suhu Rata-Rata per Bulan')
ax.set_xlabel('Bulan')
ax.set_ylabel('Suhu (°C)')

# Menambahkan anotasi dengan panah untuk menunjukkan tren

ax.annotate('Tren Kenaikan Suhu', xy=(6, 50), xytext=(3, 45),
arrowprops=dict(facecolor='orange', arrowstyle='->',
lw=1.5),
fontsize=12, color='black')

plt.show()

Output:
Dalam visualisasi di atas, kita menggunakan panah untuk menunjukkan tren kenaikan suhu
dari Januari hingga Juli. Menggunakan panah seperti ini adalah cara yang efektif untuk
mengarahkan perhatian pemirsa ke arah tertentu dalam grafik dan menekankan tren atau
perubahan seiring waktu.

3.4.7. Mengkombinasikan Beberapa Anotasi

Kamu tidak terbatas pada satu jenis anotasi dalam satu grafik. Sebenarnya,
mengkombinasikan beberapa anotasi bisa sangat berguna untuk menyampaikan informasi
yang lebih kompleks atau memberikan konteks tambahan tentang data.

Contoh 7: Mengkombinasikan Anotasi Teks, Area, dan Tren

Mari kita gabungkan teknik-teknik anotasi yang telah kita pelajari untuk membuat grafik
yang lebih informatif.

Kita akan menggunakan data yang sama dengan contoh sebelumnya.

Membuat Grafik dengan Anotasi Gabungan

# Membuat grafik garis
fig, ax = plt.subplots(figsize=(10, 5))
ax.plot(months, avg_temp, marker='o', color='b', linestyle='-',
linewidth=2)
ax.set_title('Suhu Rata-Rata per Bulan')
ax.set_xlabel('Bulan')
ax.set_ylabel('Suhu (°C)')

# Menyoroti area tertentu

highlight = Rectangle((4, 40), 4, 10, color='yellow', alpha=0.3)
ax.add_patch(highlight)

# Menambahkan teks
ax.text(5, 49, 'Bulan Panas', fontsize=12, color='black')

# Menambahkan anotasi dengan panah untuk menunjukkan tren

ax.annotate('Tren Kenaikan Suhu', xy=(6, 50), xytext=(3, 45),
arrowprops=dict(facecolor='orange', arrowstyle='->',
lw=1.5),
fontsize=12, color='black')

plt.show()

Output:

Dalam grafik di atas, kita mengkombinasikan anotasi teks, panah, dan area yang disorot
untuk memberikan gambaran lengkap tentang suhu rata-rata per bulan. Kita menggunakan
warna kuning untuk menyoroti bulan-bulan panas dan panah oranye untuk menunjukkan
tren kenaikan suhu.

Mengkombinasikan anotasi dalam satu grafik memungkinkan kamu untuk

mengkomunikasikan lebih banyak informasi tanpa memerlukan ruang tambahan atau
grafik tambahan. Namun, penting untuk memastikan bahwa grafik tetap mudah dibaca dan
tidak terlalu penuh dengan informasi.
3.4.9. Anotasi Otomatis dengan Posisi Dinamis
Mengatur posisi anotasi secara manual dapat menjadi proses yang membosankan, terutama
jika kamu memiliki banyak titik data. Untungnya, Matplotlib menyediakan beberapa teknik
untuk membuat anotasi dengan posisi dinamis yang menyesuaikan diri dengan data.

Contoh 8: Anotasi Otomatis untuk Setiap Titik Data

Kita akan menambahkan anotasi untuk setiap titik data dalam grafik garis, dengan posisi
yang disesuaikan secara otomatis.

Kita akan menggunakan data yang sama dengan contoh sebelumnya.

Membuat Grafik dengan Anotasi Otomatis

import matplotlib.pyplot as plt
from matplotlib.patches import Rectangle

# Membuat grafik garis

fig, ax = plt.subplots(figsize=(10, 5))
ax.plot(months, avg_temp, marker='o', color='b', linestyle='-',
linewidth=2)
ax.set_title('Suhu Rata-Rata per Bulan')
ax.set_xlabel('Bulan')
ax.set_ylabel('Suhu (°C)')

# Menambahkan anotasi otomatis untuk setiap titik

for i, temp in enumerate(avg_temp):
ax.annotate(f'{temp}°C', (months[i], temp), xytext=(0,5),
textcoords='offset points', fontsize=9, color='red')

plt.show()

Output:
Dalam contoh di atas, kita telah menambahkan anotasi ke setiap titik data dalam grafik
garis, dengan posisi yang disesuaikan secara otomatis. Kita menggunakan parameter xytext
untuk menentukan jarak anotasi dari titik data, dan textcoords='offset points' untuk
menetapkan koordinat relatif.

Hasilnya adalah anotasi yang rapi dan sejajar dengan setiap titik data, tanpa perlu mengatur
posisi masing-masing anotasi secara manual. Ini sangat berguna ketika kamu memiliki
banyak titik data dan ingin menampilkan informasi tambahan untuk setiap titik.

Contoh: Anotasi Otomatis untuk Nilai Maksimum dan Minimum

Kita akan menggunakan grafik garis yang sama dengan data suhu rata-rata per bulan.
Kemudian, kita akan menambahkan anotasi otomatis untuk menyoroti nilai maksimum dan
minimum dalam data.

Membuat Grafik dengan Anotasi Otomatis untuk Nilai Maksimum dan Minimum
# Menemukan indeks dan nilai maksimum dan minimum
max_index = avg_temp.index(max(avg_temp))
min_index = avg_temp.index(min(avg_temp))
max_value = max(avg_temp)
min_value = min(avg_temp)

# Membuat grafik garis

fig, ax = plt.subplots(figsize=(10, 5))
ax.plot(months, avg_temp, marker='o', color='b', linestyle='-',
linewidth=2)
ax.set_title('Suhu Rata-Rata per Bulan')
 ax.set_xlabel('Bulan')
ax.set_ylabel('Suhu (°C)')

# Menambahkan anotasi otomatis untuk nilai maksimum

ax.annotate(f'Maks: {max_value}°C', (months[max_index], max_value),
xytext=(0,10), textcoords='offset points', fontsize=9,
color='red', arrowprops=dict(facecolor='red'))

# Menambahkan anotasi otomatis untuk nilai minimum

ax.annotate(f'Min: {min_value}°C', (months[min_index], min_value),
xytext=(0,-15), textcoords='offset points', fontsize=9,
color='blue', arrowprops=dict(facecolor='blue'))

plt.show()

Output:

Dalam grafik di atas, kita telah menambahkan anotasi otomatis untuk menyoroti nilai
maksimum dan minimum dalam data. Anotasi ini mencakup teks yang menunjukkan nilai
maksimum dan minimum, serta panah yang mengarah ke titik data yang relevan.

Cara ini berguna untuk menyoroti puncak dan lembah dalam data, yang dapat membantu
pembaca untuk dengan cepat mengidentifikasi tren dan pola dalam grafik. Dengan
menggunakan anotasi otomatis seperti ini, kamu dapat menambahkan informasi yang
berharga tanpa perlu mengatur posisi anotasi secara manual.

Berikut adalah penjelasan dari kode di atas:

 ● Kita menggunakan fungsi max dan min untuk menemukan nilai maksimum dan
minimum dalam data, serta index untuk menemukan indeks dari nilai-nilai ini.
● Kita menggunakan metode annotate untuk menambahkan anotasi ke grafik, dengan
parameter xytext untuk menentukan jarak teks dari titik data, dan arrowprops untuk
menambahkan panah.
● Kita menggunakan warna berbeda untuk anotasi maksimum dan minimum, yang
membuatnya lebih mudah dibedakan.

3.5. Pengaturan Grid dan Sumbu

Pengaturan grid dan sumbu dalam plot adalah aspek penting dari personalisasi yang dapat
meningkatkan kualitas visualisasi data. Dengan mengatur grid dan sumbu dengan benar,
kamu dapat membantu pembaca lebih mudah membaca dan memahami plot. Mari kita
telusuri berbagai cara untuk mengatur grid dan sumbu dalam Matplotlib.

3.5.1. Mengatur Grid

Grid adalah kumpulan garis horizontal dan vertikal yang membentuk pola kotak pada plot.
Grid membantu dalam mengukur dan membandingkan data dalam plot.

3.5.1.1. Menambahkan Grid Standar

Untuk menambahkan grid standar ke plot, kamu dapat menggunakan metode grid dari
objek axes. Mari kita lihat contoh bagaimana menambahkan grid ke plot garis sederhana.

Contoh: Menambahkan Grid Standar

# Data sintetis
x_values = [1, 2, 3, 4, 5]
y_values = [10, 20, 15, 30, 25]

# Membuat plot
fig, ax = plt.subplots(figsize=(8, 4))
ax.plot(x_values, y_values, marker='o', linestyle='-')

# Menambahkan grid
ax.grid(True)

# Menampilkan plot
plt.show()

Output:
Dalam contoh di atas, kita menggunakan metode grid(True) untuk menambahkan grid
standar ke plot. Hasilnya adalah grid dengan garis putus-putus yang membantu pembaca
dalam mengukur dan membandingkan data.

3.5.1.2. Mengatur Gaya Grid

Kamu juga dapat mengatur gaya grid, seperti warna, lebar garis, dan jenis garis. Ini dapat
membantu kamu menyelaraskan grid dengan tema visual plot.

Contoh: Mengatur Gaya Grid

# Membuat plot
fig, ax = plt.subplots(figsize=(8, 4))
ax.plot(x_values, y_values, marker='o', linestyle='-')

# Menambahkan grid dengan gaya khusus

ax.grid(color='grey', linestyle='--', linewidth=0.5)

# Menampilkan plot
plt.show()

Output:
Dalam contoh di atas, kita mengatur warna grid menjadi abu-abu, jenis garis menjadi
putus-putus, dan lebar garis menjadi 0.5. Dengan menggabungkan gaya ini, kita dapat
membuat grid yang lebih halus yang sesuai dengan estetika plot.

3.5.2. Pengaturan Sumbu

Mengatur sumbu adalah bagian penting dari personalisasi plot. Ini termasuk mengubah
rentang sumbu, mengatur label sumbu, dan mengontrol tampilan tick sumbu.

3.5.2.1. Mengatur Rentang Sumbu

Kamu dapat mengontrol rentang sumbu x dan y dengan menggunakan metode xlim dan
ylim. Ini memungkinkan kamu untuk fokus pada bagian spesifik dari data atau untuk
menyelaraskan berbagai plot.

Contoh: Mengatur Rentang Sumbu

# Membuat plot
fig, ax = plt.subplots(figsize=(8, 4))
ax.plot(x_values, y_values, marker='o', linestyle='-')

# Mengatur rentang sumbu x dan y

ax.set_xlim(1, 4)
ax.set_ylim(10, 25)

# Menambahkan grid
ax.grid(color='grey', linestyle='--', linewidth=0.5)

# Menampilkan plot
 plt.show()

Output:

Dalam contoh di atas, kita menggunakan metode set_xlim dan set_ylim untuk mengatur
rentang sumbu x dan y, masing-masing dari 1 hingga 4 dan dari 10 hingga 25. Hasilnya
adalah plot yang difokuskan pada bagian spesifik dari data.

3.5.2.2. Mengatur Label Sumbu

Label sumbu memberikan konteks kepada pembaca tentang apa yang diwakili oleh sumbu x
dan y. Kamu dapat menambahkan label sumbu dengan menggunakan metode set_xlabel
dan set_ylabel.

Contoh: Mengatur Label Sumbu

# Membuat plot
fig, ax = plt.subplots(figsize=(8, 4))
ax.plot(x_values, y_values, marker='o', linestyle='-')

# Menambahkan label sumbu

ax.set_xlabel('Waktu (hari)')
ax.set_ylabel('Jumlah Penjualan')

# Menambahkan grid
ax.grid(color='grey', linestyle='--', linewidth=0.5)

# Menampilkan plot
plt.show()
Output:

Dalam contoh ini, kita menambahkan label sumbu dengan menggunakan metode
set_xlabel dan set_ylabel. Label sumbu x adalah "Waktu (hari)" dan label sumbu y adalah
"Jumlah Penjualan". Ini memberikan konteks tambahan kepada pembaca tentang apa yang
diwakili oleh data dalam plot.

3.5.2.3. Mengatur Tick Sumbu

Tick sumbu adalah penanda pada sumbu yang menunjukkan nilai tertentu. Kamu dapat
mengontrol penempatan dan label tick sumbu dengan menggunakan metode xticks dan
yticks.

Contoh: Mengatur Tick Sumbu

# Membuat plot
fig, ax = plt.subplots(figsize=(8, 4))
ax.plot(x_values, y_values, marker='o', linestyle='-')

# Menambahkan tick sumbu x

ax.set_xticks([1, 2, 3, 4, 5])
ax.set_xticklabels(['Hari 1', 'Hari 2', 'Hari 3', 'Hari 4', 'Hari 5'])

# Menambahkan grid
ax.grid(color='grey', linestyle='--', linewidth=0.5)

# Menampilkan plot
plt.show()

Output:
Di sini, kita menggunakan metode set_xticks untuk menentukan posisi tick sumbu x, dan
metode set_xticklabels untuk memberikan label khusus kepada tick tersebut. Dalam contoh
ini, kita mengganti tick sumbu x dengan label "Hari 1", "Hari 2", dll., yang memberikan
interpretasi tambahan kepada data.

3.5.3. Kombinasi Pengaturan Grid dan Sumbu

Kombinasi pengaturan grid dan sumbu dapat membantu kamu menciptakan plot yang
informatif dan estetis. Kuncinya adalah menemukan keseimbangan antara informasi dan
tampilan visual.

Contoh: Kombinasi Pengaturan Grid dan Sumbu

# Membuat plot
fig, ax = plt.subplots(figsize=(8, 4))
ax.plot(x_values, y_values, marker='o', linestyle='-')

# Mengatur rentang sumbu

ax.set_xlim(1, 5)
ax.set_ylim(10, 30)

# Menambahkan label sumbu

ax.set_xlabel('Waktu (hari)')
ax.set_ylabel('Jumlah Penjualan')

# Menambahkan tick sumbu x

ax.set_xticks([1, 2, 3, 4, 5])
ax.set_xticklabels(['Hari 1', 'Hari 2', 'Hari 3', 'Hari 4', 'Hari 5'])
 # Menambahkan grid dengan gaya khusus
ax.grid(color='grey', linestyle='-.', linewidth=0.3)

# Menampilkan plot
plt.show()

Output:

Contoh di atas adalah gabungan dari semua teknik yang telah kita pelajari sejauh ini. Kita
telah mengatur rentang sumbu, menambahkan label sumbu, mengatur tick sumbu, dan
menambahkan grid dengan gaya khusus.

3.5.4. Mengatur Sumbu Logaritmik

Dalam beberapa kasus, menggunakan skala logaritmik pada sumbu bisa lebih informatif,
terutama jika data yang ingin ditampilkan memiliki rentang yang sangat luas. Skala
logaritmik dapat dengan mudah diatur di Matplotlib.

3.5.4.1. Menggunakan Skala Logaritmik pada Sumbu Y

Mari kita lihat bagaimana kita bisa menggunakan skala logaritmik pada sumbu y.

Contoh: Skala Logaritmik pada Sumbu Y

import numpy as np

# Data sintetis dengan rentang luas

x_log = np.linspace(1, 10, 100)
y_log = np.exp(x_log)

# Membuat plot
 fig, ax = plt.subplots(figsize=(8, 4))
ax.plot(x_log, y_log, marker='', linestyle='-')

# Mengatur skala logaritmik pada sumbu y

ax.set_yscale('log')

# Menambahkan label sumbu

ax.set_xlabel('X')
ax.set_ylabel('Y (log scale)')

# Menambahkan grid
ax.grid(color='grey', linestyle='--', linewidth=0.5)

# Menampilkan plot
plt.show()

Output:

Di sini, kita menggunakan skala logaritmik pada sumbu y dengan mengatur

ax.set_yscale('log'). Skala logaritmik ini membantu menampilkan data yang memiliki
rentang yang sangat luas dalam satu plot, sehingga mudah dipahami. Ini sangat bermanfaat
dalam kasus-kasus seperti distribusi pendapatan, distribusi ukuran partikel, dan banyak
lagi.

3.5.4.2. Mengatur Sumbu Ganda

Dalam beberapa situasi, kamu mungkin ingin menampilkan dua set data yang berbeda
dalam satu plot, tetapi dengan sumbu yang berbeda. Misalnya, jika kamu memiliki dua
variabel yang berhubungan tetapi memiliki unit yang berbeda, kamu dapat menggunakan
sumbu ganda.
# Data sintetis
x_dual = np.linspace(1, 10, 100)
y1_dual = x_dual * 3
y2_dual = np.sin(x_dual) * 100

# Membuat plot dengan sumbu y ganda

fig, ax1 = plt.subplots(figsize=(8, 4))
ax2 = ax1.twinx()

# Plot pertama (sumbu y kiri)

ax1.plot(x_dual, y1_dual, color='blue', linestyle='-')
ax1.set_ylabel('Y1', color='blue')
ax1.tick_params(axis='y', labelcolor='blue')
ax1.grid(color='grey', linestyle='--', linewidth=0.5)

# Plot kedua (sumbu y kanan)

ax2.plot(x_dual, y2_dual, color='red', linestyle='--')
ax2.set_ylabel('Y2', color='red')
ax2.tick_params(axis='y', labelcolor='red')

plt.show()

Output:

Pada contoh di atas, kita menggunakan metode twinx() untuk membuat sumbu y kedua
yang berbagi sumbu x yang sama dengan sumbu y pertama. Setiap sumbu y ini dapat
memiliki label, tick, dan warna yang berbeda, sehingga memungkinkan untuk
menampilkan dua set data yang berbeda dalam satu plot.
3.5.5. Menyesuaikan Ukuran Tick Sumbu
Kadang-kadang, kamu mungkin ingin menyesuaikan ukuran tick sumbu untuk membuat
plot lebih mudah dibaca atau lebih sesuai dengan tema visual yang kamu pilih.

Contoh: Menyesuaikan Ukuran Tick Sumbu

# Data sintetis
x_tick = np.linspace(0, 10, 100)
y_tick = np.sin(x_tick)

# Membuat plot
fig, ax = plt.subplots(figsize=(8, 4))
ax.plot(x_tick, y_tick, marker='', linestyle='-')

# Menyesuaikan ukuran tick sumbu

ax.tick_params(axis='both', labelsize=12)

# Menambahkan grid
ax.grid(color='grey', linestyle='--', linewidth=0.5)

# Menampilkan plot
plt.show()

Output:

Di contoh ini, kita menggunakan metode tick_params dengan parameter labelsize untuk
mengatur ukuran tick sumbu. Ini memungkinkan kita untuk menyesuaikan tampilan plot
sesuai dengan kebutuhan.
3.5.6. Menambahkan Garis Horizontal dan Vertikal
Ada saatnya kamu mungkin ingin menambahkan garis horizontal atau vertikal ke plot untuk
menunjukkan ambang batas atau nilai referensi tertentu. Matplotlib menyediakan metode
sederhana untuk melakukannya.

Contoh: Menambahkan Garis Horizontal dan Vertikal

# Data sintetis
x_line = np.linspace(0, 10, 100)
y_line = np.sin(x_line)

# Membuat plot
fig, ax = plt.subplots(figsize=(8, 4))
ax.plot(x_line, y_line, marker='', linestyle='-')

# Menambahkan garis horizontal pada y=0.5

ax.axhline(y=0.5, color='red', linestyle='--')

# Menambahkan garis vertikal pada x=5

ax.axvline(x=5, color='green', linestyle='--')

# Menambahkan grid
ax.grid(color='grey', linestyle='--', linewidth=0.5)

# Menampilkan plot
plt.show()

Output:
Di sini, kita menambahkan garis horizontal dan vertikal menggunakan metode axhline dan
axvline. Parameter y dan x digunakan untuk menentukan posisi garis, sementara warna dan
gaya garis dapat disesuaikan sesuai kebutuhan.

Garis horizontal dan vertikal ini sering digunakan untuk menunjukkan ambang batas atau
nilai referensi dalam analisis ilmiah atau teknis.

3.6. Legenda dan Kustomisasi

3.6.1. Pengantar
Legenda adalah salah satu komponen terpenting dalam visualisasi data. Ini memungkinkan
pembaca untuk memahami apa yang direpresentasikan oleh masing-masing komponen
visual dalam plot. Seiring dengan legenda, kustomisasi tambahan pada plot dapat
meningkatkan estetika dan keterbacaan data visual. Mari kita jelajahi lebih dalam tentang
bagaimana kita bisa mengoptimalkan legenda dan melakukan kustomisasi tambahan pada
plot kita.

3.6.2. Menambahkan dan Mengatur Legenda

3.6.2.1. Legenda Dasar

Membuat legenda dengan matplotlib sangatlah mudah. Kamu hanya perlu menambahkan
label ke setiap elemen yang ingin ditampilkan di legenda dan kemudian memanggil metode
legend().

Contoh: Menambahkan Legenda Sederhana

# Data sintetis
x_legend = np.linspace(0, 10, 100)
y1_legend = np.sin(x_legend)
y2_legend = np.cos(x_legend)

# Membuat plot dengan legenda

fig, ax = plt.subplots(figsize=(8, 4))
ax.plot(x_legend, y1_legend, label='sin(x)')
ax.plot(x_legend, y2_legend, label='cos(x)')

# Menambahkan legenda
ax.legend()

# Menampilkan plot
plt.show()

Output:
Seperti yang kamu lihat di atas, kita menambahkan label ke setiap garis saat memanggil
metode plot(). Kemudian, dengan memanggil metode legend(), kita bisa menampilkan
legenda yang menunjukkan label untuk setiap garis.

3.6.2.2. Mengatur Posisi Legenda

Standar penempatan legenda adalah di pojok kanan atas plot. Namun, terkadang kamu
mungkin ingin memindahkannya ke lokasi lain agar tidak mengganggu tampilan data.
Untungnya, Matplotlib menyediakan opsi untuk memindahkan legenda ke berbagai lokasi
dalam plot.

Contoh: Mengatur Posisi Legenda

# Definisikan kembali data sintetis
x_legend = np.linspace(0, 10, 100)
y1_legend = np.sin(x_legend)
y2_legend = np.cos(x_legend)

# Membuat plot dengan legenda di berbagai posisi

fig, axs = plt.subplots(2, 2, figsize=(12, 8))

# Posisi kiri atas

axs[0, 0].plot(x_legend, y1_legend, label='sin(x)')
axs[0, 0].plot(x_legend, y2_legend, label='cos(x)')
axs[0, 0].legend(loc='upper left')
axs[0, 0].set_title('Posisi: Kiri Atas')

# Posisi kanan bawah

axs[0, 1].plot(x_legend, y1_legend, label='sin(x)')
axs[0, 1].plot(x_legend, y2_legend, label='cos(x)')
 axs[0, 1].legend(loc='lower right')
axs[0, 1].set_title('Posisi: Kanan Bawah')

# Posisi kiri bawah

axs[1, 0].plot(x_legend, y1_legend, label='sin(x)')
axs[1, 0].plot(x_legend, y2_legend, label='cos(x)')
axs[1, 0].legend(loc='lower left')
axs[1, 0].set_title('Posisi: Kiri Bawah')

# Posisi tengah
axs[1, 1].plot(x_legend, y1_legend, label='sin(x)')
axs[1, 1].plot(x_legend, y2_legend, label='cos(x)')
axs[1, 1].legend(loc='center')
axs[1, 1].set_title('Posisi: Tengah')

plt.tight_layout()
plt.show()

Output:

Kamu bisa melihat bagaimana legenda diletakkan di berbagai posisi dalam plot. Dengan
parameter loc pada metode legend(), kita dapat dengan mudah mengatur posisi legenda.
Ada banyak pilihan posisi yang tersedia, seperti 'upper right', 'upper left', 'lower right', 'lower
left', 'center', dan banyak lagi.
3.6.2.3. Mengubah Ukuran dan Gaya Legenda
Mungkin kamu ingin mengubah ukuran teks atau gaya kotak legenda. Mari kita jelajahi
beberapa kustomisasi yang bisa kamu lakukan.

Contoh: Mengatur Ukuran Teks dan Gaya Kotak Legenda

# Membuat plot dengan kustomisasi legenda
fig, ax = plt.subplots(figsize=(8, 5))

# Plot data
ax.plot(x_legend, y1_legend, label='sin(x)')
ax.plot(x_legend, y2_legend, label='cos(x)')

# Menambahkan legenda dengan kustomisasi

ax.legend(loc='upper right', fontsize=10, edgecolor='blue',
facecolor='yellow', title='Fungsi Trigonometri')

plt.show()

Output:

Dari contoh di atas, kamu bisa melihat bahwa kita telah mengubah ukuran teks legenda
dengan parameter fontsize, memberikan warna tepi dengan edgecolor, dan mengatur warna
latar belakang dengan facecolor. Selain itu, kita juga menambahkan judul ke legenda
dengan parameter title.
3.6.2.4. Legenda dengan Banyak Kolom
Jika kamu memiliki banyak entri legenda dan ingin menampilkannya dalam beberapa
kolom agar lebih rapi, kamu bisa menggunakan parameter ncol pada metode legend().

Contoh: Legenda dengan Dua Kolom

# Data sintetis tambahan
y3_legend = np.sin(x_legend + 0.5)
y4_legend = np.cos(x_legend + 0.5)

# Membuat plot dengan legenda 2 kolom

fig, ax = plt.subplots(figsize=(8, 5))

# Plot data
ax.plot(x_legend, y1_legend, label='sin(x)')
ax.plot(x_legend, y2_legend, label='cos(x)')
ax.plot(x_legend, y3_legend, label='sin(x + 0.5)')
ax.plot(x_legend, y4_legend, label='cos(x + 0.5)')

# Menambahkan legenda dengan 2 kolom

ax.legend(loc='upper right', ncol=2, fontsize=8)

plt.show()

Output:
Dalam plot di atas, legenda telah dibagi menjadi dua kolom, membuat tampilan lebih rapi
dan kompak. Parameter ncol memungkinkan kamu mengontrol jumlah kolom dalam
legenda.

3.6.3. Kustomisasi Tambahan

3.6.3.1. Mengatur Kustomisasi Teks

Kustomisasi teks dalam plot bukan hanya terbatas pada legenda. Kamu bisa mengubah font,
ukuran, warna, dan gaya teks untuk judul, label sumbu, dan lain-lain.

Contoh: Mengubah Ukuran dan Warna Teks Judul dan Label Sumbu
# Membuat plot dengan kustomisasi teks
fig, ax = plt.subplots(figsize=(8, 5))

# Plot data
ax.plot(x_legend, y1_legend, label='sin(x)')
ax.plot(x_legend, y2_legend, label='cos(x)')

# Menambahkan judul dengan ukuran dan warna kustom

ax.set_title('Grafik Fungsi Trigonometri', fontsize=15, color='blue')

# Menambahkan label sumbu dengan ukuran dan warna kustom

ax.set_xlabel('X-Axis', fontsize=12, color='green')
ax.set_ylabel('Y-Axis', fontsize=12, color='red')

# Menambahkan legenda
ax.legend()

plt.show()

Output:
Pada contoh di atas, kita menggunakan metode set_title untuk mengatur judul plot dengan
ukuran font dan warna kustom. Untuk label sumbu, kita menggunakan metode set_xlabel
dan set_ylabel. Hasilnya, kita mendapatkan plot dengan teks yang lebih menarik dan
informatif.

3.6.3.2. Mengubah Style Plot

Kamu juga dapat mengubah gaya plot secara keseluruhan menggunakan berbagai style yang
telah disediakan oleh Matplotlib.

Contoh: Menggunakan Gaya Plot Berbeda

# Daftar beberapa gaya yang tersedia
available_styles = plt.style.available[:5]

# Membuat plot dengan gaya berbeda

fig, axs = plt.subplots(1, 5, figsize=(20, 4))

for i, style in enumerate(available_styles):

with plt.style.context(style):
axs[i].plot(x_legend, y1_legend, label='sin(x)')
axs[i].plot(x_legend, y2_legend, label='cos(x)')
axs[i].legend()
axs[i].set_title(f'Style: {style}')
plt.tight_layout()
plt.show()

Output:

Dalam contoh di atas, kita menggunakan lima gaya plot berbeda dari yang tersedia di
Matplotlib. Dengan menggunakan context manager plt.style.context(style), kita bisa
menerapkan gaya tersebut ke setiap subplot. Ini memberi kita cara yang mudah untuk
mengeksplorasi dan menerapkan gaya yang berbeda untuk plot kita.
MODUL 4: Gaya dan Estetika
4.1. Menggunakan Style
Membuat plot yang informatif adalah hal penting, tetapi menambahkan sentuhan estetika
ke dalam plot membuatnya lebih menarik dan menyenangkan untuk dilihat. Dalam subbab
ini, kita akan menjelajahi cara menggunakan berbagai style yang tersedia dalam Matplotlib,
mengkustomisasi style sendiri, dan mengaplikasikan gaya yang berbeda untuk plot yang
berbeda. Kamu akan belajar bagaimana mengubah tampilan plot kamu dengan beberapa
baris kode sederhana.

4.1.1. Apa Itu Style?

Dalam konteks visualisasi data, style adalah kumpulan pengaturan estetika yang mengatur
penampilan plot. Hal ini mencakup, tetapi tidak terbatas pada, warna, font, garis, marker,
dan lain-lain. Dengan menggunakan style, kamu dapat dengan cepat mengubah tampilan
plot kamu tanpa harus secara manual mengatur setiap parameter.

Matplotlib menyediakan berbagai style yang dapat kamu gunakan, dan kamu juga dapat
membuat style kamu sendiri. Mari kita mulai dengan cara menggunakan style yang telah
disediakan.

4.1.2. Menggunakan Style yang Tersedia

Matplotlib menyediakan sejumlah style yang telah ditentukan sebelumnya. Ini
memungkinkan kamu untuk dengan cepat mengubah tampilan plot kamu dengan satu baris
kode. Berikut adalah cara menggunakan style yang telah disediakan:

4.1.2.1. Melihat Style yang Tersedia

Untuk melihat daftar style yang tersedia, kamu dapat menggunakan plt.style.available. Mari
kita lihat beberapa style yang bisa kamu gunakan.
import matplotlib.pyplot as plt

# Menampilkan daftar beberapa style yang tersedia dalam Matplotlib

available_styles = plt.style.available[:10]
available_styles

Output:
['Solarize_Light2', '_classic_test_patch', '_mpl-gallery',
'_mpl-gallery-nogrid', 'bmh', 'classic', 'dark_background', 'fast', 'fivethirtyeight', 'ggplot']

Berikut adalah beberapa style yang tersedia dalam Matplotlib:

● Solarize_Light2: Style dengan pencahayaan yang lembut.
 ● bmh: Style yang terinspirasi oleh situs blog "Bayesian Methods for Hackers".
● classic: Gaya klasik Matplotlib.
● dark_background: Gaya dengan latar belakang gelap.
● fast: Gaya yang dioptimalkan untuk kecepatan rendering.
● fivethirtyeight: Gaya yang terinspirasi oleh situs FiveThirtyEight.
● ggplot: Gaya yang terinspirasi oleh ggplot (sistem plotting di R).
● grayscale: Gaya dengan skala abu-abu.
● seaborn: Gaya yang terinspirasi oleh library Seaborn.

4.1.2.2. Menggunakan Style dalam Plot

Kamu dapat menggunakan salah satu style ini dengan mudah dalam plot kamu. Berikut
adalah beberapa contoh.
import numpy as np

# Data sintetis
x = np.linspace(0, 10, 100)
y = np.sin(x)

# Contoh penggunaan beberapa style yang berbeda

fig, axs = plt.subplots(2, 3, figsize=(15, 10))
styles = ['Solarize_Light2', 'bmh', 'classic', 'dark_background',
'fivethirtyeight', 'ggplot']

for ax, style in zip(axs.flat, styles):

with plt.style.context(style):
ax.plot(x, y)
ax.set_title(f'Style: {style}')

plt.tight_layout()
plt.show()

Output:
Dalam contoh di atas, kita menggunakan beberapa style yang berbeda untuk menggambar
plot yang sama. Dengan hanya satu baris kode tambahan untuk setiap plot, kita dapat
sepenuhnya mengubah tampilannya.

4.1.3. Membuat Style Sendiri

Tidak hanya menggunakan style yang telah disediakan, kamu juga dapat membuat style
kamu sendiri. Ini memungkinkan kamu untuk menentukan pengaturan estetika yang akan
kamu gunakan berulang kali dalam proyek atau seluruh portofolio pekerjaan kamu.

4.1.3.1. Mendefinisikan Style Sendiri

Untuk membuat style sendiri, kamu perlu mendefinisikan pengaturan dalam dictionary dan
menggunakan plt.rc untuk mengaplikasikannya. Berikut adalah contoh bagaimana kamu
dapat mendefinisikan style sendiri:
my_style = {
'lines.linewidth': 2,
'lines.marker': 'o',
'lines.markersize': 8,
'xtick.labelsize': 12,
'ytick.labelsize': 12,
'font.size': 14,
'axes.labelsize': 14,
 'axes.titlesize': 16,
'axes.grid': True,
'grid.color': '#dddddd',
'axes.facecolor': '#f0f0f0',
'figure.facecolor': '#ffffff'
}

plt.rc(my_style)

Dalam contoh di atas, kita telah mendefinisikan berbagai pengaturan, termasuk lebar garis,
ukuran marker, ukuran label sumbu, dan warna.

4.1.3.2. Menggunakan Style Sendiri

Setelah mendefinisikan style, kamu dapat menggunakannya dalam plot kamu seperti biasa.
Berikut adalah contoh penggunaan style yang telah kita definisikan:
# Mendefinisikan style sendiri
my_style = {
'lines.linewidth': 2,
'lines.marker': 'o',
'lines.markersize': 8,
'xtick.labelsize': 12,
'ytick.labelsize': 12,
'font.size': 14,
'axes.labelsize': 14,
'axes.titlesize': 16,
'axes.grid': True,
'grid.color': '#dddddd',
'axes.facecolor': '#f0f0f0',
'figure.facecolor': '#ffffff'
}

# Mengaplikasikan style
with plt.rc_context(my_style):
plt.plot(x, y)
plt.title('Menggunakan Style Sendiri')
plt.xlabel('X Axis')
plt.ylabel('Y Axis')
plt.grid(True)
plt.show()

Output:
Dalam contoh di atas, kita telah menggunakan style yang telah kita definisikan sendiri
untuk menggambar plot. Seperti yang kamu lihat, style ini memberikan tampilan yang
bersih dan rapi, dengan garis yang tebal, marker berbentuk lingkaran, dan grid yang halus.
Semua ini dapat dikustomisasi sesuai keinginan kamu.

4.2. Palet Warna

Warna adalah bagian integral dari visualisasi data. Mereka tidak hanya menambah estetika
tetapi juga membantu dalam mengkomunikasikan informasi yang tepat. Subbab ini akan
membahas cara menggunakan palet warna dalam Matplotlib dan bagaimana cara memilih
palet yang tepat untuk visualisasi data kamu.

4.2.1. Apa Itu Palet Warna?

Palet warna adalah kumpulan warna yang digunakan dalam plot. Palet ini bisa berupa
sekumpulan warna yang disiapkan atau bisa juga kamu definisikan sendiri. Palet yang
dipilih dapat memberi kesan yang berbeda dan mengkomunikasikan informasi yang
berbeda.
4.2.2. Menggunakan Palet Warna Bawaan Matplotlib
Matplotlib menyediakan berbagai palet warna bawaan yang bisa kamu gunakan langsung.
Beberapa palet populer termasuk:
● 'viridis'
● 'plasma'
● 'inferno'
● 'magma'
● 'cividis'

Kamu bisa menerapkannya dengan menggunakan fungsi plt.set_cmap. Mari kita coba plot
heatmap dengan palet ʻviridisʼ dan ʻplasmaʼ:
# Generating a 2D grid of values
x = np.linspace(0, 4 * np.pi, 100)
y = np.linspace(0, 4 * np.pi, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(X) * np.cos(Y)

# Creating the heatmaps

fig, ax = plt.subplots(1, 2, figsize=(12, 5))

# Using viridis colormap

c1 = ax[0].imshow(Z, cmap='viridis', extent=[0, 4*np.pi, 0, 4*np.pi])
ax[0].set_title('viridis')
fig.colorbar(c1, ax=ax[0])

# Using plasma colormap

c2 = ax[1].imshow(Z, cmap='plasma', extent=[0, 4*np.pi, 0, 4*np.pi])
ax[1].set_title('plasma')
fig.colorbar(c2, ax=ax[1])

plt.tight_layout()
plt.show()

Output:
4.2.3. Membuat Palet Warna Sendiri
Terkadang, palet bawaan mungkin tidak sesuai dengan kebutuhan kamu. Dalam hal ini,
kamu dapat membuat palet warna sendiri. Berikut adalah contoh cara membuat palet
warna dengan tiga warna:
from matplotlib.colors import ListedColormap

my_palette = ListedColormap(['red', 'green', 'blue'])

Kamu kemudian bisa menerapkan palet ini ke plot kamu. Misalnya:

# Generating a 2D grid of values
x = np.linspace(0, 4 * np.pi, 100)
y = np.linspace(0, 4 * np.pi, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(X) * np.cos(Y)

# Creating the heatmaps

fig, ax = plt.subplots(1, 3, figsize=(12, 5))

# Using viridis colormap

c1 = ax[0].imshow(Z, cmap='viridis', extent=[0, 4*np.pi, 0, 4*np.pi])
ax[0].set_title('viridis')
fig.colorbar(c1, ax=ax[0])

# Using plasma colormap

c2 = ax[1].imshow(Z, cmap='plasma', extent=[0, 4*np.pi, 0, 4*np.pi])
ax[1].set_title('plasma')
fig.colorbar(c2, ax=ax[1])

# Using your colormap

c3 = ax[2].imshow(Z, cmap=my_palette, extent=[0, 4*np.pi, 0, 4*np.pi])
ax[2].set_title('my colormap')
fig.colorbar(c3, ax=ax[2])

plt.tight_layout()
plt.show()

Output:

4.2.4. Plot Seaborn dengan Palet Warna Kategorikal

Seaborn menyediakan banyak palet warna kategorikal yang cocok untuk jenis data yang
berbeda. Mari kita coba beberapa di antaranya.
import seaborn as sns

tips = sns.load_dataset('tips')
sns.boxplot(x='day', y='total_bill', data=tips, palette='pastel')
plt.title('Boxplot dengan Palet Warna "pastel"')
plt.show()

Output:
Boxplot di atas menggunakan palet warna "pastel," yang menyediakan kontras lembut antara
kategori yang berbeda. Dalam kasus ini, setiap hari diberi warna yang berbeda, memungkinkan
kamu untuk dengan mudah membedakan antara mereka.

4.2.6. Personalisasi Palet Warna

Kamu juga dapat membuat palet warna kustom dengan menentukan warna secara manual. Ini
berguna jika kamu ingin menyelaraskan plot dengan tema khusus atau memiliki persyaratan
warna yang spesifik.
# Membuat palet warna kustom
custom_palette = sns.color_palette(['#FF0000', '#00FF00', '#0000FF',
'#FFFF00'])

# Membuat plot menggunakan palet kustom

sns.stripplot(x='day', y='total_bill', data=data_tips_sintetis,
palette=custom_palette)
plt.title('Stripplot dengan Palet Warna Kustom')
plt.show()

Output:
Stripplot di atas menggunakan palet warna kustom yang didefinisikan dengan warna spesifik.
Warna-warna ini memberikan tampilan yang sangat berbeda dari palet bawaan, dan bisa
menjadi cara yang efektif untuk menekankan aspek tertentu dari data kamu.

Warna dalam palet ini didefinisikan dalam format hexadecimal, memberikan kontrol penuh
atas warna yang digunakan. Dengan cara ini, kamu dapat menyesuaikan plot dengan merek atau
tema visual lainnya yang relevan dengan proyek kamu.

4.3. Tema dan Background

Sebelum kita benar-benar menyelam ke lautan visualisasi data, ada satu aspek yang sering
diabaikan tetapi memiliki dampak besar pada kesan pertama audiens: tampilan latar belakang
dan tema dari plot kita.

Apa Itu Tema?

Dalam konteks visualisasi data, tema adalah kombinasi dari elemen-elemen desain yang
membentuk tampilan keseluruhan dari grafik atau plot kita. Ini termasuk, tetapi tidak terbatas
pada, warna latar belakang, gaya garis, warna garis, jenis font, dan sebagainya. Dengan kata
lain, tema adalah "pakaian" dari plot kita.
4.3.1. Menggunakan Tema Bawaan Seaborn
Seaborn, library yang berbasis pada Matplotlib, menawarkan serangkaian tema bawaan yang
dapat dengan cepat mengubah tampilan plot kamu. Mari kita lihat beberapa dari tema-tema ini.

1. Tema Darkgrid
Ini adalah tema default dari Seaborn. Tema ini menampilkan latar belakang gelap dengan
garis-garis grid putih, membuat data kamu menonjol dengan baik.
sns.set_style("darkgrid")
sns.lineplot(data=data_tips_sintetis, x='day', y='total_bill')
plt.title('Tema Darkgrid')
plt.show()

Output:

Seperti yang dapat kamu lihat, tema "darkgrid" menawarkan latar belakang gelap dengan
garis-garis grid putih, yang menonjolkan data dengan baik. Ini sangat berguna ketika kamu
ingin menekankan data daripada elemen-elemen lain dari plot.

2. Tema Whitegrid
Tema ini hampir mirip dengan "darkgrid", tetapi dengan latar belakang yang lebih cerah.
Garis-garis grid tetap ada, tetapi dengan warna yang lebih gelap untuk menonjolkan data.
 sns.set_style("whitegrid")
sns.lineplot(data=data_tips_sintetis, x='day', y='total_bill')
plt.title('Tema Whitegrid')
plt.show()

Output:

Tema "whitegrid" menghadirkan tampilan yang lebih cerah dan bersih. Garis-garis grid yang
gelap membantu dalam menginterpretasikan data dengan lebih mudah pada latar belakang
yang putih. Tema ini sangat cocok untuk presentasi atau laporan resmi di mana kamu ingin
tampilan yang lebih profesional.

3. Tema Dark
Tema ini menampilkan latar belakang yang gelap tanpa garis-garis grid. Ini memberikan
tampilan yang lebih minimalis, memfokuskan perhatian audiens sepenuhnya pada data.
sns.set_style("dark")
sns.lineplot(data=data_tips_sintetis, x='day', y='total_bill')
plt.title('Tema Dark')
plt.show()

Output:
4. Tema Ticks
Tema ini adalah variasi dari tema "white", tetapi dengan penambahan 'ticks' atau tanda di
sepanjang sumbu. Ini menambahkan sedikit detail visual tanpa mengganggu kesederhanaan
dari latar belakang putih.
sns.set_style("ticks")
sns.lineplot(data=data_tips_sintetis, x='day', y='total_bill')
plt.title('Tema Ticks')
plt.show()

Output:
Seperti yang kamu lihat, tema "ticks" menambahkan tanda kecil di sepanjang sumbu,
memberikan sedikit informasi tambahan tanpa mengorbankan kesederhanaan tampilan. Ini
cocok untuk situasi di mana kamu ingin memberikan sedikit konteks tambahan tanpa
mengganggu keseluruhan estetika.

4.4. Efek Bayangan

Bayangan dapat membuat elemen-elemen dalam grafik terlihat lebih nyata dan menonjol. Ini
memberikan ilusi kedalaman dan dimensi yang dapat meningkatkan pengalaman visual.

Bayangan pada Garis Plot

Misalkan kita memiliki data berikut dalam bentuk pandas DataFrame:
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

data = pd.DataFrame({
'x': np.arange(10),
'y': np.sin(np.arange(10))
})
Untuk menambahkan bayangan pada garis, kita bisa menggunakan metode fill_between. Mari
kita coba:
plt.plot(data['x'], data['y'], lw=4, label='Sine Wave')
plt.fill_between(data['x'], data['y'], alpha=0.1)
plt.legend()
plt.title('Garis dengan Bayangan')
plt.show()

Output:

4.4.1. Bayangan pada Batang (Bar)

Bayangan juga dapat digunakan pada diagram batang untuk memberikan efek 3D.

Misalkan kita memiliki data berikut:

data_bar = pd.DataFrame({
'Category': ['A', 'B', 'C', 'D'],
'Value': [10, 15, 8, 12]
})

Untuk membuat bayangan pada batang, kita bisa menggunakan kombinasi dari bar dan barh.
Kode berikut akan menunjukkan cara melakukannya:
 plt.bar(data_bar['Category'], data_bar['Value'], alpha=0.7)
plt.bar(data_bar['Category'], data_bar['Value'], alpha=0.1,
bottom=data_bar['Value'] - 1)
plt.title('Bar dengan Bayangan')
plt.show()

Output:

Kita berhasil menambahkan bayangan ke bawah setiap batang dalam diagram batang. Efek ini
memberikan sensasi kedalaman dan membuat plot terlihat lebih menarik.

4.4.2. Transparansi
Transparansi adalah cara lain untuk menambahkan nuansa visual ke dalam grafik. Ini bisa
sangat berguna ketika kamu memiliki banyak elemen yang saling tumpang tindih.

Transparansi pada Scatter Plot

Misalkan kita memiliki data berikut:
data_scatter = pd.DataFrame({
'x': np.random.rand(100),
'y': np.random.rand(100)
})

Kita bisa menggunakan parameter alpha untuk mengatur tingkat transparansi pada scatter plot:
 plt.scatter(data_scatter['x'], data_scatter['y'], alpha=0.5)
plt.title('Scatter Plot dengan Transparansi')
plt.show()
Output:

Hasilnya adalah scatter plot dengan titik-titik yang semi-transparan. Dengan transparansi ini,
kita dapat melihat area mana yang memiliki titik yang saling tumpang tindih, sehingga
membantu dalam analisis data.

4.4.3. Transparansi pada Histogram

Transparansi juga bisa sangat berguna dalam histogram, terutama saat kamu ingin
membandingkan distribusi dari dua set data yang berbeda.

Misalkan kita memiliki dua set data berikut:

data_hist1 = np.random.normal(0, 1, 1000)
data_hist2 = np.random.normal(1, 1, 1000)

Kita bisa membuat histogram dengan transparansi sebagai berikut:

plt.hist(data_hist1, alpha=0.5, label='Data 1')
plt.hist(data_hist2, alpha=0.5, label='Data 2')
plt.legend()
plt.title('Histogram dengan Transparansi')
 plt.show()

Output:

Dalam histogram ini, transparansi memungkinkan kita untuk melihat distribusi kedua set data
dalam ruang yang sama. Hal ini membantu kita dalam memahami bagaimana kedua distribusi
tersebut berinteraksi dan membantu dalam analisis lebih lanjut.
MODUL 5: Tips dan Trik Lanjutan
5.1. Mengoptimalkan Performa
Visualisasi data adalah seni dan sains yang memungkinkan kita untuk memahami dan
mengomunikasikan pola dalam data. Namun, saat kita berurusan dengan dataset yang
sangat besar, kita mungkin menemukan bahwa visualisasi yang kita ciptakan tidak hanya
memerlukan waktu lama untuk dihasilkan, tetapi juga bisa terasa lamban dan tidak
responsif. Dalam situasi ini, mengoptimalkan performa visualisasi kita menjadi sangat
penting.

Kenapa Harus Mengoptilamkan Performa?

Apakah kamu pernah menunggu berjam-jam hanya untuk melihat plot yang kamu buat?
Atau, apakah kamu pernah frustrasi dengan plot interaktif yang bergerak lambat atau
bahkan membeku? Ini adalah tanda bahwa kamu perlu mengoptimalkan performa
visualisasi.

Bagaimana Caranya?
Mari kita bahas beberapa teknik yang dapat digunakan untuk mengoptimalkan performa
visualisasi dengan Matplotlib.

5.1.1. Reduksi Data

Salah satu cara termudah untuk mempercepat visualisasi adalah dengan mengurangi
jumlah data yang akan diplot.

Contoh: Plot Scatter dengan Subsampling

Misalkan kita memiliki dataset besar yang berisi satu juta titik, dan kita ingin membuat plot
scatter. Langkah pertama adalah membuat data sintetis:
import numpy as np
import pandas as pd

np.random.seed(42)
N = 1000000
x = np.random.randn(N)
y = np.random.randn(N)
df_large = pd.DataFrame({'x': x, 'y': y})

Output:
Jika kita mencoba membuat plot scatter langsung dari data ini, kita akan menemukan
bahwa prosesnya sangat lambat. Solusinya adalah melakukan subsampling dari data. Mari
kita ambil sampel acak dari 1% dari data:
 df_sampled = df_large.sample(frac=0.01)

Kemudian, kita bisa membuat plot scatter dari data yang sudah disampling:
import matplotlib.pyplot as plt

plt.scatter(df_sampled['x'], df_sampled['y'], alpha=0.5)

plt.show()

Output:

Dengan hanya mengambil sebagian kecil dari data, kita dapat secara signifikan
meningkatkan kecepatan plot tanpa kehilangan terlalu banyak informasi.

5.1.2. Memanfaatkan Plotting Paralel

Jika kamu memiliki mesin multi-core, kamu bisa memanfaatkan semua core untuk
melakukan plotting secara paralel.

Contoh: Plotting Histogram dengan Multiprocessing

Misalkan kita memiliki empat dataset yang berbeda, dan kita ingin membuat histogram dari
masing-masing.

Mari kita ciptakan empat dataset acak:

datasets = [np.random.randn(1000000) for _ in range(4)]

Kemudian kita bisa menggunakan library multiprocessing untuk melakukan plot secara
paralel:
from multiprocessing import Pool

def plot_histogram(data):
plt.hist(data, bins=50)
plt.show()

with Pool() as pool:

pool.map(plot_histogram, datasets)

Dengan menggunakan paralelisme, kita dapat memanfaatkan semua core CPU untuk
mempercepat proses plotting.

5.2. Menggunakan Plugins dan Ekstensi

Matplotlib adalah perpustakaan yang sangat fleksibel dan dapat dikustomisasi, yang
memungkinkan kamu untuk tidak hanya mengubah tampilan plot, tetapi juga
menambahkan fungsi tambahan melalui plugins dan ekstensi. Dalam subbab ini, kita akan
menjelajahi beberapa cara menambahkan plugins dan ekstensi untuk meningkatkan
visualisasi data.

1. MPLD3: Mengintegrasikan D3.js dengan Matplotlib

MPLD3 menyediakan cara untuk memvisualisasikan plot Matplotlib dalam bentuk interaktif
menggunakan D3.js. Ini memungkinkan kamu untuk mengeksplorasi data dalam cara yang
lebih dinamis.

Contoh penggunaan MPLD3:

import matplotlib.pyplot as plt
import mpld3

x = [1, 2, 3, 4]
y = [10, 20, 30, 40]

plt.plot(x, y)
mpld3.show()

2. Basemap: Peta Geografis dalam Plot

Basemap adalah ekstensi yang memungkinkan kamu untuk membuat plot geografis. Kamu
bisa menggambar peta dunia, menambahkan garis pantai, sungai, negara, dan lainnya.
Contoh sederhana:
from mpl_toolkits.basemap import Basemap

plt.figure(figsize=(12, 6))
map = Basemap()
map.drawcoastlines()
plt.show()

Output:

3. Seaborn: Estetika yang Ditingkatkan

Seaborn membangun di atas Matplotlib dan menyediakan antarmuka yang lebih tinggi
untuk menggambar grafik statistik yang menarik. Ini juga memungkinkan kamu untuk
membuat tema yang lebih kompleks dengan lebih mudah.

Contoh plot dengan Seaborn:

import seaborn as sns

tips = sns.load_dataset("tips")
sns.boxplot(x="day", y="total_bill", data=tips)
plt.show()

Output:
4. Plotly: Plot Interaktif
Plotly adalah perpustakaan yang menyediakan plot interaktif. Kamu bisa menggunakannya
bersama Matplotlib untuk membuat plot yang dapat di-zoom, di-drag, dan lainnya.
import plotly.express as px

fig = px.line(x=x, y=y)

fig.show()

Output:
5. Menggunakan Widgets untuk Interaksi
Kamu juga dapat menggunakan widgets untuk menambahkan interaksi ke plot kamu.
Misalnya, slider yang mengubah parameter dalam plot.
from ipywidgets import interact

def plot_func(frequency):
x = np.linspace(0, 2*np.pi, 1000)
y = np.sin(frequency * x)
plt.plot(x, y)
plt.show()

interact(plot_func, frequency=(1, 10, 0.1))

Output:
5.3. Sumber Daya Tambahan

5.3.1. Dokumentasi Resmi Matplotlib

Dokumentasi adalah sumber daya pertama yang harus kamu kunjungi saat membutuhkan
bantuan. Dokumentasi Matplotlib adalah tempat yang bagus untuk memulai:
https://matplotlib.org/stable/contents.html
https://matplotlib.org/stable/tutorials/introductory/sample_plots.html
https://matplotlib.org/stable/gallery/index.html

5.3.2. Tutorial dan Kursus Online

Ada banyak tutorial dan kursus online yang dapat membantu kamu memahami berbagai
aspek Matplotlib dan visualisasi data:
https://www.datacamp.com/courses/introduction-to-data-visualization-with-matplotlib
https://www.coursera.org/specializations/data-science-python

5.3.3. Buku
Buku adalah sumber daya yang bagus untuk belajar dalam-dalam, dan beberapa buku
tentang Matplotlib dan visualisasi data adalah:

● "Storytelling with Data: A Guide to Visualizing Information for Impact" oleh Cole
Nussbaumer Knaflic.
 Deskripsi singkat: Buku ini menekankan pada bagaimana menceritakan kisah
melalui visualisasi data dan bagaimana memilih visualisasi yang tepat untuk data
Anda.
● "The Visual Display of Quantitative Information" oleh Edward R. Tufte.
Deskripsi singkat: Salah satu klasik dalam bidang visualisasi data, buku ini
mengeksplorasi prinsip-prinsip desain grafis yang baik dan bagaimana
menerapkannya pada grafik statistik.

● "D3.js in Action" oleh Elijah Meeks.

Deskripsi singkat: Untuk mereka yang tertarik dengan visualisasi data berbasis web,
D3.js adalah salah satu pustaka yang paling populer. Buku ini memberikan panduan
mendalam tentang cara menggunakan D3.js.

● "Interactive Data Visualization for the Web" oleh Scott Murray.

Deskripsi singkat: Buku lain tentang D3.js, tetapi dengan pendekatan yang lebih
praktis dan berorientasi pada pemula.

● "Data Visualization: A Practical Introduction" oleh Kieran Healy.

Deskripsi singkat: Buku ini menawarkan pendekatan praktis untuk visualisasi data
dengan menggunakan R dan ggplot2.

5.3.4. Forum dan Komunitas

Komunitas pengguna dan pengembang Matplotlib yang aktif dapat menjadi sumber
bantuan yang sangat berharga. Beberapa tempat untuk mencari bantuan adalah:
- Stack Overflow
- ChatGPT
- Datasans

Ingat, visualisasi data adalah bidang yang kompleks dan dinamis. Terus eksplorasi, belajar,
dan praktik adalah kunci untuk menjadi ahli dalam bidang ini. Jangan ragu untuk
bereksperimen, bertanya, dan berkolaborasi dengan orang lain. Selamat berpetualang
dalam dunia visualisasi data!
Terimakasih