Lewati ke isi

Visualisasi Data dengan Matplotlib dan Seaborn

Gambaran singkat

Apa ini? Membuat grafik dengan Matplotlib dan Seaborn untuk melihat pola yang tidak tampak dari angka.

Analogi

Daftar angka penjualan sulit dibaca, tetapi grafik garis langsung memperlihatkan kapan naik atau turun.

Mengapa penting? Grafik yang tepat mengungkap pola, outlier, dan hubungan. Grafik yang salah memilih bisa menyesatkan.

Yang akan dipelajari, berurutan:

  1. Memilih jenis grafik sesuai pertanyaan.
  2. Histogram, boxplot, scatter plot, heatmap korelasi.
  3. Membaca grafik secara kritis.

Istilah awal:

Istilah Arti sederhana
Histogram Menunjukkan sebaran satu variabel
Boxplot Ringkasan median, kuartil, dan outlier
Scatter plot Titik untuk melihat hubungan dua variabel
Heatmap Warna untuk menunjukkan besar nilai tabel

Tujuan pembelajaran

  • Memilih jenis grafik sesuai pertanyaan dan jenis data.
  • Membuat histogram, boxplot, scatter plot, dan heatmap korelasi.
  • Membaca grafik secara kritis, termasuk efek outlier.

Konsep dasar

Grafik membantu melihat pola yang tidak tampak dari angka. Matplotlib adalah pustaka dasarnya (figure berisi satu atau lebih axes); Seaborn dibangun di atasnya dan menyederhanakan grafik statistik dari DataFrame.

Pertanyaan Grafik
Bagaimana bentuk distribusi satu variabel numerik? Histogram
Bagaimana distribusi dibandingkan antar kelompok, dan adakah outlier? Boxplot
Apakah dua variabel numerik berhubungan? Scatter plot
Bagaimana hubungan banyak variabel sekaligus? Heatmap korelasi
Bagaimana perubahan menurut waktu? Grafik garis (bab Forecasting)

Dataset

  • Data pelanggan sintetis (lihat pandas) untuk histogram.
  • Wine bawaan scikit-learn (load_wine): data publik 178 sampel hasil analisis kimia anggur dari tiga kultivar, 13 fitur numerik; target target berisi kelas 0, 1, 2. Dokumentasi: scikit-learn toy datasets.

Implementasi langkah demi langkah

Program examples/fundamentals/visualization.py membuat empat gambar. Jalankan dari root repositori karena gambar disimpan ke docs/assets/img/fundamentals/. Program lengkap ada di akhir bagian ini.

Langkah 1: menyiapkan pustaka dan data

visualization.py
from pathlib import Path

import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
from sklearn.datasets import load_wine

from customer_data import make_customer_data

OUT = Path("docs/assets/img/fundamentals")
OUT.mkdir(parents=True, exist_ok=True)
sns.set_theme(style="whitegrid")

df = make_customer_data()
wine = load_wine(as_frame=True).frame  # kolom 'target' = kelas anggur (0,1,2)
Kode Penjelasan
import matplotlib.pyplot as plt Modul pyplot dari Matplotlib, diberi nama pendek plt.
import seaborn as sns Seaborn, nama pendek sns.
OUT = Path(...); OUT.mkdir(parents=True, exist_ok=True) Menentukan folder tujuan gambar dan membuatnya bila belum ada (exist_ok=True mencegah galat jika sudah ada).
sns.set_theme(style="whitegrid") Memilih tema tampilan: latar putih dengan garis bantu abu-abu.
load_wine(as_frame=True).frame Memuat dataset Wine sebagai DataFrame; kolom target berisi kelas anggur (0, 1, 2).

Konsep Matplotlib. Satu gambar adalah Figure (kanvas); di dalamnya ada satu atau lebih Axes (area grafik dengan sumbu x dan y). fig, ax = plt.subplots(...) membuat keduanya; semua fungsi Seaborn di bawah menerima ax= agar grafiknya digambar di Axes tersebut.

Langkah 2: histogram, bentuk distribusi satu variabel

Pertanyaan yang dijawab: bagaimana nilai income tersebar?

visualization.py
# 1. Histogram: bentuk distribusi. Outlier meratakan skala sumbu-x,
#    sehingga transformasi log membantu melihat bentuk sebenarnya.
income_juta = df["income"].dropna() / 1e6
fig, axes = plt.subplots(1, 2, figsize=(9, 3.5))
sns.histplot(income_juta, bins=30, ax=axes[0])
axes[0].set_title("Skala asli")
axes[0].set_xlabel("income (juta Rp/bulan)")
sns.histplot(np.log10(income_juta), bins=30, ax=axes[1])
axes[1].set_title("Setelah log10")
axes[1].set_xlabel("log10(income dalam juta Rp)")
fig.tight_layout()
fig.savefig(OUT / "histogram-income.png", dpi=130)
Kode Penjelasan
df["income"].dropna() / 1e6 Membuang nilai hilang (dropna) lalu membagi 1e6 (satu juta) agar satuannya "juta rupiah".
plt.subplots(1, 2, figsize=(9, 3.5)) Satu baris dengan dua grafik berdampingan; figsize = lebar dan tinggi dalam inci. axes[0] dan axes[1] adalah grafik kiri dan kanan.
sns.histplot(..., bins=30) Membagi rentang nilai menjadi 30 kotak (bin) lalu menghitung berapa data di tiap kotak.
np.log10(...) Logaritma basis 10: mengubah skala sehingga nilai sangat besar tidak lagi meregangkan sumbu.
set_title, set_xlabel Judul dan label sumbu: selalu beri agar pembaca tahu isinya.
fig.tight_layout(), fig.savefig(..., dpi=130) Merapikan jarak antar-elemen dan menyimpan gambar (dpi = ketajaman).

Dua histogram pendapatan: skala asli menumpuk di sisi kiri akibat outlier, skala log terlihat mendekati lonceng

Cara membaca. Sumbu-x adalah nilai income, sumbu-y adalah jumlah pelanggan (count) dalam tiap kotak. Pada skala asli (kiri) hampir semua data menumpuk di sisi kiri karena beberapa nilai ekstrem (sampai ratusan juta rupiah) memperlebar sumbu-x. Setelah log10 (kanan), bentuk distribusi mendekati lonceng dan sisa outlier tampak jelas di sisi kanan. Skewness income pada data ini 13,78 (baris terakhir keluaran program), tanda kemiringan ekstrem ke kanan.

Yang tidak dapat disimpulkan. Histogram menunjukkan bentuk distribusi, bukan alasan kenapa nilai ekstrem muncul; itu perlu diperiksa pada datanya.

Langkah 3: boxplot, membandingkan kelompok

Pertanyaan: apakah kadar alkohol berbeda antar kelas anggur?

visualization.py
# 2. Boxplot: perbandingan distribusi antar kelompok + outlier
fig, ax = plt.subplots(figsize=(6, 3.5))
sns.boxplot(data=wine, x="target", y="alcohol", ax=ax)
ax.set_title("Kadar alkohol menurut kelas anggur")
fig.tight_layout()
fig.savefig(OUT / "boxplot-alcohol.png", dpi=130)

sns.boxplot(data=wine, x="target", y="alcohol") menggambar satu kotak untuk tiap nilai target (sumbu-x), dengan nilai alcohol pada sumbu-y.

Boxplot kadar alkohol untuk tiga kelas anggur

Cara membaca. Kotak memuat 50% data tengah (dari kuartil 1 ke kuartil 3), garis di dalam kotak adalah median, "kumis" menjangkau data yang masih wajar, dan titik di luar kumis adalah calon outlier (aturan IQR; lihat Statistik). Kotak yang berada pada tinggi berbeda menunjukkan sebaran alkohol yang berbeda antar kelas, sehingga fitur ini berpotensi membantu membedakan kelas. Tumpang-tindih antar-kotak berarti satu fitur ini saja tidak cukup memisahkan kelas.

Langkah 4: scatter plot, hubungan dua variabel

visualization.py
# 3. Scatter plot: hubungan dua variabel numerik
fig, ax = plt.subplots(figsize=(6, 3.5))
sns.scatterplot(data=wine, x="alcohol", y="flavanoids", hue="target",
                palette="deep", ax=ax)
ax.set_title("Alkohol vs flavanoid")
fig.tight_layout()
fig.savefig(OUT / "scatter-wine.png", dpi=130)

sns.scatterplot(x="alcohol", y="flavanoids", hue="target"): tiap titik adalah satu anggur; posisi horizontal = alkohol, posisi vertikal = flavanoid; warna (hue) = kelas, dijelaskan oleh legenda di pojok grafik.

Scatter plot alkohol terhadap flavanoid, diwarnai menurut kelas anggur

Cara membaca. Kombinasi dua fitur memisahkan kelas lebih baik daripada satu fitur saja: kelas 2 cenderung berflavanoid rendah, sedangkan kelas 0 beralkohol dan berflavanoid tinggi. Namun kelas 1 dan sebagian kelas lain tumpang tindih. Korelasi alkohol–flavanoid seluruh data hanya 0,24 (baris kedua keluaran): hubungan keseluruhan lemah, tetapi pola per kelas terlihat. Korelasi bukan sebab-akibat: grafik ini tidak membuktikan alkohol memengaruhi flavanoid atau sebaliknya.

Langkah 5: heatmap korelasi

Konsep. wine[cols].corr() menghasilkan tabel korelasi Pearson antar-pasangan kolom (nilai -1 sampai +1). Heatmap mewarnai tiap sel menurut nilainya.

visualization.py
# 4. Heatmap korelasi
fig, ax = plt.subplots(figsize=(6, 4.5))
cols = ["alcohol", "malic_acid", "flavanoids", "total_phenols", "color_intensity", "proline"]
sns.heatmap(wine[cols].corr(), annot=True, fmt=".2f", cmap="vlag", center=0,
            vmin=-1, vmax=1, ax=ax)
ax.set_title("Korelasi antar fitur (wine)")
fig.tight_layout()
fig.savefig(OUT / "heatmap-wine.png", dpi=130)
Parameter Arti
annot=True, fmt=".2f" Menuliskan angka korelasi (dua desimal) di dalam sel.
cmap="vlag", center=0 Palet biru-putih-merah dengan putih pada 0: satu warna untuk korelasi positif, warna lain untuk negatif.
vmin=-1, vmax=1 Mengunci rentang warna pada -1 sampai 1 agar warna konsisten.

Heatmap korelasi enam fitur wine

Cara membaca. Sumbu-x dan sumbu-y sama-sama berisi fitur, sehingga tabel simetris dan diagonalnya selalu 1 (korelasi fitur dengan dirinya). Cari sel berwarna pekat: korelasi kuat berarti dua fitur membawa informasi mirip. Ingat bahwa korelasi hanya mengukur hubungan linear dan bukan sebab-akibat (lihat Statistik).

Langkah 6: keluaran teks

visualization.py
print("Gambar tersimpan:", sorted(p.name for p in OUT.glob("*.png")))
print("Korelasi alcohol-flavanoids: %.2f" % wine["alcohol"].corr(wine["flavanoids"]))
print("Skewness income: %.2f" % df["income"].skew())
Gambar tersimpan: ['boxplot-alcohol.png', 'heatmap-wine.png', 'histogram-income.png', 'scatter-wine.png']
Korelasi alcohol-flavanoids: 0.24
Skewness income: 13.78

Program mencetak nama gambar yang tersimpan, korelasi alcohol–flavanoids (0,24), dan skewness income (13,78).

Program lengkap (visualization.py)
visualization.py
from pathlib import Path

import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
from sklearn.datasets import load_wine

from customer_data import make_customer_data

OUT = Path("docs/assets/img/fundamentals")
OUT.mkdir(parents=True, exist_ok=True)
sns.set_theme(style="whitegrid")

df = make_customer_data()
wine = load_wine(as_frame=True).frame  # kolom 'target' = kelas anggur (0,1,2)

# 1. Histogram: bentuk distribusi. Outlier meratakan skala sumbu-x,
#    sehingga transformasi log membantu melihat bentuk sebenarnya.
income_juta = df["income"].dropna() / 1e6
fig, axes = plt.subplots(1, 2, figsize=(9, 3.5))
sns.histplot(income_juta, bins=30, ax=axes[0])
axes[0].set_title("Skala asli")
axes[0].set_xlabel("income (juta Rp/bulan)")
sns.histplot(np.log10(income_juta), bins=30, ax=axes[1])
axes[1].set_title("Setelah log10")
axes[1].set_xlabel("log10(income dalam juta Rp)")
fig.tight_layout()
fig.savefig(OUT / "histogram-income.png", dpi=130)

# 2. Boxplot: perbandingan distribusi antar kelompok + outlier
fig, ax = plt.subplots(figsize=(6, 3.5))
sns.boxplot(data=wine, x="target", y="alcohol", ax=ax)
ax.set_title("Kadar alkohol menurut kelas anggur")
fig.tight_layout()
fig.savefig(OUT / "boxplot-alcohol.png", dpi=130)

# 3. Scatter plot: hubungan dua variabel numerik
fig, ax = plt.subplots(figsize=(6, 3.5))
sns.scatterplot(data=wine, x="alcohol", y="flavanoids", hue="target",
                palette="deep", ax=ax)
ax.set_title("Alkohol vs flavanoid")
fig.tight_layout()
fig.savefig(OUT / "scatter-wine.png", dpi=130)

# 4. Heatmap korelasi
fig, ax = plt.subplots(figsize=(6, 4.5))
cols = ["alcohol", "malic_acid", "flavanoids", "total_phenols", "color_intensity", "proline"]
sns.heatmap(wine[cols].corr(), annot=True, fmt=".2f", cmap="vlag", center=0,
            vmin=-1, vmax=1, ax=ax)
ax.set_title("Korelasi antar fitur (wine)")
fig.tight_layout()
fig.savefig(OUT / "heatmap-wine.png", dpi=130)

print("Gambar tersimpan:", sorted(p.name for p in OUT.glob("*.png")))
print("Korelasi alcohol-flavanoids: %.2f" % wine["alcohol"].corr(wine["flavanoids"]))
print("Skewness income: %.2f" % df["income"].skew())

Kesalahan umum

Hindari

  • Membaca histogram tanpa memperhatikan skala sumbu yang terdistorsi outlier.
  • Memotong sumbu-y pada grafik batang sehingga selisih tampak berlebihan.
  • Memakai terlalu banyak warna atau tanpa judul dan label sumbu.
  • Membuat kesimpulan kausal dari scatter plot.
  • Tidak menyimpan grafik dengan bbox/tight_layout sehingga label terpotong.

Latihan

  1. Buat histogram age dari data pelanggan. Apakah distribusinya simetris?
  2. Buat boxplot flavanoids menurut target pada wine.
  3. Buat scatter plot proline vs color_intensity. Apakah kelas terpisah?
  4. Tambahkan annot=False pada heatmap dan jelaskan apa yang hilang.

Ringkasan

Pilih grafik sesuai pertanyaan: histogram (distribusi), boxplot (perbandingan dan outlier), scatter (hubungan), heatmap (korelasi). Selalu periksa skala dan jangan menarik kesimpulan kausal.

Berikutnya: Statistik.