Skip to main content

Pengenalan Matplotlib

Matplotlib

Matplotlib adalah library Python yang digunakan untuk membuat visualisasi data.

Dengan Matplotlib, data yang awalnya berupa angka atau tabel dapat diubah menjadi bentuk visual seperti:

  • Line chart
  • Bar chart
  • Scatter plot
  • Histogram
  • Pie chart
  • Box plot
  • Dan berbagai jenis visualisasi lainnya

Contoh sederhana:

import matplotlib.pyplot as plt

x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

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

Kode tersebut menghasilkan grafik yang menunjukkan hubungan antara nilai x dan y.

Secara sederhana:

Data
  ↓
Matplotlib
  ↓
Visualisasi
  ↓
Informasi lebih mudah dipahami

Mengapa Visualisasi Data Penting?​

Data dalam bentuk angka terkadang sulit dipahami jika hanya dilihat sebagai tabel.

Misalnya kita memiliki data:

Hari    Penjualan
1       10
2       15
3       12
4       20
5       25

Dari tabel tersebut kita dapat membaca nilai satu per satu.

Namun, jika data tersebut divisualisasikan:

Penjualan
  │
25│                ●
20│           ●
15│      ●
10│ ●          ●
  │
  └────────────────────
     1  2  3  4  5
          Hari

Pola kenaikan dan penurunan dapat terlihat lebih mudah.

Karena itu, visualisasi membantu kita:

  • Melihat pola.
  • Menemukan tren.
  • Membandingkan data.
  • Menemukan nilai yang tidak biasa.
  • Memahami hubungan antarvariabel.
  • Menyampaikan hasil analisis kepada orang lain.

matplotlib

Matplotlib dalam Data Science​

Matplotlib merupakan salah satu library penting dalam ekosistem Data Science Python.

Secara sederhana, kita dapat melihat hubungan beberapa library utama sebagai berikut:

             Data Science
                  │
        ┌─────────┼─────────┐
        ↓         ↓         ↓
      NumPy     Pandas   Matplotlib
        │         │         │
        │         │         ↓
        │         │     Visualisasi
        │         │
        ↓         ↓
    Data Numerik  Data Tabular

Ketiga library tersebut sering digunakan bersama.

NumPy​

NumPy berfokus pada:

  • Array.
  • Operasi numerik.
  • Perhitungan matematis.
  • Data multidimensi.

Pandas​

Pandas berfokus pada:

  • DataFrame.
  • Series.
  • Data tabular.
  • Membaca dan mengolah CSV.
  • Cleaning dan analisis data.

Matplotlib​

Matplotlib berfokus pada:

  • Visualisasi.
  • Plot.
  • Grafik.
  • Penyajian hasil analisis secara visual.

Dalam praktik Data Science, ketiganya sering digunakan dalam satu workflow.

Integrasi Matplotlib dengan NumPy​

Matplotlib memiliki integrasi yang sangat baik dengan NumPy.

Contohnya:

import numpy as np
import matplotlib.pyplot as plt

x = np.arange(0, 10)

y = x ** 2

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

Pada contoh tersebut:

NumPy
  ↓
Membuat dan menghitung data
  ↓
Matplotlib
  ↓
Memvisualisasikan data

Karena Matplotlib dapat bekerja dengan NumPy Array, kita dapat langsung memberikan array sebagai data untuk plotting.

Contoh:

x = np.array([1, 2, 3, 4, 5])
y = np.array([10, 20, 15, 30, 25])

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

Integrasi Matplotlib dengan Pandas​

Matplotlib juga dapat digunakan bersama Pandas.

Misalnya kita memiliki DataFrame:

import pandas as pd
import matplotlib.pyplot as plt

data = {
    "Month": ["Jan", "Feb", "Mar", "Apr", "May"],
    "Sales": [100, 120, 115, 150, 170]
}

df = pd.DataFrame(data)

Data tersebut dapat divisualisasikan menggunakan Pandas:

df.plot(
    x="Month",
    y="Sales"
)

plt.show()

Pandas menyediakan interface plotting yang menggunakan Matplotlib di belakangnya untuk banyak jenis visualisasi.

Dengan demikian:

Pandas DataFrame
       ↓
     .plot()
       ↓
  Matplotlib
       ↓
   Visualisasi

Mengapa Menggunakan Matplotlib?​

Ada beberapa alasan Matplotlib banyak digunakan dalam Data Science.

Kompatibel dengan Python​

Matplotlib merupakan library Python sehingga dapat digunakan langsung dalam program Python.

Kita tidak perlu berpindah ke bahasa pemrograman lain hanya untuk membuat grafik.

Kompatibel dengan NumPy​

Matplotlib dapat bekerja dengan NumPy Array.

Hal ini sangat berguna karena banyak proses numerik dalam Data Science menggunakan NumPy.

Terintegrasi dengan Pandas​

Pandas memiliki kemampuan plotting yang terintegrasi dengan Matplotlib.

Hal ini memungkinkan kita membuat visualisasi langsung dari DataFrame.

Fleksibel​

Matplotlib memberikan banyak kontrol terhadap tampilan grafik.

Kita dapat mengatur:

  • Judul.
  • Label sumbu.
  • Ukuran grafik.
  • Legend.
  • Grid.
  • Marker.
  • Line style.
  • Warna.
  • Batas sumbu.
  • Dan berbagai parameter lainnya.

Banyak Digunakan dalam Data Science​

Matplotlib telah menjadi salah satu library visualisasi yang umum digunakan dalam ekosistem Python.

Konsep dasar Matplotlib juga menjadi fondasi untuk memahami library visualisasi lain yang menggunakan atau terintegrasi dengan Matplotlib.

Import Matplotlib​

Cara umum mengimpor Matplotlib adalah:

import matplotlib.pyplot as plt

pyplot merupakan module yang menyediakan berbagai fungsi untuk membuat visualisasi.

plt adalah alias yang umum digunakan.

Dengan import tersebut kita dapat menggunakan:

plt.plot()
plt.scatter()
plt.bar()
plt.hist()
plt.xlabel()
plt.ylabel()
plt.title()
plt.legend()
plt.show()

Workflow Matplotlib​

Ketika membuat visualisasi menggunakan Matplotlib, kita dapat mengikuti workflow berikut:

1. Persiapkan data
       ↓
2. Buat Figure
       ↓
3. Buat / gunakan Axes
       ↓
4. Plot data
       ↓
5. Tambahkan informasi
       ↓
6. Kustomisasi
       ↓
7. Tampilkan grafik
       ↓
8. Simpan grafik

Workflow tersebut akan menjadi dasar untuk materi Matplotlib berikutnya.

1. Persiapkan Data​

Langkah pertama adalah menyiapkan data.

Data dapat berasal dari berbagai sumber, misalnya:

  • NumPy Array.
  • Pandas DataFrame.
  • File CSV.
  • Database.
  • API.
  • Hasil eksperimen Machine Learning.

Contoh menggunakan NumPy:

import numpy as np

x = np.array([1, 2, 3, 4, 5])
y = np.array([2, 4, 6, 8, 10])

2. Membuat Figure​

Figure dapat dipahami sebagai keseluruhan area atau canvas tempat visualisasi dibuat.

Contoh:

import matplotlib.pyplot as plt

fig = plt.figure()

Secara konseptual:

Figure
┌───────────────────────────────┐
│                               │
│          Area grafik          │
│                               │
└───────────────────────────────┘

Dalam praktik sehari-hari, kita sering menggunakan plt.subplots() karena sekaligus dapat membuat Figure dan Axes.

Contoh:

fig, ax = plt.subplots()

3. Axes​

Istilah Axes dalam Matplotlib sering membingungkan bagi pemula.

Axes adalah area tempat data benar-benar diplot, termasuk sistem koordinat seperti sumbu X dan Y.

Contohnya:

Figure
┌───────────────────────────────┐
│                               │
│      Axes                     │
│    ┌───────────────────┐      │
│    │       ●           │      │
│    │     ●             │      │
│    │   ●               │      │
│    └───────────────────┘      │
│                               │
└───────────────────────────────┘

Kita dapat membuatnya dengan:

fig, ax = plt.subplots()

Kemudian melakukan plotting:

ax.plot(x, y)

Figure vs Axes​

Perbedaan sederhana:

KomponenPengertian
FigureKeseluruhan canvas atau area visualisasi
AxesArea tempat data diplot
AxisSumbu seperti X-axis dan Y-axis

Perhatikan bahwa Axes dan Axis adalah istilah yang berbeda.

Secara sederhana:

Figure
  │
  └── Axes
       ├── X Axis
       └── Y Axis

Pemahaman ini penting ketika mulai menggunakan pendekatan Object-Oriented Matplotlib.

Dua Pendekatan Plotting Matplotlib​

Matplotlib dapat digunakan dengan beberapa gaya pemrograman.

Dua pendekatan yang sering dijumpai adalah:

  1. Pyplot interface
  2. Object-Oriented interface

Pyplot Interface​

Pendekatan ini menggunakan fungsi dari plt.

Contoh:

import matplotlib.pyplot as plt

x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

plt.plot(x, y)
plt.title("Contoh Grafik")
plt.xlabel("X")
plt.ylabel("Y")
plt.show()

Pendekatan ini relatif mudah dipahami ketika baru belajar Matplotlib.

Object-Oriented Interface​

Pendekatan Object-Oriented menggunakan objek Figure dan Axes.

Contoh:

import matplotlib.pyplot as plt

x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

fig, ax = plt.subplots()

ax.plot(x, y)
ax.set_title("Contoh Grafik")
ax.set_xlabel("X")
ax.set_ylabel("Y")

plt.show()

Pendekatan ini memberikan kontrol yang lebih jelas terhadap objek visualisasi.

Pendekatan ini juga sangat berguna ketika membuat:

  • Banyak grafik.
  • Multiple Axes.
  • Subplot.
  • Visualisasi yang kompleks.
  • Visualisasi dalam aplikasi atau laporan.

Pendekatan Mana yang Digunakan?​

Untuk pembelajaran awal, penggunaan plt dapat membantu memahami konsep dasar plotting.

Contohnya:

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

Namun, ketika visualisasi menjadi lebih kompleks, pendekatan Object-Oriented biasanya lebih mudah dikelola.

Contohnya:

fig, ax = plt.subplots()

ax.plot(x, y)

Tidak perlu menganggap salah satu pendekatan sebagai satu-satunya cara yang benar.

Yang penting adalah memahami bagaimana Figure, Axes, dan data saling berhubungan.

Membuat Plot Sederhana​

Mari membuat visualisasi sederhana.

import matplotlib.pyplot as plt

x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

plt.plot(x, y)

plt.show()

Kode:

plt.plot(x, y)

digunakan untuk membuat line plot.

Sedangkan:

plt.show()

digunakan untuk menampilkan visualisasi.

Menambahkan Judul​

Judul membantu menjelaskan apa yang ditampilkan oleh grafik.

plt.title("Pertumbuhan Data")

Contoh lengkap:

plt.plot(x, y)

plt.title("Pertumbuhan Data")

plt.show()

Menambahkan Label Sumbu​

Kita dapat memberikan label untuk sumbu X dan Y.

plt.xlabel("Hari")
plt.ylabel("Nilai")

Contoh lengkap:

plt.plot(x, y)

plt.title("Pertumbuhan Data")
plt.xlabel("Hari")
plt.ylabel("Nilai")

plt.show()

Visualisasi yang baik sebaiknya memberikan konteks yang cukup sehingga pembaca dapat memahami apa yang direpresentasikan oleh masing-masing sumbu.

Menambahkan Grid​

Grid dapat membantu pembaca memperkirakan nilai pada grafik.

plt.grid()

Contoh:

plt.plot(x, y)

plt.title("Pertumbuhan Data")
plt.xlabel("Hari")
plt.ylabel("Nilai")
plt.grid()

plt.show()

Menambahkan Legend​

Jika terdapat lebih dari satu data dalam grafik, kita dapat menggunakan legend.

Contoh:

plt.plot(x, y, label="Data Penjualan")

plt.title("Penjualan")
plt.xlabel("Bulan")
plt.ylabel("Jumlah")

plt.legend()

plt.show()

Parameter:

label="Data Penjualan"

memberikan nama untuk data tersebut.

Kemudian:

plt.legend()

menampilkan keterangannya.

Menyimpan Visualisasi​

Visualisasi tidak hanya dapat ditampilkan di layar.

Kita juga dapat menyimpannya menjadi file.

Contoh:

plt.savefig("grafik.png")

Format yang dapat digunakan bergantung pada backend dan kebutuhan, tetapi format umum antara lain:

PNG
JPG/JPEG
SVG
PDF

Contoh:

plt.plot(x, y)

plt.title("Pertumbuhan Data")

plt.savefig("pertumbuhan-data.png")

plt.show()

Biasanya savefig() dilakukan sebelum show() agar kita dapat mengontrol proses penyimpanan dengan jelas.

Contoh Workflow Lengkap​

Berikut contoh sederhana dari awal hingga menyimpan grafik:

import numpy as np
import matplotlib.pyplot as plt

# 1. Persiapkan data
x = np.arange(1, 6)
y = np.array([10, 15, 13, 20, 25])

# 2. Membuat plot
plt.plot(x, y, label="Penjualan")

# 3. Menambahkan informasi
plt.title("Data Penjualan")
plt.xlabel("Hari")
plt.ylabel("Jumlah")

# 4. Menambahkan legend dan grid
plt.legend()
plt.grid()

# 5. Menyimpan grafik
plt.savefig("penjualan.png")

# 6. Menampilkan grafik
plt.show()

Workflow tersebut dapat diringkas menjadi:

Import
  ↓
Data
  ↓
Plot
  ↓
Title
  ↓
Labels
  ↓
Legend / Grid
  ↓
Save
  ↓
Show

Troubleshooting Matplotlib​

Ketika belajar Matplotlib, hasil grafik terkadang tidak sesuai dengan yang diharapkan.

Hal tersebut merupakan bagian normal dari proses belajar.

Salah satu prinsip yang berguna adalah:

If in doubt, run the code.

Artinya, ketika ragu terhadap suatu kode, jalankan kode tersebut dan amati hasilnya.

Langkah Troubleshooting​

Jika grafik tidak sesuai, lakukan langkah berikut.

1. Periksa Data​

Pastikan data yang digunakan memang benar.

print(x)
print(y)

Periksa juga panjang data:

print(len(x))
print(len(y))

Untuk line plot sederhana, jumlah nilai X dan Y harus sesuai.

2. Periksa Shape NumPy Array​

Jika menggunakan NumPy:

print(x.shape)
print(y.shape)

Shape yang tidak sesuai dapat menyebabkan error atau menghasilkan visualisasi yang tidak diharapkan.

3. Jalankan Kode Secara Bertahap​

Daripada langsung menjalankan program yang panjang, coba jalankan bagian kecil terlebih dahulu.

Misalnya:

plt.plot(x, y)

Jika berhasil, tambahkan:

plt.title("Data")

Kemudian:

plt.xlabel("X")
plt.ylabel("Y")

Dengan cara ini kita dapat mengetahui bagian mana yang menyebabkan masalah.

4. Baca Pesan Error​

Jangan langsung mengabaikan pesan error.

Pesan error biasanya memberikan informasi tentang masalah yang terjadi.

Contohnya:

ValueError

dapat mengindikasikan adanya masalah pada nilai atau bentuk data.

Gunakan pesan error sebagai petunjuk untuk mencari penyebabnya.

5. Gunakan Dokumentasi​

Jika tidak mengetahui parameter suatu fungsi, dokumentasi resmi Matplotlib dapat menjadi sumber referensi.

Kita dapat memeriksa:

help(plt.plot)

atau:

help(plt.scatter)

Dokumentasi juga menjelaskan parameter yang tersedia dan contoh penggunaannya.

6. Cari Referensi Masalah​

Jika masalah belum ditemukan, kita dapat mencari referensi dari komunitas pemrograman seperti Stack Overflow.

Namun, jangan hanya menyalin solusi.

Pahami:

Masalah
  ↓
Penyebab
  ↓
Solusi
  ↓
Mengapa solusi tersebut bekerja?

Dengan demikian, kemampuan troubleshooting akan berkembang.

Praktik Terbaik Saat Belajar Matplotlib​

Beberapa kebiasaan yang baik:

Mulai dari Data Sederhana​

Jangan langsung menggunakan dataset yang sangat besar.

Mulailah dengan:

x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

Setelah memahami konsep, gunakan dataset yang lebih kompleks.

Periksa Data Sebelum Plotting​

Biasakan memeriksa:

print(x)
print(y)

atau:

print(df.head())

jika menggunakan Pandas.

Gunakan Label yang Jelas​

Hindari grafik yang tidak memiliki konteks.

Lebih baik:

plt.xlabel("Bulan")
plt.ylabel("Penjualan")

daripada hanya:

plt.xlabel("X")
plt.ylabel("Y")

untuk visualisasi final.

Gunakan Judul yang Informatif​

Judul sebaiknya menjelaskan apa yang sedang ditampilkan.

Contoh:

plt.title("Tren Penjualan Bulanan")

lebih informatif daripada:

plt.title("Grafik")

Jangan Berlebihan dalam Kustomisasi​

Tujuan visualisasi adalah menyampaikan informasi.

Terlalu banyak elemen dekoratif dapat membuat grafik sulit dibaca.

Fokus utama:

Data
 ↓
Pola
 ↓
Informasi

Hubungan Matplotlib dengan Machine Learning​

Visualisasi merupakan bagian penting dalam workflow Machine Learning.

Contohnya:

Dataset
   ↓
Exploratory Data Analysis
   ↓
Visualisasi
   ↓
Memahami data
   ↓
Preprocessing
   ↓
Training Model
   ↓
Evaluasi
   ↓
Visualisasi hasil

Matplotlib dapat digunakan untuk membantu:

  • Memahami distribusi data.
  • Melihat hubungan antarvariabel.
  • Menemukan outlier.
  • Membandingkan hasil model.
  • Memvisualisasikan training history.
  • Menampilkan hasil prediksi.

Karena itu, kemampuan membuat grafik merupakan bagian penting dari kemampuan Data Science.

Ringkasan​

Matplotlib adalah library Python untuk membuat visualisasi data.

Konsep utama yang perlu dipahami:

Matplotlib
    ↓
Visualisasi Data
    ↓
Figure
    ↓
Axes
    ↓
Plot
    ↓
Customization
    ↓
Save / Show

Matplotlib memiliki integrasi yang baik dengan:

NumPy → Data numerik
Pandas → Data tabular
Matplotlib → Visualisasi

Workflow dasarnya:

1. Persiapkan data
2. Buat Figure / Axes
3. Plot data
4. Tambahkan title
5. Tambahkan label
6. Tambahkan legend jika diperlukan
7. Kustomisasi
8. Simpan atau tampilkan

Fungsi Dasar yang Perlu Diingat​

FungsiKegunaan
plt.plot()Membuat line plot
plt.scatter()Membuat scatter plot
plt.bar()Membuat bar chart
plt.hist()Membuat histogram
plt.title()Memberikan judul
plt.xlabel()Memberikan label sumbu X
plt.ylabel()Memberikan label sumbu Y
plt.legend()Menampilkan legend
plt.grid()Menampilkan grid
plt.show()Menampilkan grafik
plt.savefig()Menyimpan grafik
plt.subplots()Membuat Figure dan Axes

Checklist Pembelajaran​

Setelah mempelajari materi ini, Anda seharusnya dapat:

  • Menjelaskan apa itu Matplotlib.
  • Menjelaskan fungsi visualisasi data.
  • Menjelaskan hubungan NumPy, Pandas, dan Matplotlib.
  • Mengimpor Matplotlib menggunakan pyplot.
  • Membuat line plot sederhana.
  • Memahami konsep Figure dan Axes.
  • Menjelaskan perbedaan Axes dan Axis.
  • Memahami pyplot interface.
  • Memahami Object-Oriented interface.
  • Menambahkan judul pada grafik.
  • Menambahkan label sumbu.
  • Menambahkan legend.
  • Menambahkan grid.
  • Menyimpan grafik menggunakan savefig().
  • Melakukan troubleshooting sederhana pada grafik.

Latihan​

Latihan 1 - Line Plot​

Buat data:

x = [1, 2, 3, 4, 5, 6]
y = [10, 15, 12, 20, 25, 30]

Kemudian:

  1. Buat line plot.
  2. Tambahkan judul.
  3. Tambahkan label X.
  4. Tambahkan label Y.
  5. Tambahkan grid.
  6. Tampilkan grafik.

Latihan 2 - NumPy dan Matplotlib​

Gunakan NumPy untuk membuat data:

import numpy as np

x = np.arange(0, 11)
y = x ** 2

Kemudian visualisasikan menggunakan Matplotlib.

Latihan 3 - Figure dan Axes​

Gunakan pendekatan Object-Oriented:

fig, ax = plt.subplots()

Kemudian buat sebuah line plot menggunakan:

ax.plot(x, y)

Tambahkan:

  • Title.
  • X label.
  • Y label.
  • Grid.

Latihan 4 - Menyimpan Grafik​

Buat sebuah grafik kemudian simpan menggunakan:

plt.savefig("hasil-grafik.png")

Periksa apakah file berhasil dibuat pada folder kerja Anda.