Menyimpan & Mengekspor Grafik

Setelah membuat dan mengkustomisasi visualisasi, langkah berikutnya adalah menyimpan atau mengekspor grafik agar dapat digunakan di luar notebook.

Grafik yang dibuat menggunakan Matplotlib dapat:

• Ditampilkan di Jupyter Notebook.
• Disimpan sebagai file gambar.
• Digunakan dalam laporan.
• Dimasukkan ke presentasi.
• Dibagikan kepada orang lain.
• Digunakan dalam dokumentasi.
• Diekspor secara otomatis melalui program Python.

Pada materi ini kita akan mempelajari cara menyimpan grafik secara manual dan menggunakan kode Python.

Tujuan Pembelajaran

Setelah mempelajari materi ini, kita diharapkan dapat:

• Memahami mengapa grafik perlu diekspor.
• Menyimpan grafik secara manual dari Jupyter Notebook.
• Menyimpan grafik menggunakan fig.savefig().
• Memahami hubungan antara Figure dan savefig().
• Menentukan nama file dan format output.
• Mengatur resolusi menggunakan dpi.
• Mengatur area kosong menggunakan bbox_inches.
• Menyimpan grafik ke folder tertentu.
• Membuat proses ekspor grafik yang dapat diotomatisasi.

Mengapa Grafik Perlu Disimpan?

Ketika bekerja dengan Jupyter Notebook, grafik dapat langsung ditampilkan menggunakan:

plt.show()

Namun grafik tersebut belum tentu tersedia sebagai file yang dapat digunakan di luar notebook.

Misalnya kita ingin memasukkan grafik ke:

• Microsoft Word.
• PowerPoint.
• laporan penelitian.
• website.
• dokumentasi Docusaurus.
• media sosial.
• jurnal ilmiah.

Maka kita membutuhkan file hasil visualisasi.

Alur sederhananya:

Data
 ↓
Analisis
 ↓
Visualisasi
 ↓
Kustomisasi
 ↓
Export
 ↓
File Grafik

Cara Manual dari Jupyter Notebook

Salah satu cara paling sederhana adalah menyimpan grafik melalui antarmuka Jupyter Notebook.

Setelah grafik ditampilkan, pada beberapa lingkungan notebook kita dapat:

1. Klik kanan pada gambar.
2. Pilih opsi seperti Save Image As...
3. Pilih lokasi penyimpanan.
4. Berikan nama file.
5. Simpan gambar.

Cara ini mudah digunakan untuk kebutuhan sederhana.

Namun terdapat keterbatasan.

Jika kita memiliki:

10 grafik
50 grafik
100 grafik

menyimpan satu per satu secara manual tentu tidak efisien.

Untuk pekerjaan Data Science, cara programatis biasanya lebih fleksibel.

Menyimpan Grafik dengan fig.savefig()

Matplotlib menyediakan method:

fig.savefig()

Method tersebut digunakan untuk menyimpan sebuah Figure ke file.

Contoh:

fig.savefig("heart-disease-analysis.png")

Di sini:

fig
 ↓
Figure
 ↓
savefig()
 ↓
heart-disease-analysis.png

Mengapa Menggunakan fig.savefig()?

Pada pendekatan Object-Oriented Matplotlib, kita biasanya memiliki:

fig, ax = plt.subplots()

fig merupakan objek Figure.

Karena Figure merupakan wadah utama visualisasi, kita dapat menyimpan keseluruhan visualisasi menggunakan:

fig.savefig(...)

Contoh:

fig, ax = plt.subplots()

ax.plot(
    [1, 2, 3, 4],
    [10, 20, 15, 30]
)

fig.savefig("sales-plot.png")

plt.show()

Grafik akan ditampilkan sekaligus disimpan sebagai file.

Sintaks Dasar

Bentuk paling sederhana:

fig.savefig("nama-file.png")

Contoh:

fig.savefig("heart-disease-analysis.png")

File akan disimpan menggunakan nama:

heart-disease-analysis.png

Lokasi penyimpanan relatif terhadap current working directory Python/Jupyter.

Menentukan Folder Penyimpanan

Kita juga dapat menentukan lokasi folder.

Misalnya:

fig.savefig("images/heart-disease-analysis.png")

Artinya file akan disimpan ke:

images/
└── heart-disease-analysis.png

Folder tersebut harus sudah tersedia.

Jika folder belum ada, kita dapat membuatnya menggunakan Python.

Contoh:

from pathlib import Path

output_dir = Path("images")
output_dir.mkdir(parents=True, exist_ok=True)

Kemudian:

fig.savefig(
    output_dir / "heart-disease-analysis.png"
)

Pendekatan Path lebih fleksibel untuk pengelolaan path dibandingkan menulis path sebagai string panjang secara manual.

Format File Grafik

Format file biasanya dapat ditentukan melalui ekstensi nama file.

Contoh:

fig.savefig("plot.png")

PNG digunakan untuk gambar raster.

Kita juga dapat menggunakan format lain yang didukung oleh Matplotlib, tergantung backend dan lingkungan.

Contohnya:

.png
.jpg
.jpeg
.svg
.pdf

Secara umum:

Format	Jenis	Contoh penggunaan
PNG	Raster	Website, dokumentasi, presentasi
JPEG	Raster	Foto/gambar dengan banyak warna
SVG	Vector	Website dan grafik yang membutuhkan scaling
PDF	Vector/document	Laporan dan publikasi

Format yang dipilih sebaiknya disesuaikan dengan kebutuhan akhir.

Raster vs Vector

Salah satu konsep penting dalam ekspor grafik adalah perbedaan antara raster dan vector.

Raster

Gambar raster tersusun dari pixel.

Contohnya:

PNG
JPEG

Jika gambar raster diperbesar terlalu jauh, kualitas dapat menurun karena pixel menjadi terlihat.

Vector

Grafik vector direpresentasikan menggunakan bentuk geometris dan informasi matematis.

Contohnya:

SVG
PDF

Grafik vector dapat diperbesar tanpa mengalami pixelation seperti gambar raster pada umumnya.

Untuk grafik Data Science yang terdiri dari garis, titik, teks, dan bentuk geometris, format vector dapat berguna ketika output membutuhkan scaling atau publikasi tertentu.

Mengatur Resolusi dengan dpi

Untuk format raster, kita dapat mengatur resolusi menggunakan:

dpi

Contoh:

fig.savefig(
    "heart-disease-analysis.png",
    dpi=300
)

dpi merupakan singkatan dari:

dots per inch

Secara sederhana, semakin besar nilai DPI, semakin tinggi kepadatan pixel pada output raster.

Contoh:

dpi=100

dan:

dpi=300

dapat menghasilkan file dengan karakteristik resolusi berbeda.

Namun, DPI bukan satu-satunya faktor yang menentukan ukuran file atau kualitas visual. Ukuran Figure, format file, dan kompleksitas grafik juga berpengaruh.

Kapan Menggunakan DPI Tinggi?

DPI yang lebih tinggi dapat berguna ketika grafik akan:

• dimasukkan ke laporan,
• dicetak,
• digunakan pada materi presentasi,
• atau membutuhkan detail raster yang lebih tinggi.

Namun semakin tinggi DPI, ukuran file raster dapat meningkat.

Jadi tidak selalu berarti:

DPI semakin besar = selalu semakin baik

Gunakan resolusi sesuai kebutuhan output.

Mengatur Area Kosong dengan bbox_inches

Terkadang terdapat area kosong di sekitar grafik.

Kita dapat menggunakan:

bbox_inches="tight"

Contoh:

fig.savefig(
    "heart-disease-analysis.png",
    bbox_inches="tight"
)

Pengaturan ini meminta Matplotlib menyesuaikan bounding box output agar elemen grafik yang relevan tidak dikelilingi area kosong yang berlebihan.

Menggabungkan dpi dan bbox_inches

Kita dapat menggunakan keduanya:

fig.savefig(
    "heart-disease-analysis.png",
    dpi=300,
    bbox_inches="tight"
)

Ini merupakan pola yang cukup umum ketika menyimpan grafik raster untuk digunakan di luar notebook.

Menyimpan Grafik Setelah tight_layout()

Jika grafik memiliki banyak elemen, kita dapat mengatur layout terlebih dahulu.

Contoh:

fig.tight_layout()

fig.savefig(
    "heart-disease-analysis.png",
    dpi=300,
    bbox_inches="tight"
)

Urutannya:

Create Figure
     ↓
Create Plot
     ↓
Customize
     ↓
tight_layout()
     ↓
savefig()
     ↓
   show()

Dengan demikian layout sudah disesuaikan sebelum Figure disimpan.

Contoh dengan suptitle()

Pada materi sebelumnya kita telah menggunakan:

fig.suptitle(
    "Heart Disease Analysis"
)

Jika Figure memiliki super title, kita dapat mengatur layout sebelum menyimpan.

Contoh:

fig.suptitle(
    "Heart Disease Analysis",
    fontsize=16,
    fontweight="bold"
)

fig.tight_layout(
    rect=[0, 0, 1, 0.96]
)

fig.savefig(
    "heart-disease-analysis.png",
    dpi=300,
    bbox_inches="tight"
)

Perhatikan bahwa rect memberikan ruang di bagian atas untuk suptitle.

Contoh Lengkap

Sekarang kita gabungkan konsep yang telah dipelajari.

import matplotlib.pyplot as plt

# Membuat Figure dan Axes
fig, ax = plt.subplots(
    figsize=(10, 6)
)

# Membuat grafik
ax.plot(
    [1, 2, 3, 4, 5],
    [10, 20, 15, 30, 25]
)

# Kustomisasi
ax.set(
    title="Sales Trend",
    xlabel="Month",
    ylabel="Sales"
)

# Mengatur layout
fig.tight_layout()

# Menyimpan grafik
fig.savefig(
    "sales-trend.png",
    dpi=300,
    bbox_inches="tight"
)

# Menampilkan grafik
plt.show()

Pada contoh tersebut kita melakukan:

1. Membuat Figure
2. Membuat Axes
3. Membuat plot
4. Memberikan judul
5. Memberikan label
6. Mengatur layout
7. Menyimpan Figure
8. Menampilkan Figure

Menyimpan Dua Subplot

Konsep savefig() juga dapat digunakan untuk Figure yang memiliki banyak subplot.

Contoh:

import matplotlib.pyplot as plt

fig, (ax0, ax1) = plt.subplots(
    nrows=2,
    ncols=1,
    figsize=(10, 10),
    sharex=True
)

ax0.plot(
    [1, 2, 3, 4],
    [10, 20, 15, 30]
)

ax0.set(
    title="Sales"
)

ax1.plot(
    [1, 2, 3, 4],
    [5, 15, 10, 25]
)

ax1.set(
    title="Profit",
    xlabel="Month"
)

fig.tight_layout()

fig.savefig(
    "sales-and-profit.png",
    dpi=300,
    bbox_inches="tight"
)

plt.show()

Perhatikan bahwa kita menyimpan:

fig

bukan:

ax0

atau:

ax1

Karena fig merupakan Figure yang menampung kedua subplot.

Figure vs Axes Ketika Menyimpan

Konsep ini penting untuk diingat.

Misalnya:

fig, ax = plt.subplots()

Strukturnya:

Figure
│
└── Axes
    └── Plot

Jika kita ingin menyimpan keseluruhan Figure:

fig.savefig(...)

Jika Figure memiliki beberapa Axes:

Figure
│
├── ax0
├── ax1
├── ax2
└── ax3

maka:

fig.savefig(...)

akan menyimpan keseluruhan Figure beserta subplot yang ada di dalamnya.

Menyimpan ke Beberapa Format

Jika kita membutuhkan beberapa format output, kita dapat menyimpan Figure beberapa kali.

Contoh:

fig.savefig(
    "heart-disease-analysis.png",
    dpi=300,
    bbox_inches="tight"
)

fig.savefig(
    "heart-disease-analysis.svg",
    bbox_inches="tight"
)

Sekarang kita memiliki:

heart-disease-analysis.png
heart-disease-analysis.svg

Format PNG dapat digunakan untuk kebutuhan raster.

SVG dapat digunakan ketika kita membutuhkan grafik vector yang dapat diskalakan.

Membuat Fungsi untuk Export Grafik

Salah satu keuntungan menyimpan grafik menggunakan kode adalah otomatisasi.

Kita dapat membuat fungsi:

def save_plot(fig, filename):
    fig.savefig(
        filename,
        dpi=300,
        bbox_inches="tight"
    )

Kemudian:

save_plot(
    fig,
    "heart-disease-analysis.png"
)

Fungsi tersebut dapat digunakan kembali untuk berbagai Figure.

Membuat Folder Output Secara Otomatis

Untuk proyek Data Science, kita dapat membuat folder khusus untuk hasil visualisasi.

Contoh:

from pathlib import Path

output_dir = Path("outputs")
output_dir.mkdir(
    parents=True,
    exist_ok=True
)

Kemudian:

fig.savefig(
    output_dir / "heart-disease-analysis.png",
    dpi=300,
    bbox_inches="tight"
)

Struktur folder:

project/
│
├── notebook.ipynb
├── data/
│
└── outputs/
    └── heart-disease-analysis.png

Struktur seperti ini membantu memisahkan:

source code
data
output

Penamaan File yang Baik

Gunakan nama file yang menjelaskan isi grafik.

Kurang informatif:

plot1.png
graph.png
gambar.png
hasil.png

Lebih informatif:

heart-disease-cholesterol.png
heart-disease-heart-rate.png
monthly-sales-trend.png
age-vs-cholesterol.png

Nama file yang jelas akan mempermudah pengelolaan banyak hasil analisis.

Hindari Menimpa File Secara Tidak Sengaja

Jika kita menjalankan:

fig.savefig("plot.png")

berulang kali, file dengan nama yang sama dapat ditimpa.

Dalam eksperimen yang membutuhkan banyak versi, gunakan nama yang lebih spesifik.

Contoh:

heart-disease-v1.png
heart-disease-v2.png
heart-disease-final.png

Untuk proyek yang lebih besar, penamaan berbasis tanggal, eksperimen, atau konfigurasi dapat membantu.

Menentukan Format Secara Eksplisit

Format biasanya dapat dikenali dari ekstensi:

fig.savefig("plot.png")

Namun kita juga dapat menentukan format secara eksplisit menggunakan parameter:

format="png"

Contoh:

fig.savefig(
    "heart-disease-analysis",
    format="png"
)

Pendekatan ini berguna ketika kita ingin memisahkan nama file dari format output.

Workflow Visualisasi yang Lengkap

Sampai materi ini, workflow Matplotlib yang kita pelajari dapat dirangkum menjadi:

1. Prepare Data
       ↓
2. Create Figure & Axes
       ↓
3. Create Plot
       ↓
4. Customize
       ↓
5. Set Style
       ↓
6. Set Labels
       ↓
7. Add Legend
       ↓
8. Set Axis Limits
       ↓
9. Adjust Layout
       ↓
10. Save Figure
       ↓
11. Display Figure

Dalam kode:

fig, ax = plt.subplots()

ax.plot(...)

ax.set(...)

fig.tight_layout()

fig.savefig(
    "output.png",
    dpi=300,
    bbox_inches="tight"
)

plt.show()

Pola ini dapat digunakan kembali pada berbagai proyek.

Kesalahan yang Sering Terjadi

Folder Belum Ada

Kode:

fig.savefig(
    "outputs/plot.png"
)

dapat gagal jika folder outputs belum tersedia.

Solusinya:

from pathlib import Path

output_dir = Path("outputs")
output_dir.mkdir(
    parents=True,
    exist_ok=True
)

Menyimpan Sebelum Layout Diatur

Jika Figure memiliki banyak elemen, pertimbangkan untuk mengatur layout sebelum menyimpan:

fig.tight_layout()

fig.savefig(...)

Menggunakan DPI Sangat Tinggi Tanpa Alasan

Misalnya:

dpi=1200

tidak selalu diperlukan.

Ukuran file dapat menjadi jauh lebih besar tanpa memberikan manfaat yang berarti untuk kebutuhan tertentu.

Gunakan DPI berdasarkan tujuan output.

Mengira dpi Berlaku Sama untuk Semua Format

DPI terutama relevan terhadap output raster seperti PNG atau JPEG.

Format vector seperti SVG dan PDF tidak bekerja dengan konsep resolusi pixel yang sama seperti raster.

Praktik yang Disarankan

Untuk workflow Data Science, biasakan:

1. Simpan Figure melalui Kode

Gunakan:

fig.savefig(...)

daripada selalu menyimpan secara manual.

2. Gunakan Folder Output

Pisahkan hasil visualisasi:

outputs/

atau:

images/

dari source code dan dataset.

3. Gunakan Nama File Deskriptif

Contoh:

age-vs-cholesterol.png

lebih mudah dipahami daripada:

plot1.png

4. Atur Layout Sebelum Export

Gunakan:

fig.tight_layout()

jika diperlukan.

5. Pilih Format Berdasarkan Tujuan

Gunakan raster atau vector sesuai kebutuhan.

6. Hindari Pengaturan Berlebihan

DPI, ukuran Figure, dan elemen visual harus disesuaikan dengan kebutuhan akhir.

Ringkasan

Pada materi ini kita telah mempelajari cara menyimpan dan mengekspor grafik menggunakan Matplotlib.

Konsep penting:

Konsep	Fungsi
fig.savefig()	Menyimpan Figure
dpi	Mengatur kepadatan pixel untuk output raster
bbox_inches="tight"	Membantu menyesuaikan area output
fig.tight_layout()	Membantu mengatur layout Figure
.png	Format raster
.svg	Format vector
.pdf	Format vector/document
Path	Membantu mengelola lokasi file

Pola yang penting untuk diingat:

fig, ax = plt.subplots()

ax.plot(...)

ax.set(...)

fig.tight_layout()

fig.savefig(
    "output.png",
    dpi=300,
    bbox_inches="tight"
)

plt.show()

Practice

Untuk latihan, buat sebuah DataFrame menggunakan NumPy dan Pandas.

Kemudian:

1. Buat sebuah Figure.
2. Buat scatter plot.
3. Tambahkan judul.
4. Tambahkan label X dan Y.
5. Gunakan salah satu style Matplotlib.
6. Gunakan cmap.
7. Atur xlim dan ylim.
8. Gunakan tight_layout().
9. Simpan grafik menggunakan fig.savefig().
10. Simpan dalam format PNG.
11. Coba simpan kembali dalam format SVG.
12. Bandingkan kedua file tersebut.

Contoh:

fig.savefig(
    "practice-plot.png",
    dpi=300,
    bbox_inches="tight"
)

fig.savefig(
    "practice-plot.svg",
    bbox_inches="tight"
)

Tantangan

Coba buat sebuah visualisasi dengan dua subplot:

          Data Analysis
               │
       ┌───────┴───────┐
       │               │
       ▼               ▼
   Scatter Plot     Line Plot

Kemudian:

• gunakan sharex=True jika sesuai,
• berikan judul pada setiap subplot,
• berikan satu suptitle,
• tambahkan legend jika diperlukan,
• tambahkan grid jika membantu,
• gunakan axis limits yang masuk akal,
• dan simpan Figure menggunakan savefig().

Gunakan struktur:

fig, (ax0, ax1) = plt.subplots(
    nrows=2,
    ncols=1,
    figsize=(10, 10)
)

# Plot pada ax0

# Plot pada ax1

fig.suptitle("Data Analysis")

fig.tight_layout(
    rect=[0, 0, 1, 0.96]
)

fig.savefig(
    "data-analysis.png",
    dpi=300,
    bbox_inches="tight"
)

plt.show()

Kesimpulan

Menyimpan grafik merupakan bagian penting dari workflow visualisasi.

Ketika bekerja secara manual, grafik dapat disimpan melalui antarmuka notebook. Namun ketika bekerja dengan banyak grafik atau membuat workflow yang dapat diulang, penggunaan kode:

fig.savefig(...)

memberikan keuntungan besar karena proses ekspor dapat diotomatisasi.

Dengan demikian kita tidak hanya dapat membuat visualisasi, tetapi juga menghasilkan artifact yang siap digunakan dalam laporan, presentasi, dokumentasi, maupun aplikasi Data Science.