Visualisasi Data dari Pandas - 7

Subplots dengan Object-Oriented Matplotlib dan Shared X-Axis

Pada materi sebelumnya kita telah mempelajari cara membuat visualisasi menggunakan pendekatan Object-Oriented (OO) Matplotlib.

Pada materi ini kita akan melanjutkannya dengan membuat dua grafik dalam satu Figure menggunakan subplots().

Kita juga akan mempelajari bagaimana membuat beberapa grafik yang membagikan sumbu X yang sama menggunakan parameter sharex=True.

Studi kasus yang digunakan adalah dataset yang sama, yaitu Heart Disease.

Tujuan Pembelajaran

Setelah mempelajari materi ini, kita diharapkan dapat:

• Membuat beberapa subplot menggunakan Object-Oriented Matplotlib.
• Membuat subplot dengan susunan 2 baris dan 1 kolom.
• Memahami perbedaan Figure dan Axes.
• Menggunakan sharex=True.
• Membuat scatter plot pada beberapa Axes.
• Menambahkan legenda pada setiap subplot.
• Menambahkan garis rata-rata menggunakan axhline().
• Memberikan judul untuk setiap subplot.
• Memberikan judul utama untuk seluruh Figure menggunakan fig.suptitle().

Persiapan Data

Pada contoh ini kita menggunakan dataset Heart Disease.

Misalnya DataFrame sudah tersedia dalam variabel heart_disease.

Kita kemudian mengambil data pasien dengan usia lebih dari 50 tahun:

over_50 = heart_disease[heart_disease["age"] > 50]

Variabel over_50 sekarang berisi data pasien yang memiliki usia lebih dari 50 tahun.

Kita akan menggunakan beberapa kolom:

Kolom	Keterangan
age	Usia pasien
chol	Kadar kolesterol
thalach	Detak jantung maksimum
target	Target/kategori penyakit jantung

Pada visualisasi pertama kita akan membandingkan:

Age → Cholesterol

Sedangkan pada visualisasi kedua:

Age → Maximum Heart Rate

Dengan demikian kita dapat melihat dua hubungan berbeda dengan variabel X yang sama, yaitu age.

Membuat Figure dan Dua Subplot

Kita dapat membuat dua subplot menggunakan:

import matplotlib.pyplot as plt

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

Mari kita pahami bagian-bagiannya.

plt.subplots()

Fungsi plt.subplots() digunakan untuk membuat:

1. sebuah Figure
2. satu atau beberapa Axes

Pada contoh ini kita meminta dua subplot.

nrows=2
ncols=1

Artinya:

2 baris
1 kolom

Secara visual susunannya seperti:

┌─────────────────────────────┐
│            ax0              │
│                             │
├─────────────────────────────┤
│            ax1              │
│                             │
└─────────────────────────────┘

ax0 adalah subplot pertama.

ax1 adalah subplot kedua.

Memahami Figure dan Axes

Dalam Object-Oriented Matplotlib terdapat dua konsep penting:

Figure

Figure adalah wadah utama yang menampung seluruh visualisasi.

Dalam contoh:

fig

merepresentasikan seluruh gambar.

Di dalam satu Figure kita dapat memiliki beberapa Axes.

Axes

Axes adalah area tempat sebuah grafik dibuat.

Dalam contoh:

ax0

adalah area grafik pertama.

Sedangkan:

ax1

adalah area grafik kedua.

Strukturnya dapat dibayangkan seperti:

Figure
│
├── Axes (ax0)
│   └── Scatter plot
│
└── Axes (ax1)
    └── Scatter plot

Hal ini berbeda dengan istilah Axis.

Secara sederhana:

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

Jadi jangan tertukar antara Axes dan Axis.

Menggunakan sharex=True

Pada kode sebelumnya terdapat:

sharex=True

Parameter ini membuat subplot menggunakan sumbu X yang dibagikan.

Dalam contoh kita, sumbu X adalah:

over_50["age"]

Artinya kedua grafik menggunakan age sebagai variabel X.

Secara konsep:

              Age
               │
      ┌────────┴────────┐
      │                 │
      ▼                 ▼
   Cholesterol      Max Heart Rate

Dengan sharex=True, navigasi dan rentang sumbu X antar subplot dapat disinkronkan.

Hal ini sangat berguna ketika kita ingin membandingkan beberapa variabel terhadap satu variabel yang sama.

Contohnya:

Age → Cholesterol

Age → Maximum Heart Rate

Age → Blood Pressure

Age → Weight

Semua grafik tersebut dapat menggunakan sumbu X Age yang sama.

Membuat Scatter Plot Pertama

Selanjutnya kita membuat scatter plot pada ax0.

scatter0 = ax0.scatter(
    x=over_50["age"],
    y=over_50["chol"],
    c=over_50["target"]
)

Pada grafik ini:

• Sumbu X menggunakan age.
• Sumbu Y menggunakan chol.
• Warna titik ditentukan berdasarkan target.

Secara konsep:

X = Age
Y = Cholesterol
Color = Target

scatter() mengembalikan objek scatter yang kita simpan dalam:

scatter0

Objek tersebut nantinya dapat digunakan untuk membuat legenda.

Memberikan Label pada Grafik Pertama

Kita dapat memberikan judul dan label sumbu menggunakan:

ax0.set(
    title="Heart Disease and Cholesterol Levels",
    ylabel="Cholesterol"
)

Perhatikan bahwa kita tidak perlu menggunakan:

plt.title()

karena kita sedang menggunakan pendekatan Object-Oriented.

Kita langsung memberikan pengaturan kepada ax0.

ax0
├── title
└── ylabel

Karena sumbu X dibagikan menggunakan sharex=True, label X dapat ditampilkan pada subplot bawah.

Menambahkan Legenda

Scatter plot menggunakan warna untuk membedakan nilai target.

Kita dapat membuat legenda menggunakan:

ax0.legend(
    *scatter0.legend_elements(),
    title="Target"
)

Bagian:

scatter0.legend_elements()

digunakan untuk memperoleh elemen-elemen yang dapat digunakan dalam legenda berdasarkan objek scatter.

Kemudian:

title="Target"

memberikan judul pada legenda.

Hasil konsepnya kira-kira:

Target
● 0
● 1

Nilai dan tampilannya bergantung pada data yang digunakan.

Menambahkan Garis Rata-Rata

Kita juga dapat menambahkan garis horizontal untuk menunjukkan nilai rata-rata kolesterol:

ax0.axhline(
    over_50["chol"].mean(),
    linestyle="--"
)

Mari kita pecah.

over_50["chol"].mean()

Bagian ini menghitung nilai rata-rata kolesterol:

over_50["chol"].mean()

Misalnya hasilnya:

245

maka garis akan ditempatkan pada:

Y = 245

axhline()

axhline() digunakan untuk membuat garis horizontal pada nilai tertentu.

Contoh:

ax0.axhline(245)

akan membuat garis horizontal pada y = 245.

Pada contoh kita, nilai tersebut tidak ditulis secara manual, tetapi dihitung dari rata-rata:

over_50["chol"].mean()

Sehingga jika data berubah, posisi garis rata-rata juga akan berubah.

Garis Putus-Putus

Kita menggunakan:

linestyle="--"

untuk membuat garis putus-putus.

Perlu diperhatikan bahwa garis rata-rata ini hanya merupakan referensi statistik.

Garis tersebut bukan berarti:

• batas aman,
• batas diagnosis,
• atau batas seseorang terkena penyakit jantung.

Interpretasi medis membutuhkan konteks klinis dan sumber data yang sesuai.

Membuat Scatter Plot Kedua

Selanjutnya kita membuat grafik kedua pada ax1.

scatter1 = ax1.scatter(
    x=over_50["age"],
    y=over_50["thalach"],
    c=over_50["target"]
)

Pada grafik ini:

X = Age
Y = Maximum Heart Rate
Color = Target

Jadi grafik kedua menunjukkan hubungan antara usia dan detak jantung maksimum.

Memberikan Label pada Grafik Kedua

Kita memberikan judul dan label:

ax1.set(
    title="Heart Disease and Max Heart Rate",
    xlabel="Age",
    ylabel="Max Heart Rate"
)

Perhatikan bahwa ax1 memiliki:

xlabel="Age"

karena subplot ini berada di bagian bawah.

Karena kita menggunakan:

sharex=True

sumbu X kedua subplot menggunakan variabel yang sama.

Menambahkan Legenda pada Grafik Kedua

Kita juga menambahkan legenda:

ax1.legend(
    *scatter1.legend_elements(),
    title="Target"
)

Sama seperti grafik pertama, warna titik digunakan untuk merepresentasikan nilai target.

Menambahkan Garis Rata-Rata pada Grafik Kedua

Kita dapat menambahkan garis rata-rata thalach:

ax1.axhline(
    over_50["thalach"].mean(),
    linestyle="--"
)

Dengan demikian grafik kedua memiliki garis referensi berdasarkan nilai rata-rata maximum heart rate pada subset data tersebut.

Sekali lagi, garis ini adalah referensi statistik, bukan batas klinis.

Memberikan Judul Utama Figure

Selain judul masing-masing subplot, kita dapat memberikan satu judul utama untuk seluruh Figure.

Gunakan:

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

Perhatikan bahwa kita menggunakan:

fig.suptitle()

bukan:

ax0.set_title()

atau:

ax1.set_title()

Karena judul tersebut ditujukan untuk seluruh Figure.

Strukturnya:

          Heart Disease Analysis
                   │
       ┌───────────┴───────────┐
       │                       │
       ▼                       ▼
   ax0 title               ax1 title

Kode Lengkap

Berikut kode lengkap dari visualisasi yang telah kita pelajari:

import matplotlib.pyplot as plt

# Membuat Figure dan dua subplot
fig, (ax0, ax1) = plt.subplots(
    nrows=2,
    ncols=1,
    figsize=(10, 10),
    sharex=True
)

# ----------------------------------------------------
# Plot pertama: Age vs Cholesterol
# ----------------------------------------------------

scatter0 = ax0.scatter(
    x=over_50["age"],
    y=over_50["chol"],
    c=over_50["target"]
)

ax0.set(
    title="Heart Disease and Cholesterol Levels",
    ylabel="Cholesterol"
)

ax0.legend(
    *scatter0.legend_elements(),
    title="Target"
)

ax0.axhline(
    over_50["chol"].mean(),
    linestyle="--"
)

# ----------------------------------------------------
# Plot kedua: Age vs Maximum Heart Rate
# ----------------------------------------------------

scatter1 = ax1.scatter(
    x=over_50["age"],
    y=over_50["thalach"],
    c=over_50["target"]
)

ax1.set(
    title="Heart Disease and Max Heart Rate",
    xlabel="Age",
    ylabel="Max Heart Rate"
)

ax1.legend(
    *scatter1.legend_elements(),
    title="Target"
)

ax1.axhline(
    over_50["thalach"].mean(),
    linestyle="--"
)

# ----------------------------------------------------
# Judul utama Figure
# ----------------------------------------------------

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

plt.show()

Menambahkan tight_layout()

Ketika membuat beberapa subplot, terkadang terdapat elemen yang terlalu berdekatan.

Kita dapat menggunakan:

fig.tight_layout()

untuk membantu mengatur tata letak.

Contohnya:

fig.tight_layout()
plt.show()

Namun, ketika menggunakan fig.suptitle(), judul utama berada di area atas Figure sehingga kita perlu memastikan layout tidak bertabrakan dengan judul tersebut.

Salah satu pendekatan yang umum adalah memberikan ruang bagian atas:

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

Artinya layout utama menggunakan sebagian besar area Figure dan menyisakan ruang di bagian atas untuk suptitle.

Contoh:

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

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

plt.show()

Memahami Struktur Kode

Kode tersebut dapat kita pahami sebagai beberapa tahap.

Tahap 1 - Membuat Figure

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

Menghasilkan:

Figure
│
├── ax0
└── ax1

Tahap 2 - Membuat Grafik

ax0.scatter(...)
ax1.scatter(...)

Setiap Axes memiliki grafiknya sendiri.

Tahap 3 - Memberikan Label

ax0.set(...)
ax1.set(...)

Setiap subplot dapat dikustomisasi secara independen.

Tahap 4 - Menambahkan Informasi Pendukung

ax0.legend(...)
ax1.legend(...)

dan:

ax0.axhline(...)
ax1.axhline(...)

Tahap 5 - Mengatur Figure

fig.suptitle(...)
fig.tight_layout(...)

Pengaturan pada fig berlaku pada keseluruhan Figure.

Mengapa Menggunakan sharex=True?

Bayangkan kita memiliki empat grafik:

Age → Cholesterol

Age → Max Heart Rate

Age → Blood Pressure

Age → Weight

Jika masing-masing grafik mempunyai rentang X yang berbeda, membandingkan pola berdasarkan usia menjadi lebih sulit.

Dengan sharex=True, kita dapat membuat sumbu X digunakan bersama.

Konsepnya:

                  Age
                   │
        ┌──────────┼──────────┐
        │          │          │
        ▼          ▼          ▼
       Chol      Thalach    Blood Pressure

Hal ini sangat berguna untuk exploratory data analysis (EDA) ketika kita ingin melihat beberapa hubungan terhadap variabel X yang sama.

sharex Tidak Berarti Semua Data Sama

Penting untuk memahami bahwa:

sharex=True

tidak berarti kedua grafik memiliki data yang sama.

Yang dibagikan adalah sumbu X, bukan nilai Y.

Contohnya:

ax0.scatter(
    over_50["age"],
    over_50["chol"]
)

menggunakan:

X = age
Y = chol

Sedangkan:

ax1.scatter(
    over_50["age"],
    over_50["thalach"]
)

menggunakan:

X = age
Y = thalach

Jadi:

X sama
Y berbeda

Perbandingan Tanpa dan Dengan sharex

Tanpa sharex:

fig, (ax0, ax1) = plt.subplots(
    2,
    1
)

Kedua subplot mempunyai pengaturan sumbu X masing-masing.

Dengan:

fig, (ax0, ax1) = plt.subplots(
    2,
    1,
    sharex=True
)

kedua subplot menggunakan sumbu X secara bersama.

Hal ini membuat perbandingan berdasarkan variabel X menjadi lebih konsisten.

axhline() vs axvline()

Kita telah menggunakan:

axhline()

Huruf h dapat diingat sebagai:

h = horizontal

Contoh:

ax.axhline(100)

membuat garis horizontal pada:

Y = 100

Matplotlib juga menyediakan:

ax.axvline()

Huruf v dapat diingat sebagai:

v = vertical

Contoh:

ax.axvline(50)

membuat garis vertikal pada:

X = 50

Secara sederhana:

Fungsi	Arah	Digunakan untuk
axhline()	Horizontal	Referensi nilai Y
axvline()	Vertikal	Referensi nilai X

Menggunakan fig.savefig()

Setelah visualisasi selesai, Figure dapat disimpan ke file.

Contoh:

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

Keterangan:

• fig.savefig() menyimpan Figure.
• .png menentukan format file.
• dpi=300 menentukan resolusi raster.
• bbox_inches="tight" membantu mengurangi area kosong di sekitar gambar.

Sebaiknya tight_layout() atau pengaturan layout lainnya dilakukan sebelum menyimpan Figure jika diperlukan.

Kesalahan yang Sering Terjadi

Menggunakan plt.title() pada Setiap Subplot

Dalam pendekatan Object-Oriented, lebih jelas menggunakan:

ax0.set_title("Judul")

atau:

ax0.set(title="Judul")

daripada mengandalkan state global plt.title().

Mengira ax0 dan ax1 Adalah Figure

Bukan.

Strukturnya adalah:

fig
│
├── ax0
└── ax1

fig adalah Figure.

ax0 dan ax1 adalah Axes.

Lupa Menentukan sharex=True

Jika tujuan kita adalah membandingkan beberapa grafik berdasarkan variabel X yang sama, pertimbangkan penggunaan:

sharex=True

Menganggap Garis Mean sebagai Batas

Kode:

ax.axhline(data.mean())

hanya menunjukkan nilai rata-rata.

Garis tersebut tidak otomatis menjadi:

• batas normal,
• batas abnormal,
• batas diagnosis,
• atau threshold machine learning.

Interpretasi harus disesuaikan dengan konteks data dan tujuan analisis.

Konsep Penting yang Perlu Diingat

Struktur Object-Oriented Matplotlib pada materi ini dapat diringkas menjadi:

Figure
│
├── Axes 0
│   ├── Scatter
│   ├── Title
│   ├── Y Label
│   ├── Legend
│   └── Mean Line
│
└── Axes 1
    ├── Scatter
    ├── Title
    ├── X Label
    ├── Y Label
    ├── Legend
    └── Mean Line

Sedangkan:

sharex=True

membuat kedua subplot berbagi sumbu X.

Ringkasan

Pada materi ini kita telah mempelajari cara membuat beberapa subplot menggunakan Object-Oriented Matplotlib.

Konsep utamanya adalah:

1. plt.subplots() digunakan untuk membuat Figure dan Axes.
2. fig merepresentasikan Figure.
3. ax0 dan ax1 merepresentasikan masing-masing subplot.
4. nrows=2 membuat dua baris.
5. ncols=1 membuat satu kolom.
6. sharex=True membuat subplot berbagi sumbu X.
7. ax.scatter() digunakan untuk membuat scatter plot.
8. ax.legend() digunakan untuk membuat legenda.
9. axhline() digunakan untuk membuat garis horizontal.
10. fig.suptitle() digunakan untuk memberikan judul utama Figure.
11. fig.tight_layout() membantu mengatur jarak antar elemen.
12. fig.savefig() dapat digunakan untuk menyimpan visualisasi.

Pola Object-Oriented yang Perlu Diingat

Pola dasar yang dapat digunakan kembali adalah:

fig, axes = plt.subplots(...)

axes[0].plot(...)
axes[1].scatter(...)

axes[0].set(...)
axes[1].set(...)

fig.suptitle(...)

fig.tight_layout()

plt.show()

Semakin kompleks visualisasi yang dibuat, pola seperti ini akan semakin membantu karena setiap subplot dapat dikontrol secara langsung melalui objek Axes masing-masing.