Tujuan Pembelajaran
Setelah mengikuti pertemuan ini, mahasiswa diharapkan mampu menerapkan konsep dan keterampilan berikut secara mandiri.
- Membuat line chart untuk menggambarkan tren.
- Membuat bar chart untuk membandingkan kategori.
- Membuat scatter plot untuk melihat hubungan dua variabel.
- Memberi judul, label sumbu, dan menyesuaikan tampilan grafik.
Angka dalam tabel sulit dibaca, tetapi menjadi jelas begitu digambar. Visualisasi mengungkap pola, lonjakan, dan anomali yang tersembunyi, sekaligus menjadi alat komunikasi hasil analisis kepada orang lain. Matplotlib merupakan pustaka fondasi, sedangkan Seaborn menambah kemudahan untuk grafik statistik.Menjelaskan alasan di balik pesan ‘a picture is worth a thousand words’: grafik membantu menemukan pola yang tersembunyi dalam tabel angka yang panjang.
Line Chart untuk Tren
Line chart menghubungkan titik-titik sehingga cocok untuk data berurutan seperti nilai dari waktu ke waktu. Hal ini memudahkan melihat kenaikan, penurunan, atau fluktuasi.Menekankan bahwa grafik yang baik harus mudah dibaca: diberi judul, sumbu berlabel, dan skala yang jujur. Grafik yang menyesatkan lebih berbahaya daripada tidak ada grafik sama sekali, karena dapat memicu kesimpulan yang keliru.
import matplotlib.pyplot as plt
bulan = ["Jan", "Feb", "Mar", "Apr"]
penjualan = [120, 150, 140, 175]
plt.plot(bulan, penjualan, marker="o")
plt.title("Penjualan per Bulan")
plt.xlabel("Bulan")
plt.ylabel("Penjualan")
plt.grid(True)
plt.show()Bar Chart untuk Perbandingan
Bar chart membandingkan nilai antar kategori dengan panjang batang. Ini pilihan tepat untuk data kategorikal seperti jumlah stok per produk atau populasi per daerah.
produk = ["Buku", "Pensil", "Tas"]
jumlah = [45, 30, 25]
plt.bar(produk, jumlah, color="skyblue")
plt.title("Stok Produk")
plt.xlabel("Produk")
plt.ylabel("Jumlah")
plt.show()Scatter Plot untuk Hubungan
Scatter plot menempatkan dua variabel sebagai titik pada bidang sehingga terbaca hubungannya. Pola naik ke kanan menandai hubungan positif, pola turun menandai negatif, dan sebaran acak menandai tidak ada hubungan linier.
jam = [1, 2, 2, 3, 4, 5]
nilai = [55, 60, 65, 70, 80, 90]
plt.scatter(jam, nilai, color="red")
plt.title("Jam Belajar vs Nilai")
plt.xlabel("Jam Belajar")
plt.ylabel("Nilai")
plt.show()Visualisasi dengan Seaborn
Seaborn membuat grafik statistik menjadi ringkas. sns.histplot menampilkan distribusi satu kolom dengan kurva kepadatan, dan sns.pairplot menampilkan korelasi seluruh pasangan variabel dalam satu gambar, sangat berguna untuk EDA.
import seaborn as sns
sns.histplot(df["Nilai"], bins=10, kde=True)
plt.title("Distribusi Nilai")
plt.show()Langkah Praktik
Praktik dimulai dengan data sederhana agar Anda fokus pada sintaks dan cara membaca grafik, bukan pada data yang rumit.
- Siapkan data penjualan enam bulan lalu buat line chart berjudul dan berlabel.
- Buat bar chart jumlah mahasiswa per program studi dari DataFrame.
- Buat scatter plot Jam Belajar terhadap Nilai lalu amati polanya.
- Gunakan plt.subplots untuk memadukan dua grafik dalam satu gambar.
- Eksperimen warna, marker, dan grid agar grafik lebih mudah dibaca.
Simpan setiap grafik dalam satu gambar dengan plt.savefig agar bisa disertakan ke dokumentasi atau laporan proyek.
Latihan
Semakin sering berlatih menggambar grafik, semakin peka Anda membaca pola. Kerjakan latihan dalam satu notebook terpisah.
- Buat line chart suhu harian selama sepekan dari data yang Anda susun sendiri.
- Buat bar chart yang membandingkan rata-rata nilai tiga kelas berbeda.
- Tuliskan pola hubungan yang terlihat dari scatter plot Anda beserta alasannya.