Visualisasi Data Awal dengan Matplotlib dan Seaborn: Membuat Grafik yang Informatif

1. Pengenalan Visualisasi Data

• Tujuan:
  • Memahami pola dan tren data.
  • Mengidentifikasi outlier.
  • Menyajikan informasi secara jelas.
• Tools:
  • Matplotlib → fleksibel, kontrol detail grafik.
  • Seaborn → berbasis Matplotlib, gaya lebih estetik dan sintaks ringkas.

2. Instalasi & Import Library

pip install matplotlib seaborn


import matplotlib.pyplot as plt

import seaborn as sns

import pandas as pd

3. Visualisasi dengan Matplotlib

• Grafik Garis (Line Plot)

• plt.plot(df["tanggal"], df["penjualan"])
  
  plt.title("Tren Penjualan")
  
  plt.xlabel("Tanggal")
  
  plt.ylabel("Penjualan")
  
  plt.show()
  
  
  

• Grafik Batang (Bar Chart)

• plt.bar(df["produk"], df["penjualan"])
  
  plt.title("Penjualan per Produk")
  
  plt.show()
  
  
  

• Histogram

• plt.hist(df["usia"], bins=10, color="skyblue")
  
  plt.title("Distribusi Usia")
  
  plt.show()
  
  
  

4. Visualisasi dengan Seaborn

• Scatter Plot

• sns.scatterplot(data=df, x="pendapatan", y="pengeluaran")
  
  plt.title("Pendapatan vs Pengeluaran")
  
  plt.show()
  
  
  

• Boxplot

• sns.boxplot(data=df, x="kota", y="pendapatan")
  
  plt.title("Pendapatan per Kota")
  
  plt.show()
  
  
  

• Histogram & KDE

• sns.histplot(df["usia"], kde=True)
  
  plt.title("Distribusi Usia")
  
  plt.show()
  
  
  

• Heatmap (Korelasi)

• corr = df.corr()
  
  sns.heatmap(corr, annot=True, cmap="coolwarm")
  
  plt.title("Matriks Korelasi")
  
  plt.show()
  
  
  

5. Tips Membuat Grafik Informatif

• Gunakan judul yang jelas dan label sumbu.
• Pilih jenis grafik sesuai data:
  • Tren → Line Plot
  • Perbandingan kategori → Bar Plot
  • Distribusi → Histogram / KDE
  • Hubungan antar variabel → Scatter Plot
• Gunakan warna & style konsisten.
• Hindari informasi berlebihan.