Cara Visualisasi Data dengan Python Menggunakan Matplotlib
Irhan Hisyam Dwi Nugroho
•
27 August 2025
•
500
Visualisasi data dengan python sangat penting untuk mempermudah pemahaman data. Dengan menggunakan Matplotlib di Python, kamu bisa membuat berbagai grafik yang menarik dan informatif.
Matplotlib adalah library Python yang memungkinkan kamu untuk membuat grafik seperti line plot, bar plot, dan scatter plot. Library ini sangat mudah digunakan, bahkan bagi pemula sekalipun.
Di artikel ini, MinDi akan menunjukkan cara membuat visualisasi data dasar menggunakan Matplotlib. Yuk, ikuti langkah-langkahnya dan mulai buat grafik pertama kamu!
Baca juga: Panduan Memilih Bootcamp Data Science Terbaik di 2025
Instalasi dan Persiapan Matplotlib
Sebelum mulai membuat visualisasi data, langkah pertama yang harus dilakukan adalah menginstal Matplotlib. Jika kamu belum menginstalnya, kamu bisa melakukannya dengan menggunakan pip, manajer paket Python.
Untuk menginstal Matplotlib, cukup jalankan perintah berikut di terminal atau command prompt:
1. Untuk pengguna Windows dan sebagian Linux:
pip install matplotlib |
2. Untuk pengguna macOS (jika pip tidak dikenali):
Coba dulu:
pip3 install matplotlib |
Atau kalau pip benar-benar belum ada, install manual dengan:
curl https://bootstrap.pypa.io/get-pip.py -o get-pip.py python3 get-pip.py |
Setelah instalasi selesai, kamu bisa mulai menggunakan Matplotlib dalam proyek Python. Langkah berikutnya adalah mengimpor library tersebut dan mempersiapkan data yang akan divisualisasikan.
Baca juga: Panduan Cara Belajar Python untuk Data Scientist, Lengkap!
Membuat Visualisasi Data Dasar dengan Matplotlib
Sumber: Canva
Setelah instalasi dan persiapan selesai, sekarang saatnya belajar cara membuat grafik dasar dengan Matplotlib.
Jenis-jenis visualisasi ini sering banget dipakai dalam analisis data—cocok banget buat kamu yang masih pemula. Yuk simak satu per satu cara visualisasi data dengan python!
1. Line Plot – Menampilkan Tren Data Sederhana
Line plot digunakan untuk menunjukkan hubungan atau tren antar titik data, biasanya untuk data yang terurut seperti waktu.
Grafik ini menggambarkan perubahan nilai pada variabel dengan menghubungkan titik-titik yang mewakili data.
Line plot sangat berguna untuk menganalisis tren atau pola dalam data waktu, seperti perubahan suhu harian, penjualan bulanan, atau kecepatan kendaraan.
import matplotlib.pyplot as plt x = [1, 2, 3, 4, 5] y = [10, 12, 8, 15, 18] plt.plot(x, y) plt.title('Tren Penjualan') plt.xlabel('Hari') plt.ylabel('Jumlah Barang Terjual') plt.grid(True) plt.show() |
Berikut adalah Hasil dari Line Plot tersebut:
Baca juga: Panduan Analisis Data dengan Python Pandas, Mudah Dipelajari
2. Bar Plot – Perbandingan Antar Kategori
Bar plot digunakan untuk membandingkan nilai di antara kategori yang berbeda. Setiap kategori diwakili oleh sebuah batang yang panjangnya menunjukkan nilai terkait.
Bar plot sering digunakan untuk membandingkan jumlah atau frekuensi antar beberapa kategori.
import matplotlib.pyplot as plt platforms = ['Windows', 'Mac', 'Linux'] users = [50, 30, 20] plt.bar(platforms, users, color='skyblue') plt.title('Pengguna Berdasarkan Platform') plt.xlabel('Platform') plt.ylabel('Jumlah Pengguna') plt.show() |
Berikut adalah Hasil dari Bar Plot tersebut:
3. Scatter Plot – Hubungan Antar Variabel
Scatter plot digunakan untuk menunjukkan hubungan antara dua variabel numerik. Setiap titik pada plot mewakili sepasang nilai dari dua variabel yang dibandingkan.
Scatter plot membantu kita melihat apakah ada pola atau korelasi antara kedua variabel tersebut.
import matplotlib.pyplot as plt x = [5, 7, 8, 7, 2, 17, 2, 9] y = [99, 86, 87, 88, 100, 86, 103, 87] plt.scatter(x, y, color='green') plt.title('Hubungan Jam Belajar dan Nilai') plt.xlabel('Jam Belajar') plt.ylabel('Nilai Ujian') plt.show() |
Berikut adalah Hasil dari Scatter Plot tersebut:
4. Histogram – Distribusi Nilai
Histogram digunakan untuk melihat distribusi data numerik dengan membagi data ke dalam beberapa interval.
Setiap bar pada histogram menunjukkan jumlah data yang jatuh dalam rentang interval tertentu. Histogram membantu kita memahami bagaimana data tersebar atau terdistribusi.
import matplotlib.pyplot as plt umur = [22, 25, 30, 22, 24, 28, 30, 27, 25, 23] plt.hist(umur, bins=5, color='orange', edgecolor='black') plt.title('Distribusi Umur Pengguna') plt.xlabel('Umur') plt.ylabel('Jumlah') plt.show() |
Berikut adalah Hasil dari Histogram tersebut:
5. Pie Chart – Proporsi per Kategori
Pie chart digunakan untuk menunjukkan proporsi atau persentase dari keseluruhan data untuk tiap kategori.
Setiap irisan mewakili satu kategori, dengan besar irisan sesuai dengan persentase kategori tersebut.
Pie chart sering digunakan untuk menggambarkan komposisi atau bagian-bagian dari sebuah total.
import matplotlib.pyplot as plt labels = ['A', 'B', 'C', 'D'] sizes = [35, 25, 25, 15] plt.pie(sizes, labels=labels, autopct='%1.1f%%', startangle=90) plt.title('Persentase Nilai Siswa') plt.axis('equal') # Agar tampil lingkaran sempurna plt.show() |
Berikut adalah Hasil dari Pie Chart tersebut:
Baca juga: Python untuk Data Analyst: Arti, Manfaat, Library, dan Tips
Tips Membuat Visualisasi Data yang Efektif
Sumber: Canva
Warga Bimbingan! Sekarang MinDi akan kasih 4 tips membuat visualisasi data dengan python yang efektif agar data yang kamu tampilkan bisa mudah dimengerti dan memberikan informasi yang jelas. Yuk, simak tips-tips berikut ini!
1. Pilih Jenis Grafik yang Sesuai dengan Data
Setiap jenis data membutuhkan grafik yang berbeda agar pesan yang ingin disampaikan lebih jelas.
Misalnya, untuk data waktu, kamu bisa menggunakan line plot, sementara untuk data kategori, lebih cocok menggunakan bar plot.
Menyesuaikan grafik dengan jenis data akan memudahkan audiens memahami informasi yang disajikan.
2. Gunakan Warna dengan Bijak
Warna bisa memperjelas atau justru membingungkan visualisasi jika digunakan secara berlebihan.
Gunakan warna untuk menyoroti perbedaan atau kategori penting dalam grafik, tetapi hindari penggunaan warna yang terlalu ramai. Pastikan warna yang dipilih cukup kontras agar data tetap mudah dibaca.
3. Jangan Terlalu Banyak Menambahkan Elemen pada Grafik
Grafik yang terlalu penuh dengan informasi bisa membuat audiens bingung. Hindari menambahkan terlalu banyak elemen seperti teks, label, atau garis yang tidak perlu.
Fokus pada informasi utama yang ingin kamu sampaikan untuk menjaga kesederhanaan dan efektivitas grafik.
4. Berikan Label yang Jelas dan Informatif
Label yang jelas pada sumbu, judul grafik, dan legenda sangat penting agar audiens bisa dengan mudah memahami data yang ditampilkan.
Gunakan judul yang deskriptif dan label sumbu yang sesuai dengan konteks data. Ini akan memastikan audiens tahu apa yang mereka lihat tanpa harus menebak-nebak.
Baca juga: Panduan Memilih Bootcamp Data Analyst untuk Karier Impianmu
Ingin Jadi Data Scientist atau Data Analyst Profesional?
Setelah mempelajari cara visualisasi data dengan Python dan Matplotlib, kini saatnya mengasah kemampuan analisis data kamu ke level berikutnya!
Yuk, ikuti Bootcamp Data Scientist & Data Analyst di dibimbing.id! Di sini, kamu akan mempelajari teknik analisis data lanjutan, machine learning, dan visualisasi data menggunakan Python dan berbagai library lainnya.
Belajar langsung dari mentor berpengalaman dengan kurikulum aplikatif yang akan membantumu menguasai data science dan data analysis secara praktis.
Dengan lebih dari 840+ hiring partner dan tingkat keberhasilan alumni 96%, peluang kariermu di dunia data semakin terbuka lebar!
Jadi, tunggu apa lagi? Daftar sekarang disini dan mulai perjalananmu menjadi Data Scientist atau Data Analyst profesional. #BimbingSampeJadi!
Referensi
- Data Visualization with Python [Buka]
Irhan Hisyam Dwi Nugroho
Irhan Hisyam Dwi Nugroho is an SEO Specialist and Content Writer with 4 years of experience in optimizing websites and writing relevant content for various brands and industries. Currently, I also work as a Content Writer at Dibimbing.id and actively share content about technology, SEO, and digital marketing through various platforms.
