Dasar Visualisasi dengan Python dan Jupyter

Visualisasi data dalam bentuk grafik memiliki peran penting dalam proses penelitian maupun penulisan makalah ilmiah. Penggunaan visualisasi untuk merepresentasikan data dan relasi antar variabel cenderung lebih efektif untuk menyampaikan ide dan hasil riset dibandingkan tulisan. Hal ini disebabkan oleh persepsi manusia yang lebih mudah memahami gambar dan trend dibandingkan dengan angka. Akan tetapi, sering kita jumpai bentuk visualisasi yang cenderung membingungkan atau bahkan tidak sesuai dengan sumber data.

Python dan Jupyter

Python sebagai bahasa pemrograman tingkat tinggi sering digunakan untuk visualisasi data. Dua hal utama yang menjadi hal penting untuk Python adalah kemudahan penggunaan dan jumlah open-source library pendukung yang banyak. Workshop ini dapat diikuti baik secara luring dengan komputer pribadi, ataupun daring menggunakan Google Colaboratory.

Untuk visualisasi kali ini, kita akan menggunakan Jupyter notebook yang dapat kalian jalankan menggunakan web-interface JupyterLab atau IDE seperti Visual Studio Code.

JupyterLab adalah penerus dan pengganti dari Jupyter Notebook klasik dengan beberapa fitur tambahan yang dapat berguna untuk pengguna lanjut.

Matplotlib

Ada beberapa library visualisasi untuk Python yang umum digunakan. Pada workshop kali ini, kita akan menggunakan Matplotlib sebagai library utama. Selain Matplotlib, Mayavi umumnya digunakan untuk visualisasi 3D dan Plotly sering digunakan untuk visualisasi data yang lebih interaktif.

Matplotlib juga dapat digunakan secara bersamaan dengan LaTeX untuk penulisan teks di figur plot.

Anatomi Figur Matplotlib

Anatomi figur Matplotlib

Diambil dari Matplotlib.

Anatomi dari figur Matplotlib dapat dibagi menjadi tiga objek utama:

  1. Figure

    Komponen ini adalah dasar media (e.g. kertas) dari figur dan memiliki peran penting dalam proses penyimpanan dan pengaturan ukuran plot.

  2. Axes

    Komponen ini adalah area plot. Terdapat 3 jenis proyeksi yang sering digunakan: Cartesian 2D (default), Polar, dan 3D. Satu Figure dapat memiliki beberapa Axes yang dapat diatur dengan beberapa cara.

    Visualisasi 3D sebaiknya dilakukan menggunakan Paraview atau Mayavi.

  3. Axis

    Komponen ini merupakan bagian sumbu koordinat plot. Komponen ini biasanya digunakan untuk mengatur skala, label, dan interval dari nilai-nilai di sumbu plot.

  4. Artist

    Komponen ini merupakan representasi dari objek plot seperti titik-titik, garis, atau teks.

Matplotlib menyediakan berbagai jenis function yang dapat digunakan untuk memodifikasi komponen dari tiga jenis objek yang telah disebutkan. Kemudahan modifikasi ini menjadi salah satu keunggulan dari Matplotlib, akan tetapi hal ini juga dapat menjadi salah satu kendala dalam pembuatan figur untuk publikasi.

Penggunaan Matplotlib

Contoh penggunaan Matplotlib untuk membuat figur dapat dilihat di bawah ini.

# Inisialisasi data untuk plotting
import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-np.pi, np.pi, 100)
y = np.sin(x)

fig, ax = plt.subplots()

# Atur label
ax.set_title('Fungsi')
ax.set_xlabel('x')
ax.set_ylabel('y')

Beberapa jenis figur yang umum digunakan adalah:

Line Plot 

ax.plot(x, y, 'r--', lw=2.)

Line Plot

Scatter Plot 

ax.scatter(x, y+2., c='b', marker='x', s=20., label='Menggunakan scatter')
ax.plot(x+0.5, y+2., 'g+', ms=5., label='Menggunakan plot')
ax.legend()
ax.set_yscale('log')

Scatter Plot

Density/Contour Plot Dua Dimensi 

fig, (ax, axcbar) = plt.subplots(
    ncols=2,
    gridspec_kw={'width_ratios': [1, 0.05],
                'wspace': 0.1}
)

X, Y = np.meshgrid(x, x)
Z = np.exp(-(X**2 + Y**2)/np.pi**2)

# Buat density plot
cntf_plot = ax.pcolormesh(X, Y, Z, vmin=0., vmax=1., cmap='plasma')
cbar = fig.colorbar(cntf_plot, cax=axcbar)

# Tambahkan garis kontur
cont_plot = ax.contour(X, Y, Z, colors='k', linewidths=0.5)

# Tambahkan label kontur
ax.clabel(cont_plot, inline=True, fontsize=8)

# Atur label
ax.set_title('Figur Kontur')
ax.set_xlabel('x')
ax.set_ylabel('y')
cbar.set_ylabel('z')

Density/Contour Plot

Histogram 

fig, ax = plt.subplots()

rng = np.random.default_rng(0)
data = rng.logistic(13., 1., 10000)

counts, bins, _ = ax.hist(data, 100, density=True)

ax.set_xlabel('x')
ax.set_ylabel('PDF')

Histogram

Animasi dengan Matplotlib dan FFmpeg

Untuk keperluan visualisasi data dalam bentuk animasi, kita dapat menggunakan FFmpeg untuk menggabungkan hasil simpanan dari Matplotlib. Contoh pembuatan animasi figur sederhana dapat dilihat di bawah ini.

  1. Buat serangkaian figur yang akan menjadi bahan animasi.

     nx = 100
 x = np.linspace(0, 2*np.pi, nx)
 y = np.sin(x)

 fig, ax = plt.subplots()
 ax.set_xlabel('x')
 ax.set_ylabel('y')
    
 # Trajektori
 ax.plot(x, y, 'r--', lw=2.)

 for i in range(nx):
     # Plot titik benda
     obj_plot = ax.plot(x[i], y[i], 'bo', ms=5.)

     # Ganti judul
     ax.set_title(f't = {i}')

     # Simpan figur
     fig.savefig(f'animasi_{i:03d}.png')

     # Hapus titik
     obj_plot.pop().remove()

  2. Gabungkan figur dengan menggunakan FFmpeg.

    Untuk membuat video 24 fps yang menggunakan 10 figur per detik, kita dapat menggunakan perintah berikut:

     ffmpeg \
 -y \
 -r 10 \
 -i ./animasi_%03d.png \
 -c:v libx264 \
 -vf "pad=ceil(iw/2)*2:ceil(ih/2)*2,fps=24,format=yuv420p" \
 animasi.mp4

    Fungsi parameter pad=ceil(iw/2)*2:ceil(ih/2)*2 adalah untuk memastikan resolusi gambar memiliki nilai yang genap. Hal ini diperlukan karena proses kompresi video umumnya membutuhkan resolusi video yang genap.

    Perintah bash dapat dijalankan di Jupyter Notebook dengan menambahkan ! di awal perintah, misalnya !ls.