04 — Matplotlib

Estimasi: 3 jam Tujuan: Plotting library standar Python. Wajib paham untuk EDA dan paper figure.

Kenapa Materi Ini Penting?

Tanpa visualisasi, data cuma deretan angka — dan otak manusia payah untuk pattern recognition di tabel besar. Matplotlib adalah fondasi semua plotting Python: seaborn, pandas plot, bahkan plotly fallback ke konsep matplotlib di bawahnya. Kalau kamu menguasai matplotlib, kamu bisa membuat plot apa saja untuk paper, presentasi, atau dashboard ML eksperimen.

Analogi: matplotlib = canvas pelukis. Kamu kontrol penuh atas tiap stroke kuas, warna, dan komposisi. Seaborn = pelukis dengan template "abstract", "potret", "landscape" — cantik default tapi customisasinya tetap pakai matplotlib di belakang. Saat kamu butuh figure untuk paper Dicoding final project atau tesis, matplotlib lah yang kamu pegang.

Di GenAI bootcamp nanti, kamu akan menggambar: loss curve training, attention heatmap, t-SNE embedding plot, distribusi token length, confusion matrix. Semua ini matplotlib (langsung atau lewat seaborn). Pastikan kamu paham hierarki Figure → Axes → Plot supaya tidak kebingungan saat plot tidak muncul atau tumpang tindih.

Hierarki Matplotlib: Figure, Axes, Plot

Cara Membaca Diagram:

Node atas = Figure (kanvas keseluruhan).
Dua node tengah = Axes (area plot di dalam figure, bisa lebih dari satu).
Empat node bawah = isi tiap axes (line plot, scatter, title, labels, legend).

Walkthrough Step-by-Step:

Buat Figure dengan plt.subplots() atau plt.figure().
Tambahkan satu atau banyak Axes (subplot) di dalamnya.
Gambar konten di tiap Axes: line, scatter, bar, dll, plus label/legend.

Analogi Sehari-hari: album foto. Figure = halaman album, Axes = bingkai foto di halaman, Plot = isi foto di bingkai.

Diagram statis Mermaid sebagai fallback:

flowchart TD
    F["Figure<br/>(kanvas keseluruhan)"] --> A1["Axes 1<br/>(satu plot area)"]
    F --> A2["Axes 2<br/>(plot area kedua)"]
    A1 --> P1["Line plot"]
    A1 --> P2["Title, labels, legend"]
    A2 --> P3["Scatter plot"]
    A2 --> P4["Title, labels, legend"]

Analogi:

Figure = halaman kertas kosong
Axes = bingkai/kotak gambar di kertas itu (bisa lebih dari 1 = subplots)
Plot = isi gambar di dalam kotak

Method yang sering dipanggil:

fig, ax = plt.subplots() — bikin figure + 1 axes
fig, axes = plt.subplots(2, 2) — bikin figure + 4 axes (grid 2x2)
ax.plot(...), ax.set_title(...) — gambar di axes

Bagian 1 — Plot Pertama

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y = np.sin(x)

plt.plot(x, y)
plt.show()

Style Cepat

plt.plot(x, y, color="red", linewidth=2, linestyle="--")
plt.plot(x, y, "r--")        # shortcut
plt.plot(x, y, "b-o")        # blue line dengan marker o

Multiple Plot

plt.plot(x, np.sin(x), label="sin")
plt.plot(x, np.cos(x), label="cos")
plt.legend()
plt.xlabel("x")
plt.ylabel("y")
plt.title("Sin and Cos")
plt.grid(True)
plt.show()

Bagian 2 — Object-Oriented API (Recommended)

Daripada plt.plot() style state-based:

fig, ax = plt.subplots()
ax.plot(x, y)
ax.set_xlabel("x")
ax.set_ylabel("y")
ax.set_title("Title")
plt.show()

Lebih bersih untuk figure kompleks.

Bagian 3 — Subplots

# 2x2 grid
fig, axes = plt.subplots(2, 2, figsize=(10, 8))

axes[0, 0].plot(x, np.sin(x))
axes[0, 0].set_title("sin")

axes[0, 1].plot(x, np.cos(x))
axes[0, 1].set_title("cos")

axes[1, 0].plot(x, np.exp(-x))
axes[1, 0].set_title("exp")

axes[1, 1].plot(x, x ** 2)
axes[1, 1].set_title("x^2")

plt.tight_layout()
plt.show()

Bagian 4 — Tipe Plot

Tabel Cepat: Pilih Plot yang Tepat

Tujuan	Plot	Function
Trend over time	Line	`ax.plot()`
Hubungan 2 variabel numerik	Scatter	`ax.scatter()`
Bandingkan kategori	Bar	`ax.bar()` / `ax.barh()`
Distribusi 1 variabel	Histogram	`ax.hist()`
Distribusi + outlier	Box plot	`ax.boxplot()`
Matrix / korelasi	Heatmap	`ax.imshow()`
Komposisi (jarang)	Pie	`ax.pie()`

Line Plot

ax.plot(x, y)

Scatter Plot

ax.scatter(x, y, s=20, c="blue", alpha=0.5)

Bar Chart

labels = ["A", "B", "C"]
values = [10, 25, 15]
ax.bar(labels, values)
ax.barh(labels, values)    # horizontal

Histogram

data = np.random.randn(1000)
ax.hist(data, bins=50, edgecolor="black")

Box Plot

data = [np.random.randn(100) for _ in range(4)]
ax.boxplot(data, labels=["A", "B", "C", "D"])

Heatmap

matrix = np.random.randn(10, 10)
im = ax.imshow(matrix, cmap="viridis")
plt.colorbar(im)

Pie (jarang dipakai, kurang efektif)

ax.pie(values, labels=labels, autopct="%1.1f%%")

Bagian 5 — Customisasi

Limits, Ticks

ax.set_xlim(0, 10)
ax.set_ylim(-1, 1)
ax.set_xticks([0, 5, 10])
ax.set_xticklabels(["start", "mid", "end"])
ax.tick_params(rotation=45)

Color & Style

plt.style.use("ggplot")          # atau "seaborn", "dark_background"
plt.rcParams["figure.figsize"] = (10, 6)

Annotation

ax.annotate("peak", xy=(np.pi/2, 1), xytext=(2, 1.2),
            arrowprops=dict(arrowstyle="->"))
ax.text(5, 0, "midpoint", ha="center")

Save Figure

fig.savefig("plot.png", dpi=300, bbox_inches="tight")
fig.savefig("plot.pdf")          # vector format

Bagian 6 — Plot dari Pandas

df = pd.DataFrame({
    "x": np.arange(10),
    "y1": np.random.randn(10).cumsum(),
    "y2": np.random.randn(10).cumsum(),
})

df.plot(x="x")                   # auto plot all numeric
df.plot.bar()
df["y1"].hist()
df.plot.scatter(x="y1", y="y2")

Common Mistakes / FAQ

1. Plot Tidak Muncul

plt.plot(x, y)
# Lupa plt.show() di script Python (Jupyter auto-show)
plt.show()

Di Jupyter notebook biasanya otomatis muncul, tapi di script .py wajib plt.show().

2. Subplots Tumpang Tindih

fig, axes = plt.subplots(2, 2, figsize=(10, 8))
# ... plot ...
plt.tight_layout()    # auto-fix spacing!
plt.show()

3. Figure Lama Numpuk → Memory Leak

import matplotlib.pyplot as plt
for i in range(100):
    fig, ax = plt.subplots()
    ax.plot(data[i])
    fig.savefig(f"plot_{i}.png")
    plt.close(fig)    # WAJIB close untuk loop besar!

4. Lupa `figsize` di Notebook → Plot Kekecilan

fig, ax = plt.subplots(figsize=(10, 6))   # lebar 10 inch, tinggi 6 inch

5. Mix `plt.xxx` dan `ax.xxx`

State-based (plt.) dan OO (ax.) bisa dicampur, tapi jangan. Pilih satu style. OO style (fig, ax = plt.subplots()) lebih recommended untuk figure kompleks.

6. Save Quality Rendah

fig.savefig("plot.png")                              # default 100 dpi, blur
fig.savefig("plot.png", dpi=300, bbox_inches="tight") # tajam, no whitespace
fig.savefig("plot.pdf")                              # vektor, infinite zoom

7. `imshow` Kebalik / Aspek Aneh

ax.imshow(matrix, cmap="viridis", aspect="auto")
# default aspect="equal" bikin kotak terlalu sempit kalau matrix non-square

Cek Pemahaman

Bisa bikin line plot, scatter, bar, histogram?
Bisa subplots 2x2?
Bisa label, title, legend?
Bisa save figure ke file?

Challenge 4.4

Challenge 1 — Distribusi Plot

Bikin figure 2×2:

Histogram normal distribution (10000 sample)
Histogram uniform
Box plot 4 distribusi
Scatter plot x vs y dengan correlation

Challenge 2 — Time Series

Dataset stock price (download CSV atau random walk):

Plot harga over time
Plot moving average 7-day, 30-day
Annotate peak dan trough

Challenge 3 — Comparison Bar Chart

products = ["A", "B", "C", "D"]
sales_2025 = [100, 200, 150, 80]
sales_2026 = [120, 180, 200, 100]

Side-by-side bar chart untuk comparison. Pakai legend.

Challenge 4 — Loss Curve

Simulasi training:

epochs = np.arange(100)
train_loss = np.exp(-epochs * 0.05) + np.random.randn(100) * 0.05
val_loss = np.exp(-epochs * 0.04) + np.random.randn(100) * 0.05 + 0.1

Plot dengan label "Train" dan "Validation". Style: lines + markers.

Selanjutnya: 05-seaborn.md

Matplotlib