Lewati ke konten utama

Palet Warna Seaborn: Panduan Singkat Memilih Warna

Gunakan color_palette() untuk pemisahan kategorikal yang jelas, cubehelix_palette() untuk data berurutan yang bertahap, dan diverging_palette() untuk perbedaan jelas dari titik tengah.
· 4 mnt Baca

Jelajahi bersama AI

Dalam visualisasi data, memilih warna yang tepat bisa sama pentingnya dengan memilih jenis bagan atau representasi data yang tepat. Untungnya, Python memudahkan Anda menemukan palet warna yang sesuai dengan Seaborn. Baca terus untuk memahami cara membuat visualisasi yang tidak hanya informatif tetapi juga menarik secara visual dan mudah diakses.

Jika Anda baru mengenal Python, pertimbangkan untuk memulai dengan kursus Introduction to Python atau jalur keterampilan Python Programming. Sumber daya ini akan membekali Anda dengan keterampilan yang diperlukan untuk mengikuti contoh-contoh dan memaksimalkan kemampuan Seaborn.

Catatan Singkat tentang Dasar-Dasar Warna

Ada tiga elemen utama yang mendefinisikan warna: hue, saturation, dan value. Masing-masing penting karena menyampaikan jenis informasi yang berbeda.

Hue

Hue adalah yang biasanya kita anggap sebagai "warna" — warna murni itu sendiri, seperti merah, biru, atau hijau.

Ilustrasi hue. Gambar oleh Penulis.

Visual ini menampilkan berbagai hue, bergerak melalui roda warna dari merah ke ungu. Hue yang berbeda bagus untuk merepresentasikan data kategorikal atau menyoroti elemen tertentu. Misalnya, Anda dapat menggunakan hue yang berbeda untuk membedakan kategori yang tidak saling terkait dalam bagan batang atau sebar.

Saturation

Saturation merujuk pada intensitas atau kemurnian warna. Warna yang sepenuhnya jenuh tampak mencolok, sementara warna dengan kejenuhan lebih rendah terlihat lebih lembut atau keabu-abuan.

Ilustrasi saturation. Gambar oleh Penulis.

Gradien ini memperlihatkan tingkat kejenuhan yang berbeda untuk satu hue. Warna di sebelah kanan sepenuhnya jenuh. Saat kita bergerak ke kiri, warnanya semakin terdesaturasi, hingga akhirnya tampak hampir abu-abu. Warna yang lebih jenuh dapat menarik perhatian ke titik data utama atau area yang menarik.

Value

Value, juga dikenal sebagai kecerahan, merujuk pada tingkat terang atau gelapnya warna. Menambahkan putih meningkatkan value, sementara menambahkan hitam menurunkannya.

Ilustrasi value (kecerahan). Gambar oleh Penulis.

Gradien ini memperlihatkan tingkat kecerahan yang berbeda untuk hue yang sama. Di sebelah kanan, kita melihat warna pada tingkat paling terang. Saat bergerak ke kiri, value berkurang, dan warna menjadi lebih gelap. Value berguna untuk menunjukkan progresi atau hierarki dalam data. Misalnya, Anda dapat menggunakan gradien value dalam heatmap untuk menampilkan intensitas data pada kisi dua dimensi.

Jenis Palet Warna Seaborn

Mari jelajahi tiga jenis utama palet warna di Seaborn: kualitatif, sequential, dan diverging.

Palet kualitatif menggunakan color_palette()

Palet kualitatif dirancang untuk data kategorikal yang tidak memiliki urutan atau hubungan bawaan antarkategori. Palet ini menggunakan hue yang berbeda untuk membedakan kategori.

Palet kualitatif. Gambar oleh Penulis.

Palet "Bright" yang ditampilkan di atas adalah contoh palet kualitatif bawaan di Seaborn. Palet ini menggunakan hue yang khas dan cerah untuk memisahkan kategori. Warnanya mudah dibedakan satu sama lain, sehingga ideal untuk data kategorikal yang tidak memiliki urutan atau hubungan bawaan antarkategori.

Fungsi color_palette() adalah cara Seaborn membuat palet warna kustom. Fungsi ini memungkinkan Anda beralih di antara berbagai jenis palet ini dengan mengubah nama palet dan jumlah warna. Saat menggunakan palet bernama (seperti "pastel" atau "Blues"), parameter number menentukan berapa banyak warna yang ditampilkan. Umumnya, Anda menyesuaikan jumlah warna dengan kategori data Anda atau membuat gradien dengan jumlah langkah tertentu.

Untuk kontrol yang lebih presisi, Anda dapat menggunakan kode HEX untuk menentukan warna secara tepat. Ini sangat berguna saat Anda perlu menyesuaikan warna merek tertentu atau membuat skema warna unik yang tidak tersedia dalam palet bawaan. Berikut cara membuat berbagai jenis palet menggunakan color_palette():

import seaborn as sns
# Create a qualitative palette with 4 colors
qual_palette = sns.color_palette("pastel", 4)

Membuat palet kualitatif dengan empat warna. Gambar oleh Penulis.

# Create a sequential palette with 6 colors
seq_palette = sns.color_palette("Blues", 6)

Membuat palet sequential dengan enam warna. Gambar oleh Penulis.

# Create a diverging palette with 12 colors
div_palette = sns.color_palette("RdBu", 12)

Membuat palet diverging dengan 12 warna. Gambar oleh Penulis.

# Create a custom palette using HEX codes 
hex = sns.color_palette(["#FF6B6B", "#4ECDC4", "#45B7D1","#FAD02E", "#594F4F"])

Membuat palet kustom dengan kode HEX. Gambar oleh Penulis.

Palet sequential menggunakan cubehelix_palette()  

Palet sequential ideal untuk data numerik yang memiliki urutan alami. Palet ini menunjukkan progresi dari nilai rendah ke tinggi, biasanya menggunakan variasi kecerahan dan/atau kejenuhan dari satu hue atau beberapa hue.

Ilustrasi palet sequential Viridis. Gambar oleh Penulis.

Palet "Viridis" menunjukkan progresi dari ungu gelap ke kuning terang. Jenis palet ini bagus untuk menampilkan rentang nilai dari rendah ke tinggi. Ini sangat berguna untuk memvisualisasikan data kontinu seperti rentang suhu, kepadatan penduduk, atau dataset apa pun di mana Anda ingin menunjukkan hubungan jelas dari rendah ke tinggi. Opsi bawaan lainnya mencakup: ‘Blues’, ‘Greens’, ‘Reds’, ‘YlOrBr’, dan ‘rocket’.

Fungsi cubehelix_palette() memungkinkan pembuatan palet sequential dengan kontrol yang disesuaikan atas kecerahan dan progresi warna. Fungsi ini sangat berguna saat Anda membutuhkan palet yang meningkat halus dalam kecerahan dan sedikit bervariasi pada hue. Berikut parameter untuk kustomisasi:

  • n_colors: Jumlah warna dalam palet.

  • start: Posisi awal dalam siklus warna (0–3).

  • rot: Menentukan seberapa banyak perubahan hue. 

  • dark: Warna tergelap dalam palet.

  • light: Warna paling terang dalam palet.

  • reverse: Apakah membalik arah palet.

import seaborn as sns
# Create a default cubehelix palette
default_cube = sns.cubehelix_palette(8)

Ilustrasi palet cubehelix bawaan. Gambar oleh Penulis.

# Create a custom cubehelix palette
custom_cube = sns.cubehelix_palette(8, start=.5, rot=-.75, dark=.3, light=.8)

Ilustrasi palet cubehelix kustom. Gambar oleh Penulis.

# Create a reversed cubehelix palette
reversed_cube = sns.cubehelix_palette(8, start=2, rot=0, dark=0, light=.95, reverse=True)

Ilustrasi palet cubehelix terbalik. Gambar oleh Penulis.

Palet diverging menggunakan diverging_palette()

Palet diverging dirancang untuk data yang memiliki titik tengah atau nilai nol yang bermakna. Palet ini menyoroti perbedaan dari titik pusat, menggunakan dua hue yang kontras dan menjadi lebih jenuh saat nilai bergerak menjauh dari pusat. 

Ilustrasi palet diverging. Gambar oleh Penulis.

Contoh di atas secara efektif menggambarkan bagaimana palet ini menyoroti perbedaan dari titik pusat. Palet bertransisi dari biru dingin melalui putih netral hingga merah hangat, dengan titik tengah yang jelas. Jenis palet ini dapat digunakan untuk memvisualisasikan anomali suhu (di mana 0 merepresentasikan suhu rata-rata), atau skenario untung/rugi dalam data keuangan. Opsi bawaan lainnya mencakup: 'RdBu', 'RdYlGn', dan 'PiYG'. Mari kita lihat parameternya:

  • h_neg dan h_pos: Hue untuk rentang negatif dan positif dari palet.

  • n: Jumlah warna dalam palet.

  • s: Kejenuhan warna.

  • l: Kecerahan warna.

  • center: Warna titik pusat ('light' atau 'dark').

import seaborn as sns
# Create a default diverging palette
default_div = sns.diverging_palette(220, 20, n=7)

Ilustrasi palet diverging bawaan. Image by Author.

# Create a diverging palette with more saturation
saturated_div = sns.diverging_palette(250, 30, l=65, s=75, n=7)

Palet diverging dengan kejenuhan lebih tinggi. Gambar oleh Penulis.

# Create a diverging palette with a darker center
dark_center_div = sns.diverging_palette(150, 275, s=80, l=55, n=9, center="dark")

Palet diverging dengan pusat yang lebih gelap. Gambar oleh Penulis.

Catatan Akhir tentang Palet Warna Seaborn

Memilih palet warna yang tepat adalah aspek krusial dalam membuat visualisasi data yang efektif. Beragam opsi palet warna Seaborn yang dapat disesuaikan menyediakan alat yang kuat untuk meningkatkan kejelasan dan daya pukau representasi data Anda.

Saat Anda menerapkan konsep warna ini pada proyek visualisasi data dan berupaya meningkatkan keterampilan, pertimbangkan untuk menjelajahi jalur pembelajaran komprehensif seperti Python Developer atau jalur karier Data Analyst with Python. Jalur berorientasi karier ini dirancang untuk meningkatkan kemahiran Anda dari konsep dasar hingga penerapan yang lebih lanjut, dan memahami visualisasi yang baik selalu penting.

Vinod Chugani

Penulis

Vinod Chugani

LinkedIn

Vinod Chugani memulai kariernya di Tokyo sebagai Kepala Meja Penjualan Hedge Fund termuda di JPMorgan dan kemudian mencetak rekor penjualan individu di Lehman Brothers, lalu membangun bisnis distribusi elektronik di 30 negara dengan pendapatan melampaui SG$100 juta sebelum beralih ke data. Lulusan Ekonomi Duke dan alumni NYC Data Science Academy, ia menjadi salah satu dari tiga penerima beasiswa dari lebih dari 100 pelamar untuk kursus Building AI Applications oleh Hugo Bowne-Anderson di Maven. Saat ini, ia menulis untuk DataCamp, KDnuggets, Machine Learning Mastery, dan Statology tentang topik mulai dari statistika hingga AI agensial, dan membimbing para profesional data di NYC Data Science Academy dengan lebih dari 1.000 sesi tatap muka atas namanya.

 

FAQ Palet Warna Seaborn

Apa saja jenis palet warna yang tersedia di Seaborn?

Seaborn menawarkan tiga jenis utama palet warna: kualitatif, sequential, dan diverging. Palet kualitatif ideal untuk data kategorikal, palet sequential untuk data numerik dengan urutan alami, dan palet diverging untuk data yang memiliki titik tengah bermakna.

Bagaimana cara membuat palet warna kustom di Seaborn?

Anda dapat menggunakan fungsi color_palette() untuk membuat palet kustom, termasuk tipe kualitatif, sequential, dan diverging. Fungsi ini memungkinkan pemilihan warna spesifik menggunakan kode HEX untuk kontrol yang presisi.

Kapan saya harus menggunakan cubehelix_palette() di Seaborn?

Fungsi cubehelix_palette() berguna untuk membuat palet sequential dengan progresi warna yang mulus, terutama saat Anda membutuhkan kontrol yang disesuaikan atas kecerahan dan variasi warna.

Apa tujuan menggunakan diverging_palette() dalam visualisasi data?

Fungsi diverging_palette() dirancang untuk data dengan titik tengah yang bermakna, seperti untung/rugi atau anomali suhu. Fungsi ini menggunakan hue yang kontras untuk menunjukkan perbedaan dari pusat, sehingga membantu menekankan deviasi.

Apa itu hue, saturation, dan value dalam pemilihan warna?

Hue merepresentasikan warna murni, seperti merah atau biru; saturation menunjukkan intensitas warna, dari mencolok hingga lembut; dan value, juga dikenal sebagai kecerahan, menentukan tingkat terang atau gelapnya warna. Memahami elemen-elemen ini membantu dalam memilih warna yang efektif untuk memvisualisasikan berbagai jenis data.

 

Topik

PythonAnalisis Data

Terkait

blogs

Tutorial Korelasi di R

blogs

Spaghetti Plot dan Jalur Badai

blogs

40 Pertanyaan Wawancara DBMS Teratas di 2026

Lihat Selengkapnya →