- LabPlot adalah perangkat lunak gratis yang menyediakan beragam fitur visualisasi data dan analisis
- Mendukung berbagai format data seperti CSV, SQL, Excel(xlsx), dan JSON sehingga impor data menjadi mudah
- Dengan LabPlot, analisis ilmiah dan visualisasi dapat dilakukan sekaligus dalam satu alur kerja
- Dukungan lintas platform memungkinkan penggunaan di berbagai sistem operasi seperti Windows, macOS, dan Linux
- Karena berbasis open source, siapa pun bebas melakukan perluasan fitur dan kustomisasi
Pengenalan LabPlot
- LabPlot adalah alat visualisasi dan analisis data gratis dan open source yang berjalan di berbagai platform
- Pengguna dapat menangani pekerjaan plotting ilmiah dan analisis data secara efisien dalam satu aplikasi
Impor Data dan Kompatibilitas
- Langkah awal di LabPlot adalah mengimpor data dari berbagai format
- Format data yang didukung mencakup CSV, Origin, SAS, Stata, SPSS, MATLAB, SQL, JSON, biner, OpenDocument Spreadsheet (ods), Excel(xlsx), HDF5, MQTT, Binary Logging Format(BLF), FITS dan banyak lagi
- Dukungan format ini memberikan keuntungan berupa integrasi data yang lebih mudah dan proses awal yang lebih cepat
Ringkasan
- LabPlot adalah alat visualisasi data ilmiah dan analisis dengan dukungan lintas platform, yang membantu pengguna memuat cepat berbagai format data dan menanganinya secara efisien
- Sebagai perangkat lunak open source, pengguna juga mendapat keuntungan berupa kemampuan memperluas fitur dan menyesuaikan sesuai kebutuhan
1 komentar
Komentar Hacker News
Menarik melihat alat chart atau grafik kini dianggap seperti komoditas yang sangat biasa; saat pertama kali mengembangkan Deltagraph pada akhir 1988, targetnya adalah output Postscript dan Illustrator, dengan variasi grafik dan opsi yang luar biasa banyak sehingga digunakan secara global nyaris seperti standar, terutama untuk kebutuhan cetak. Pada pertengahan 90-an, setelah saya hanya menangani pengembangannya dan produknya dijual ke penerbit, selama 25 tahun hingga masa pandemi kepemilikannya beberapa kali berganti tetapi tetap berjalan di atas basis source code asli yang ditulis dalam C. Sulit membayangkan seberapa berantakannya kode itu sekarang.
Saya sudah lama memakai SciDavis, dan dulu juga pernah mencoba QtiPlot; kalau ada kesempatan saya juga memakai Origin. SciDavis memang terasa kasar dan sering crash, tetapi untuk pekerjaan yang saya butuhkan tidak terlalu bermasalah. Saya agak kesulitan dengan pengaturan gaya grafik, dan menyalin style juga tidak nyaman. Baru-baru ini saya mencoba LabPlot, tetapi saat file csv berisi data datetime, ada masalah karena format tanggal dan deret waktu tidak dikenali dengan benar bahkan setelah memakai opsi lanjutan dan pengaturan manual. Situs dokumentasinya berupa kumpulan video YouTube, dan saya kurang suka harus menonton video untuk mencari manual. Para pengembang benar-benar perlu membuat dokumentasi tradisional juga. Ada juga AlphaPlot, fork dari SciDavis, tetapi masih punya tantangan sendiri seperti masalah tanggal
yyyy-MM-dd hh:mm:ss.zzz. Meski begitu, ini tetap alat yang lumayan bagus. Untuk pemrosesan batch, atau jika ingin membuat banyak grafik secara otomatis dan tetap reproducible, saya memakai gnuplot. Kurva belajarnya curam, tetapi setelah menulis skrip beberapa kali kita bisa membuat template sendiri, dan itu berguna. Senang melihat ada gerakan open source di bidang ini juga sehingga selalu ada lebih banyak pilihan.Tautan manual LabPlot
Alat seperti ggplot memang butuh banyak sentuhan tangan untuk penyesuaian detail, tetapi justru fleksibilitasnya juga sangat bagus. Namun, misalnya saat ingin menggambar spaghetti plot pengukuran berulang per subjek dari data studi longitudinal akseleratif, atau membuat fixed-effects plot, kebanyakan solusi mulai menunjukkan keterbatasan. Sebagai referensi, ada contoh plot yang saya buat.
Contoh plot
Kelihatannya memang sangat keren, tetapi saya berharap ada bagian yang menjelaskan “kenapa ini lebih baik daripada matplotlib atau alat chart populer lainnya”. Saya sudah melihat daftar fiturnya, tetapi terasa berat kalau harus merangkai tabel perbandingan sendiri di kepala. Sepertinya ada banyak hal menarik, tetapi akan sangat membantu kalau ada studi kasus agar jelas apakah ini layak dipelajari dengan investasi waktu.
Jelas ada banyak usaha yang masuk ke sini. Namun, jika sudah terhubung dengan kode laboratorium di Julia, Matlab, R, Python, Excel, dan sebagainya, saya bingung apa motivasinya untuk memakai alat ini. Saya penasaran apakah ini populer di komunitas tertentu.
Mungkin tujuannya adalah menggantikan peran alat komersial yang populer di sebagian komunitas ilmiah seperti Origin, tetapi dalam bentuk FOSS. Ini berguna jika software lain (misalnya software instrumentasi) sudah menghasilkan datanya, lalu kita ingin cepat memvisualisasikannya dalam plot dan menangani hal sederhana seperti curve fitting lewat GUI. Jika Anda sudah terbiasa memproses data dengan bahasa dan library yang disebut tadi, memang tidak ada alasan kuat untuk membutuhkan alat ini.
Saya sepertinya memang target user alat ini. Saya bolak-balik antara R, Python, Maxima, dan MATLAB/Octave, lalu biasanya memindahkan data sebagai CSV, dan antarmuka setiap alat berbeda-beda sehingga merepotkan. Saya juga tidak terlalu suka Jupyter, jadi kalau ini lebih nyaman, mungkin saya bisa mencoba memakainya sebagai pengganti Jupyter juga.
Berdasarkan pengalaman saya, cukup banyak orang yang merasa pemrograman itu tidak produktif atau tidak nyaman. Saya sendiri terutama memakai Python, tetapi di perusahaan kami juga banyak lisensi JMP dan kebanyakan engineer cukup puas dengan Excel. Hanya saja, saya tidak menunjukkan ke orang lain berapa lama waktu yang saya habiskan untuk mengerjakan sesuatu. Dan orang-orang seperti ini masih cenderung waspada terhadap program open source atau program yang tidak punya reputasi besar. Alat seperti ini bisa menjadi opsi yang saya coba sendiri dulu, lalu baru saya katakan ke atasan bahwa “ini cukup layak dipakai” jika hasilnya memang memadai.
Sebagai contoh kasus nyata di lapangan, saya bekerja sebagai engineer proyek wahana luncur, dan pada setiap pengujian maupun penerbangan kami menumpuk frame data telemetri menjadi file yang sangat besar seperti CSV atau TSV. Kami harus cepat menelusuri secara visual grafik deret waktu dari ratusan variabel untuk langsung menemukan ada tidaknya anomali, lalu berkali-kali zoom dan pan untuk menangkap bagian yang diperlukan dan memasukkannya ke dokumen. Kadang kami juga perlu zoom sampai detail yang sangat ekstrem—hingga level bit dan sampel—untuk menangkap kasus pengecualian, dan karena kami tidak tahu sebelumnya kapan dan di mana sebuah event akan muncul, kecepatan adalah segalanya. Kami juga perlu menampilkan plot banyak variabel dengan satuan berbeda sekaligus untuk melihat korelasinya, dan saat analisis dilakukan sebagai tim, visualisasi spontan juga dibutuhkan. Analisis frekuensi atau statistik (periodogram, log/semilog, PDF, dll.) juga diperlukan. Kami juga ingin bisa cepat menambahkan marker atau keterangan ke plot, mengubah label maupun format secara WYSIWYG, dan semuanya harus bisa sampai ke penerapan FFT atau filter beserta visualisasinya hanya lewat satu klik menu. Memanipulasi semuanya sebagai teks satu per satu di Python/Jupyter terlalu tidak efisien dari sisi waktu untuk workflow seperti ini. Di LabPlot atau aplikasi yang dulu kami gunakan, pekerjaan seperti ini bisa dilakukan nyaris secara real time. Excel juga punya kemampuan yang mendekati berkat antarmuka spreadsheet-nya, tetapi kalau untuk membuat plot deret waktu kita harus mengatur sel, sumbu, definisi grafik, perluasan plot, format label, dan sebagainya satu per satu, kita bisa habis sebulan penuh hanya untuk analisis. Aplikasi seperti ini memungkinkan kerja cepat karena komentar, metadata, dan sebagainya disisipkan ke file data dalam bentuk anotasi terformat, dan file berukuran besar pun dibuffer pada level disk dan memori sehingga responsnya tetap instan. Untuk workflow khusus seperti ini, LabPlot atau alat serupa benar-benar esensial.
Saya belum mencoba alat ini, tetapi jika datanya bisa divisualisasikan lewat drag-and-drop, rasanya ini bisa menjadi pelengkap yang sangat bagus untuk alat-alat yang sudah ada.
Mungkin ini Github proyeknya.
Github proyek
Repositori pengembangan resmi KDE GitLab
Penasaran apakah ini kena HN hug of death.
Akan sangat membantu jika ditambahkan dukungan integrasi S3 bucket dan object storage cloud lainnya. Dukungan Iceberg juga sedang populer akhir-akhir ini, jadi akan bagus kalau ikut dimasukkan.
Sayang sekali database yang didukung saat ini hanya SQLite. Saya ingin langsung terhubung ke database atau REST API, tetapi prosedur ekspor lalu impor ulang file terlalu merepotkan.
Manual LabPlot menyebut dukungan untuk berbagai DB.
Manual integrasi SQL LabPlot
Daftar driver database Qt5.15
Saya jadi penasaran apakah yang dimaksud sebenarnya topik lain.
SQLite sudah sangat bagus, dan juga ada solusi REST API pihak ketiga, jadi sepertinya itu bukan masalah besar.
Saya penasaran apakah posisinya seperti versi desktop dari Metabase atau Superset.