Data Dijernihkan: Visualisasi Data yang Menangkap Distribusi

Selamat datang di bagian kesepuluh dari seri bulanan Data Dijernihkan kami. Sebagai bagian dari Bulan Literasi Data, seri ini akan memperjelas konsep-konsep kunci di dunia data, menjawab pertanyaan yang mungkin Anda ragu untuk tanyakan, dan menghadirkan sedikit kesenangan. Jika Anda ingin mulai dari awal, baca entri pertama kami di seri ini: Apa itu Dataset?

Minggu ini, kami akan membahas visualisasi data yang umum dan cara menafsirkannya. Visualisasi data sering disebut sebagai gerbang masuk ke data science; artikel blog ini akan melihat visualisasi data yang menangkap distribusi dan cara menafsirkannya.

Visualisasi yang Menangkap Distribusi

Salah satu kegunaan utama visualisasi data adalah menangkap distribusi suatu variabel. Menangkap distribusi memungkinkan Anda memahami sifat statistik penting dari data yang Anda visualisasikan dan membantu audiens membuat keputusan berbasis data yang tepat mengenai hasil-hasil kunci. Sebelum menyelam lebih jauh, berikut beberapa poin penting yang perlu diingat saat memvisualisasikan distribusi:

1. Bagaimana bentuk distribusinya? Apakah distribusinya simetris atau tidak?
2. Seberapa lebar sebaran distribusinya? Misalnya, selisih antara nilai terkecil dan terbesar dalam dataset.
3. Apakah ada pencilan dalam distribusi?
4. Apakah ada pola pada distribusi? Apakah distribusinya acak, atau ada bentuk yang jelas?
5. Berapakah nilai rata-ratanya (mean, modus, median)?

Empat visualisasi di bawah ini membantu kita menangkap poin-poin tersebut. 

Histogram

Histogram adalah grafik yang menampilkan distribusi variabel numerik dengan batang. Ini adalah cara yang nyaman untuk menggambarkan fitur utama distribusi, terutama ketika data berukuran besar. Contoh kunci ketika histogram unggul adalah menangkap distribusi gaji karyawan di sebuah perusahaan atau kadar gula darah sekelompok pasien. 

Sebuah histogram yang menggambarkan usia kematian Laki-laki Australia pada 2022 (Sumber: Oosterbaan)

Untuk membangun histogram, data numerik terlebih dahulu dibagi menjadi beberapa rentang atau bin, dan frekuensi kemunculan tiap rentang dihitung. Sumbu horizontal menunjukkan rentang, sementara sumbu vertikal merepresentasikan frekuensi atau persentase kemunculan suatu rentang. Histogram segera menampilkan bagaimana distribusi suatu variabel condong atau di mana puncaknya. Berikut contoh dari kursus Data Visualization for Everyone kami. 

Sebuah histogram dapat simetris, condong ke kiri, atau condong ke kanan. (Sumber: DataCamp)

 Sebuah histogram dapat memiliki beberapa modus (Sumber: DataCamp)

Walaupun histogram dan bagan batang tampak mirip, keduanya memiliki fungsi berbeda dan karena itu jangan disamakan. Berikut perbedaan utamanya.

Density plot

Sama seperti histogram, density plot merepresentasikan distribusi variabel numerik. Berbeda dengan histogram, density plot menggunakan garis halus alih-alih batang. Sumbu horizontal pada density plot adalah variabel numerik, sedangkan sumbu vertikal adalah fungsi kerapatan probabilitas. Probabilitas bahwa variabel berada di antara suatu rentang adalah luas area di bawah grafik. 

Probabilitas bahwa seekor tikus memiliki berat lahir antara 1,0 hingga 1,2 gram adalah luas area di bawah density plot (Sumber: SPSS)

Sebuah density plot dapat menampilkan bentuk distribusi lebih efektif dibanding histogram. Histogram dengan jumlah bin yang terlalu kecil atau besar bisa menyamarkan bentuk sebenarnya dari distribusi yang mendasarinya. Sebaliknya, density plot tidak memerlukan pembagian bin dan menampilkan kurva distribusi yang mulus.

Pemilihan jumlah bin pada histogram itu krusial. (Sumber: Laerd Statistics)

Sebuah density plot juga lebih baik untuk membandingkan beberapa distribusi dibanding histogram.

Membandingkan distribusi dengan density plot vs histogram (Sumber: Koehrsen Will)

Box plot

Histogram sangat cocok untuk menampilkan distribusi keseluruhan data, tetapi box plot sangat unggul dalam meringkas suatu distribusi. 

Anatomi sebuah box plot (Sumber: Galarnyk)

Memvisualisasikan data dengan box plot mengungkap hal-hal berikut:

1. Median: Nilai tengah dari sebuah dataset di mana 50% data kurang dari median, dan 50% data lebih besar dari median. 
2. Kuartil atas: Persentil ke-75 dari sebuah dataset di mana 75% data kurang dari kuartil atas, dan 25% data lebih besar dari kuartil atas. 
3. Kuartil bawah: Persentil ke-25 dari sebuah dataset di mana 25% data kurang dari kuartil bawah dan 75% lebih besar dari kuartil bawah. 
4. Rentang antar kuartil (IQR): Kuartil atas dikurangi kuartil bawah
5. Nilai berdekatan atas: Atau secara umum disebut “maksimum”. Ini merepresentasikan kuartil atas ditambah 1,5 kali rentang antar kuartil.
6. Nilai berdekatan bawah: Atau secara umum disebut “minimum". Ini merepresentasikan kuartil bawah dikurangi 1,5 kali rentang antar kuartil.
7. Pencilan: Nilai apa pun di atas “maksimum” atau di bawah “minimum”.

Violin plot

Violin plot adalah hibrida antara box plot dan density plot. 

Sebuah violin plot yang menampilkan distribusi total tagihan (Sumber: DataCamp)

Seperti pada density plot, violin plot menampilkan distribusi kerapatan. Seperti pada box plot, violin plot juga menampilkan statistik ringkasan. Violin plot adalah alat yang efektif untuk sekaligus menampilkan dan meringkas distribusi variabel numerik. 

Anatomi sebuah violin plot (Sumber: Hintze dan Nelson)

Mulai Belajar Visualisasi Data Hari Ini

Semoga Anda menikmati pengantar singkat tentang visualisasi data ini. Pada entri seri berikutnya, kami akan melihat bagaimana AI dibahas di berita dan bagaimana menumbuhkan skeptisisme yang sehat terhadap kemajuan terbaru di bidang ini. Untuk memulai perjalanan belajar data Anda hari ini, lihat sumber daya berikut. 

• Lihat apa yang telah kami rencanakan untuk bulan literasi data
• Mulai dengan Skill Track Understanding Data Topics kami
• Berlangganan Podcast DataFramed
• Lihat acara kami yang akan datang
• Baca entri berikutnya dari Seri Data Dijernihkan tentang cara menghindari jebakan hype AI