Kursus
Memahami Visualisasi Data
2 jam
263.2K
Selamat datang di bagian kedelapan dari seri bulanan kami tentang membongkar data. Sebagai bagian dari Bulan Literasi Data, seri ini akan memperjelas konsep-konsep kunci dari dunia data, menjawab pertanyaan yang mungkin Anda segan untuk tanyakan, dan bersenang-senang sepanjang jalan. Jika Anda ingin mulai dari awal, baca entri pertama kami dalam seri ini: Apa Itu Dataset?
Minggu ini, kita 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 tren dan cara menafsirkannya.
Visualisasi yang Menangkap Tren
Menangkap tren adalah salah satu penerapan visualisasi data yang paling bermanfaat. Sepanjang sisa bagian ini, kita akan melihat visualisasi paling populer yang menangkap tren. Terutama, grafik garis, grafik spline, grafik area, dan variannya. Mari mulai!
Grafik garis
Grafik garis menghubungkan serangkaian titik dengan segmen garis lurus. Grafik garis umum digunakan untuk memvisualisasikan tren dari waktu ke waktu. Grafik garis ada di mana-mana. Bisnis menggunakan grafik garis untuk menangkap metrik bisnis seperti pendapatan dan laba dari waktu ke waktu; ilmuwan menggunakan grafik garis untuk menggambarkan hubungan antara dua variabel.
Minat terhadap NFT meningkat sepanjang 2021, mencapai puncak pada Januari 2022, sebelum menurun pesat seiring dengan harga mata uang kripto utama seperti bitcoin. (Sumber: Statista)
Menafsirkan grafik garis itu intuitif. Berikut beberapa hal yang perlu dipikirkan saat menafsirkannya.
- Seperti apa bentuk grafiknya? Apakah meningkat, menurun, atau tetap stabil?
- Seperti apa kemiringan grafiknya? Kemiringan menunjukkan laju perubahan dari waktu ke waktu. Semakin curam garisnya, semakin tinggi lajunya.
- Perhatikan titik maksimum atau minimum. Ini bisa menandai titik balik kunci atau bertepatan dengan peristiwa signifikan.
Satu catatan kehati-hatian—siapa pun yang membaca grafik garis harus memperhatikan sumbu vertikal dan mempertimbangkan apakah dimulai dari nol atau tidak. Grafik garis dengan sumbu y yang tidak dimulai dari nol bisa membuat perubahan kecil tampak seperti fluktuasi besar.
Grafik garis yang tidak dimulai dari nol dapat digunakan untuk menyesatkan audiens (Sumber: Chad Skelton)
Grafik spline
Grafik spline adalah grafik garis yang menggunakan kurva (alih-alih garis lurus) untuk menghubungkan titik data.
Grafik spline yang menunjukkan perubahan bertahap suhu bumi selama 500 juta tahun terakhir (Sumber: climate.gov)
Grafik spline sama mampunya menyampaikan tren dari waktu ke waktu seperti grafik garis; ia lebih unggul dalam menyampaikan perubahan yang halus dan bertahap. Misalnya, pendapatan bulanan sebuah toko dapat diplot dengan grafik spline untuk menyampaikan bahwa penjualan terjadi secara bertahap sepanjang bulan, bukan dalam satu hari.
Grafik multi-garis atau multi-spline
Sesuai namanya, grafik multi-garis memuat lebih dari satu grafik garis yang diplot pada sumbu yang sama atau berbeda. Ini berguna untuk membandingkan tren dua variabel terkait. Untuk menganalisis grafik multi-garis, perhatikan dengan saksama dan coba pahami hal-hal berikut:
- Apa yang diwakili masing-masing garis?
- Apa yang diwakili perbedaan antar garis?
- Adakah potensi korelasi antara kedua garis? Jika ya, bisakah dijelaskan?
- Apakah setiap garis diukur terhadap satu sumbu, atau ada banyak sumbu y?
Berikut beberapa contoh grafik multi-garis dan multi-spline yang bermanfaat.
Laporan Tahunan Alphabet 2021 menggunakan grafik multi-spline untuk membandingkan kinerja sahamnya terhadap pasar yang lebih luas. (Sumber: Alphabet Investor Reporting)
William Playfair, pencipta grafik garis, menggunakan grafik multi-spline untuk membandingkan impor dan ekspor Inggris sejak tahun 1786. Perbedaan vertikal antara garis menunjukkan neraca transaksi Inggris pada tahun tersebut (Sumber: Datylon)
Kesalahan umum adalah menyimpulkan bahwa dua tren independen saling terkait hanya dari sekilas melihat grafik multi-garis. Inilah tepatnya kekeliruan korelasi vs. kausalitas yang terjadi, yang telah kami bahas dalam entri sebelumnya di seri membongkar data.
Pada contoh di bawah, seseorang dapat dengan mudah menyimpulkan bahwa ada hubungan antara jumlah orang yang tenggelam karena jatuh ke kolam dan jumlah film yang dibintangi Nicolas Cage.
Waspadai korelasi semu! (Sumber: Tyler Vigen)
Grafik area
Grafik area menunjukkan bagaimana nilai numerik berkembang dengan memberi arsiran pada area antara garis dan sumbu x. Ini mirip dengan grafik garis, kecuali area di bawah setiap garis diberi arsiran.
Grafik area (Sumber: Storytelling with Data)
Anda dapat membandingkan area di bawah grafik sebagai jumlah kumulatif dari deret data dari waktu ke waktu. Ketika beberapa grafik area diplot pada grafik yang sama, Anda dapat membandingkan beberapa subkategori dari waktu ke waktu.
Terlepas dari kegunaannya, Anda perlu mewaspadai keterbatasan grafik area. Membandingkan area relatif dari beberapa deret data bisa menantang karena grafik area dapat dengan cepat menjadi terlalu ramai.
Grafik Area Bertumpuk
Grafik area bertumpuk terdiri dari beberapa grafik area yang ditumpuk satu di atas yang lain. Ini paling baik untuk melacak perincian suatu deret data dari waktu ke waktu.
Gambar 8: Grafik batang bertumpuk yang menggambarkan tingkat mematikan pandemi (Sumber: The Economist)
Berikut adalah grafik area bertumpuk yang memperkirakan dampak sebenarnya dari pandemi pada 2020. Untuk melakukannya, penulis menggunakan area berarsir untuk mengatribusikan sebagian angka kematian di Lombardy kepada covid-19. Arsir yang lebih gelap patut diperhatikan untuk menekankan lonjakan kematian kumulatif yang dapat diatribusikan kepada covid-19, yang merupakan teknik penceritaan data yang berguna.
Mulai Visualisasi Data Hari Ini
Semoga Anda menikmati pengantar singkat tentang visualisasi data ini. Pada entri seri berikutnya, kita akan melihat visualisasi data yang menangkap hubungan. Untuk memulai perjalanan belajar data Anda hari ini, lihat sumber daya berikut.
Topik
