Contoh Visualisasi Data: Panduan yang Membantu

Melihat data mentah bisa terasa seperti mencoba memahami sebuah foto dengan meneliti hanya beberapa piksel sekaligus. Membuat grafik data Anda memungkinkan Anda memperkecil dan melihat gambaran utuh secara sekilas. Visualisasi juga menjadi alat pemasaran yang mudah untuk menampilkan data Anda kepada pemangku kepentingan. Visual membantu orang melihat pola, hubungan, dan wawasan secara cepat. Ini adalah salah satu cara tercepat untuk membuat data bermakna.

Dalam panduan ini, kami akan membahas jenis-jenis grafik umum dan kapan menggunakan masing-masing. Kita akan mengeksplorasi apa yang membedakan visualisasi yang baik dari yang menyesatkan dan melihat beberapa contoh ikonik yang membentuk bidang ini. Pada akhirnya, Anda akan memiliki gambaran yang lebih baik tentang cara membuat dan mengevaluasi visualisasi data yang menyampaikan cerita yang jelas dan jujur.

Jika Anda memulai dari nol, Introduction to Data Visualization with Julia menyediakan cara ramah-pemula untuk mempelajari dasar-dasar plotting dan penceritaan data.

Jenis-jenis Visualisasi Data

Visualisasi data dapat dikategorikan berdasarkan jumlah variabel yang terlibat. Apakah Anda meneliti distribusi dari satu variabel saja? Apakah Anda mencoba menggambarkan hubungan antara dua variabel? Atau Anda tertarik pada interaksi di antara beberapa variabel? Mari kita lihat masing-masing skenario ini dan opsi grafik yang kita miliki untuk tiap-tiapnya.

Agar Anda mudah membedakan semua jenis grafik ini, saya merekomendasikan Data Visualization Cheat Sheet yang praktis ini. Lembar contekan ini memberikan referensi cepat sehingga Anda dapat melihat grafik mana yang paling sesuai untuk berbagai jenis data. Anda juga sebaiknya melihat Data Visualization Techniques for Every Use-Case.

Visualisasi univariat

Mari mulai dari kasus paling sederhana: Anda hanya memiliki satu variabel yang diminati. Visualisasi univariat memungkinkan Anda fokus pada satu variabel. Visual ini membantu Anda memahami distribusi, frekuensi, atau komposisinya secara sekilas. Mari kita lihat beberapa jenis yang paling umum.

Diagram batang

Diagram batang membandingkan berbagai kategori informasi. Setiap kategori memiliki batangnya sendiri, dan jumlah untuk kategori tersebut ditunjukkan sebagai tinggi batang.

Terkadang, Anda mungkin melihat diagram batang yang diputar ke samping, dengan batang memanjang secara horizontal, bukan vertikal. Berdasarkan pengalaman saya, diagram batang horizontal paling berguna saat Anda membandingkan banyak kategori dan batang diurutkan dari yang terpanjang di atas ke yang terpendek di bawah. Untuk hanya beberapa kategori, saya lebih menyukai diagram batang vertikal.

Diagram pai

Diagram pai menampilkan proporsi dari keseluruhan sebagai irisan lingkaran. Pilihan untuk menggunakan diagram pai sering menjadi sumber perdebatan di kalangan pegiat data. Secara umum, otak kita lebih sulit menafsirkan bagian dari lingkaran dibanding memperkirakan bagian dari persegi panjang.

Pertimbangkan berapa banyak pertengkaran antar saudara yang terjadi karena memperdebatkan apakah dua potong pai apel berukuran sama. Meski begitu, diagram pai tetap populer, sebagian karena bentuknya yang melingkar dapat memecah tampilan dasbor yang sebaliknya serba persegi panjang.

Saat memilih menggunakan diagram pai, pertama, gunakan hanya ketika Anda memiliki beberapa kategori untuk dibandingkan. Jika terlalu banyak kategori dimasukkan, grafik menjadi ramai dan sulit dibaca. Kedua, tambahkan persentase aktual pada setiap irisan. Ini memastikan bahwa meskipun pembaca kesulitan membandingkan besar-kecilnya irisan, mereka tetap dapat menafsirkan grafik.

Diagram donat

Diagram donat sangat mirip dengan diagram pai. Karena itu, kewaspadaan yang sama berlaku: gunakan hanya saat membandingkan beberapa kategori, dan tampilkan proporsi numerik pada grafik untuk membantu interpretasi.

Satu keuntungan praktis dari diagram donat adalah ruang untuk label di tengah. Ini dapat menghemat ruang pada dasbor Anda jika mulai terasa penuh. Diagram ini juga menarik secara visual dan dapat menambah sentuhan estetis yang tidak dimiliki diagram pai.

Histogram

Histogram berguna untuk memvisualisasikan bentuk distribusi. Caranya dengan mengelompokkan nilai numerik ke dalam bin dan memplot jumlah nilai yang masuk ke tiap bin. Ini dapat menjadi cara berguna untuk melihat nilai yang paling banyak dan mendeteksi nilai pencilan.

Meskipun terlihat seperti diagram batang, histogram berbeda dalam satu hal kunci: sumbu x adalah variabel kontinu, bukan diskret. 

Di sini terdapat histogram tinggi kecambah bunga matahari di sebuah kebun. Kita dapat melihat sebagian besar kecambah berada antara 22cm dan 28cm. Beberapa setinggi 15cm, dan sebagian hampir 34cm.

Plot densitas

Plot densitas dapat dianggap sebagai histogram yang dihaluskan dan ditampilkan sebagai kurva kontinu. Ini dapat memberikan gambaran yang lebih rapi tentang distribusi yang mendasarinya. Perlu dicatat bahwa sumbu y tidak menunjukkan hitungan, melainkan densitas, yang mencerminkan seberapa terkonsentrasi data di sekitar nilai tertentu. Luas total di bawah kurva selalu sama dengan 1. 

Plot ini berguna untuk melihat bentuk distribusi, bukan nilai absolutnya. Dengan memplot beberapa distribusi pada grafik yang sama, Anda juga dapat membandingkan distribusi satu sama lain. Untuk menghindari keruwetan, saya menyarankan membatasi jumlah distribusi hingga 3 atau kurang. Sebaiknya setiap garis memiliki warna atau rona tersendiri, untuk menghindari kebingungan, terutama pada distribusi yang berdekatan.

Di sini kami memplot waktu yang dihabiskan untuk membaca, per kunjungan, di dua perpustakaan berbeda. Dengan memplot densitas kedua distribusi bersama-sama, kita dapat melihat bahwa ketika pengunjung datang ke Moonlight Library, mereka cenderung menghabiskan waktu membaca lebih lama daripada saat berkunjung ke Sunlight Library.

Box plot

Jika Anda ingin membandingkan beberapa distribusi, pertimbangkan untuk menggunakan box plot. Box plot merangkum distribusi menggunakan median, kuartil, dan pencilan. Ini adalah grafik yang sangat berguna yang dapat menampilkan banyak informasi dengan sangat cepat. Intinya, mereka menyampaikan cakupan keseluruhan beberapa dataset yang dibandingkan satu sama lain, secara sekilas. 

Sebagai aturan umum, jika kotak dari dua distribusi tidak saling tumpang tindih, kemungkinan besar mereka berbeda secara signifikan. Sedangkan jika tumpang tindih, kemungkinan besar tidak berbeda secara signifikan. Tentu saja, uji statistik seperti T-Test diperlukan untuk memastikannya, tetapi box plot dapat memberikan petunjuk visual cepat tentang distribusi mana yang perlu dibandingkan satu sama lain. 

Dalam box plot ini, kami menampilkan distribusi nilai ujian di tiga sekolah sihir. Sekilas, kita dapat melihat sekolah mana yang memiliki nilai rata-rata lebih tinggi dibanding para pesaingnya. Juga mudah melihat sekolah mana yang mungkin memiliki siswa luar biasa atau siswa yang tertinggal dari rekan-rekannya dengan melihat pencilan. Grafik sederhana ini menyampaikan banyak informasi bermanfaat dengan sangat cepat.

Visualisasi bivariat

Sejauh ini, kita hanya mempertimbangkan grafik yang menampilkan satu variabel. Namun bagaimana jika Anda ingin menunjukkan hubungan antara dua variabel? Grafik bivariat adalah yang Anda butuhkan. Grafik ini berguna untuk menemukan tren, pola, dan korelasi.

Scatter plot

Scatter plot mungkin adalah plot yang paling umum. Ini adalah cara sederhana untuk memvisualisasikan posisi setiap titik data Anda di sepanjang dua sumbu numerik. Ideal untuk menemukan hubungan, klaster, dan pencilan.

Scatter plot dapat digunakan untuk menunjukkan korelasi maupun hubungan kausal. Jika Anda menunjukkan hubungan kausal, konvensinya adalah variabel independen berada di sumbu x dan variabel dependen di sumbu y. Konvensi ini mengisyaratkan kepada pemirsa arah hubungan kausal tersebut. Selain itu, jika memang ada hubungan kausal, Anda sebaiknya menampilkan statistik yang digunakan untuk menentukan kausalitas, beserta nilai p-nya.

Dalam scatterplot ini, kami memplot hubungan antara ukuran setiap tetes hujan dan kecepatan jatuhnya. Ada hubungan positif yang jelas antara kedua variabel ini, menunjukkan bahwa tetes hujan cenderung jatuh lebih cepat saat ukurannya lebih besar. 

Penting untuk dicatat, grafik ini menunjukkan korelasi, dan tidak, dengan sendirinya, mengindikasikan kausalitas. Jadi kita tidak bisa melihat grafik ini dan mengatakan bahwa tetes hujan lebih besar jatuh lebih cepat karena ukurannya lebih besar. Untuk membuat klaim tersebut, kita memerlukan informasi tambahan, seperti uji statistik atau eksperimen, dan kita perlu menunjukkan informasi tambahan itu pada grafik.

Diagram garis

Diagram garis adalah kerabat scatter plot. Namun, variabel independennya biasanya waktu, dan setiap titik data dihubungkan dengan titik data yang berdekatan langsung. Diagram garis paling baik digunakan dengan data runtun waktu, ketika Anda ingin menonjolkan tren atau perubahan dari waktu ke waktu.

Di sini kami menggunakan diagram garis untuk memplot berapa banyak waktu yang kami habiskan untuk membaca setiap hari selama sebulan. Ini memungkinkan kita melihat dengan cepat kapan motivasi membaca menurun dan kapan kita kembali ke ritme. Jika kita melanjutkannya selama beberapa bulan, mungkin kita mulai melihat pola berkembang.

Untuk lebih banyak contoh tentang cara menyoroti tren dan perubahan dari waktu ke waktu, lihat Data Visualizations that Capture Trends.

Diagram area

Diagram area sangat mirip dengan diagram garis, tetapi ruang di bawah garis diarsir. Ini dapat memudahkan pemirsa melihat total kumulatif atau menafsirkan volume. Perhatikan, meskipun Anda dapat memplot lebih dari satu diagram garis pada grafik yang sama, sebaiknya hanya memplot satu diagram area pada setiap grafik. Karena area di bawah kurva diarsir, memplot lebih dari satu pada grafik yang sama dapat membuatnya berantakan dan sulit dibaca. 

Diagram area ini menunjukkan volume madu yang dikumpulkan sepanjang tahun. Karena area di bawah kurva diisi, ini membantu pemirsa memahami secara intuitif bahwa kita sedang membicarakan volume.

Diagram batang berkelompok dan diagram batang bertumpuk

Dua subtipe diagram batang dirancang untuk memungkinkan Anda membandingkan kategori berdasarkan variabel kedua.

Pertama, ada diagram batang berkelompok. Ini menyoroti perbedaan di antara subkategori. Sumbu y dibaca sama seperti sebagian besar diagram batang. Namun sumbu x memiliki kelompok batang, sering dibedakan oleh warna atau rona, yang menunjukkan subkelompok dalam setiap kelompok. Jenis grafik ini dapat menyampaikan banyak informasi dengan sangat cepat. 

Paling baik digunakan hanya dengan beberapa subkelompok untuk setiap kelompok (saya menyarankan 2–5, maksimal). Selain itu, waspadai bahwa grafik ini dapat dengan mudah melebar secara horizontal jika Anda menambahkan terlalu banyak kelompok atau subkelompok, sehingga cukup memakan ruang. Jika Anda merancang grafik ini untuk dilihat secara digital, perhatikan tampilannya di layar ponsel.

Dalam diagram batang berkelompok ini, kami memplot preferensi jus untuk tiga kelas taman kanak-kanak yang berbeda. Sekilas saja cukup untuk mengetahui cara terbaik membagi kotak jus yang akan dikirim ke tiap kelas.

Selanjutnya, ada diagram batang bertumpuk. Ini menunjukkan hubungan bagian-terhadap-keseluruhan di beberapa kelompok. Ini sangat mirip dengan diagram batang berkelompok karena kita dapat membandingkan perbedaan yang lebih detail antar kelompok.

Namun grafik ini memiliki dua keunggulan dibanding diagram batang berkelompok. Pertama, grafik ini juga menunjukkan total untuk setiap kategori. Jadi Anda dapat membacanya seperti diagram batang biasa dan melihat perbedaan total antar kategori sebelum membaca perbedaan di subkelompok. Kedua, grafik ini bisa lebih ringkas, memberikan lebih banyak informasi dalam ruang yang lebih sedikit daripada diagram batang berkelompok.

Kekurangannya, terkadang sulit mengambil proporsi yang tepat dari grafik ini. Menambahkan label data dengan informasi tersebut dapat mengatasi masalah ini; pastikan saja tidak menjadi terlalu ramai.

Diagram batang bertumpuk ini menampilkan preferensi bacaan di berbagai usia. Dalam setiap kelompok usia, kita dapat melihat proporsi tiap genre yang dipinjam. Dengan melihat lintas kelompok usia, kita dapat melihat bagaimana proporsi tiap genre berubah sekaligus bagaimana jumlah total buku yang dipinjam berubah. Misalnya, mudah terlihat bahwa orang dewasa meminjam buku paling banyak secara keseluruhan, dan bahwa lansia lebih menyukai nonfiksi dibanding remaja.

Heat map

Heat map menggunakan intensitas warna untuk merepresentasikan nilai di seluruh kisi. Pertimbangkan untuk menggunakannya pada korelasi, tabel frekuensi, atau skenario apa pun di mana Anda pikir warna akan memudahkan melihat pola.

Catatan penting untuk jenis grafik ini adalah memilih gradasi warna yang masuk akal. Misalnya, tidak ada alasan inheren untuk menganggap merah berarti angka lebih besar daripada hijau. Jadi, memilih gradasi dari merah ke hijau kemungkinan bukan pilihan terbaik. Namun ada alasan untuk menalar bahwa warna yang lebih gelap berkorelasi dengan nilai yang lebih besar. Jadi memilih gradasi terang-ke-gelap dalam satu warna dapat memberi pemirsa rasa intuitif tentang apa yang Anda plot.

Pengecualian untuk ini adalah saat memplot nilai panas literal. Biasanya, merah diasosiasikan dengan suhu lebih panas dan biru dengan lebih dingin. Jadi jika Anda memplot panas menggunakan heat map, gradasi dari merah ke biru mungkin masuk akal secara intuitif. Seperti biasa, biarkan data Anda memimpin desain visualisasi Anda.

Heatmap ini menunjukkan tingkat aktivitas seekor kucing rumahan yang malas, jam demi jam, untuk setiap hari dalam satu minggu. Biru yang lebih gelap menunjukkan waktu ketika kucing sangat aktif, mungkin berlari atau melompat. Biru yang lebih terang menunjukkan waktu ketika kucing tidak terlalu aktif, mungkin tidur. Warna memudahkan kita melihat bahwa kucing kita lebih aktif di malam hari, kebanyakan tidur di siang hari, dan memiliki beberapa waktu bermain di siang hari (mungkin dipicu oleh pemiliknya).

Jika Anda ingin mencoba grafik bivariat ini di platform analitik profesional, Data Visualization in Power BI dan Data Visualization in Tableau keduanya menunjukkan cara membuat dasbor interaktif yang menyoroti pola dan tren dengan jelas.

Visualisasi multivariat

Terkadang kita perlu menampilkan hubungan yang lebih kompleks yang melibatkan lebih dari dua variabel. Grafik multivariat dapat membantu Anda mengungkap hubungan di antara tiga variabel atau lebih. Grafik ini membantu Anda mengeksplorasi dataset yang lebih kompleks sambil tetap mempertahankan keterbacaan. Mari kita bahas beberapa opsi umum.

Diagram gelembung

Diagram gelembung memperluas gagasan scatter plot dengan menyandikan variabel ketiga sebagai ukuran gelembung. Ini adalah pilihan yang baik untuk kemudahan membaca karena kebanyakan orang sudah tahu cara menafsirkan scatterplot. Menambahkan variabel yang disandikan sebagai ukuran terasa intuitif. Untuk memaksimalkan intuisi ini, praktik terbaiknya adalah membuat ukuran gelembung berkorelasi dengan besaran. 

Anda dapat memperluas grafik ini untuk memasukkan variabel keempat dengan menyandikan warna juga. Pastikan Anda memiliki legenda dan keterangan yang deskriptif agar pemirsa dapat menafsirkan grafik Anda dengan jelas.

Diagram gelembung ini menunjukkan kelimpahan relatif kepik dan kutu daun di taman dengan ukuran bunga yang berbeda. Gelembung yang lebih besar berkorelasi dengan lebih banyak kutu daun. Kita dapat melihat gelembung lebih besar di bagian atas grafik, menunjukkan ada lebih banyak kutu daun di tempat yang juga memiliki lebih banyak kepik. Kita juga melihat ada lebih banyak serangga pada bunga yang lebih pendek.

Diagram radar

Anda bisa memikirkan diagram radar seperti semacam diagram batang melingkar. Atribut yang berbeda disusun di tepi lingkaran, dan "blob" Anda diplot sepanjang masing-masing sumbu ini, dimulai dari pusat. Diagram ini bekerja baik untuk profil atau membandingkan beberapa item pada dimensi yang sama. Berhati-hatilah untuk tidak menambahkan terlalu banyak blob yang saling tumpang tindih, karena dapat menjadi berantakan dan sulit dibaca cepat. Saya juga menyarankan menggunakan arsiran transparan agar setiap blob mudah terlihat menembus yang lain.

Di sini kami membandingkan tiga profil karakter Dungeons and Dragons yang berbeda pada lima sumbu keterampilan. Ini adalah cara yang bersih untuk menunjukkan perbedaan kemampuan dari karakter-karakter ini.

Koordinat paralel

Jika Anda membentangkan diagram radar, Anda akan mendapatkan plot koordinat paralel. Plot ini menampilkan setiap variabel pada sumbu vertikalnya sendiri. Ini adalah opsi yang lebih baik saat Anda perlu membandingkan beberapa variabel kontinu sekaligus, karena area yang tumpang tindih lebih sedikit.

Anda perlu memikirkan dengan cermat nilai sumbu y Anda. Jika atribut berbeda Anda memiliki satuan yang sama, seperti profil karakter kita di atas, maka ini tidak menjadi masalah. Namun jika atribut Anda biasanya memiliki satuan berbeda, Anda mungkin perlu mencari cara untuk membuat perbandingan satuan relatif pada sumbu y, agar grafik lebih mudah dibaca. Tujuannya adalah membandingkan garis-garis yang berbeda satu sama lain, bukan mengambil nilai pasti untuk masing-masing.

Dalam plot ini, kami membandingkan atribut relatif dari berbagai model robot mainan. Kita dapat dengan mudah membandingkan setiap robot dengan yang lain pada masing-masing dari empat karakteristik yang kita minati. Meskipun kita tidak dapat mengambil nilai pasti untuk kecepatan tiap robot, kita dapat dengan mudah melihat bahwa RoboMax jauh lebih cepat daripada RoboMini.

Treemap

Treemap adalah cara yang menarik secara visual untuk menampilkan informasi hierarkis. Ia membagi sebuah persegi panjang menjadi ubin bersarang yang ukurannya bervariasi sesuai nilai. Sering kali, warna berbeda menambahkan lapisan subdivisi lain. Treemap berguna untuk menampilkan data hierarkis atau hubungan bagian-terhadap-keseluruhan dalam beberapa tingkat. 

Satu catatan kehati-hatian: tidak semua orang tahu cara membaca treemap, jadi ada baiknya membuatnya semudah mungkin untuk ditafsirkan. Pastikan ada batas yang jelas antar kotak dan warna yang berbeda. Menurut saya grafik ini sangat cocok diberi legenda, label, dan keterangan.

Di sini kami membuat treemap yang menunjukkan ke mana seorang petualang fiksi membelanjakan emas yang mereka kumpulkan dalam berbagai kategori. Warna menunjukkan kategori pengeluaran, sementara ukuran setiap persegi panjang menunjukkan jumlah emas yang dibelanjakan secara relatif.

Diagram Sankey

Diagram Sankey adalah salah satu cara terbaik yang pernah saya lihat untuk memvisualisasikan aliran. Jenis diagram ini mengikuti perjalanan data Anda dari awal hingga setiap titik akhir. Ketebalan relatif panah menunjukkan berapa banyak dari jumlah awal yang berakhir di setiap tujuan. Ini adalah opsi yang bagus untuk memvisualisasikan aliran energi, perjalanan pelanggan, atau sistem apa pun dengan jalur bercabang.

Di sini kami memplot penggunaan energi dalam sebuah rumah tangga dan ke mana energi tersebut digunakan. Kita dapat melihat bahwa rumah ini paling banyak menggunakan energi untuk pemanas dan kenyamanan, sementara memasak dan relaksasi memakan porsi yang relatif sedikit.

Peta koroplet

Peta koroplet mirip dengan heat map karena menggunakan warna untuk menyampaikan informasi. Namun, peta ini ditumpangkan di atas peta geografis, menunjukkan bagaimana pola berkembang di area geografis, seperti negara bagian atau county. Anda mungkin pernah melihat peta ini selama pandemi COVID, yang menunjukkan di mana kasus melonjak. Peta ini juga umum terlihat setelah pemilihan presiden AS, menampilkan hasil electoral college.

Di hierarki ini kami membuat peta koroplet sangat dasar yang menunjukkan perkiraan tutupan hutan di setiap negara bagian di Amerika Serikat. Mudah terlihat negara bagian mana yang memiliki tutupan hutan lebih banyak karena diwarnai hijau yang lebih gelap daripada yang memiliki tutupan hutan lebih sedikit.

Visualisasi Data yang Baik vs. Buruk

Perbedaan antara grafik yang membantu dan yang menyesatkan biasanya terletak pada desain. Visualisasi yang baik memperjelas data; yang buruk mendistorsinya. Untuk tinjauan komprehensif, saya merekomendasikan buku Edward Tufte The Visual Display of Quantitative Information. Ini adalah salah satu buku paling berpengaruh tentang visualisasi dan seharusnya dimiliki oleh siapa pun yang secara rutin bekerja dengan data.

Karakteristik visualisasi yang efektif

Grafik Anda harus mudah dibaca sekilas. Artinya, tetap sederhana dan lugas, tambahkan label data bila perlu, dan gunakan judul, legenda, serta label sumbu secara efektif. Tufte membahas ini dalam istilah rasio data-terhadap-tinta.

Visualisasi Anda juga harus seakurat mungkin. Ini berarti mewaspadai distorsi skala atau proporsi. Misalnya, berhati-hatilah saat menggunakan jeda pada sumbu, dan pastikan ditandai dengan tepat jika Anda menggunakannya.

Untuk efisiensi, pastikan semua elemen pada grafik memang diperlukan. Jangan berlebihan menggunakan garis kisi. Pada beberapa grafik, garis kisi memudahkan melihat nilai tepat. Namun pada banyak grafik, terutama yang lebih sederhana, garis kisi adalah "sampah grafik". Dalam kasus terburuk, garis kisi bahkan dapat mengaburkan data. Contoh sampah grafik lainnya termasuk gambar yang tidak perlu atau garis tambahan yang tidak berkontribusi pada kejelasan.

Terakhir, pertimbangkan penggunaan warna dengan cermat. Pahamilah bahwa warna dapat menyampaikan makna sebanyak angka. Saat memilih gradasi, misalnya, biasanya ide yang baik untuk membuat warna yang lebih gelap berkorelasi dengan angka yang lebih besar dan warna yang lebih terang dengan angka yang lebih kecil. 

Untuk data kategoris, pikirkan tentang warna yang umum diasosiasikan dengan kategori tersebut. Akan terasa janggal jika kami memilih batang berwarna hijau untuk menandakan preferensi jus jeruk.

Masalah umum pada visualisasi yang buruk

Ada beberapa kesalahan umum yang harus Anda waspadai. Yang pertama terkait skala. Penting untuk memperhatikan skala sumbu Anda serta elemen grafik Anda (kotak/gelembung/dll). Yang penting, jangan begitu saja mempercayai plot bawaan dari program apa pun yang Anda gunakan. Pastikan sumbu Anda dimulai dari nol (dengan sangat sedikit pengecualian), sumbu Anda konsisten, dan proporsi elemen plot Anda masuk akal untuk data Anda. 

Masalah umum yang sering saya lihat adalah penggunaan efek 3D dalam plot. Efek ini mungkin terlihat keren, tetapi juga dapat mendistorsi plot sehingga lebih sulit dibaca. Selamatkan audiens Anda dari sakit kepala, dan tetaplah menggunakan grafik dua dimensi untuk sebagian besar kebutuhan.

Sumbu ganda adalah area lain yang dapat menjadi rumit. Untuk sebagian besar kasus, jika Anda memerlukan dua sumbu y, Anda mungkin sebaiknya memisahkan data menjadi dua plot. Dalam beberapa, sangat jarang, kasus di mana plot sumbu ganda masuk akal, pastikan jelas data mana yang terkait dengan sumbu mana. Cara favorit saya adalah dengan warna, misalnya, sumbu di kiri berwarna hitam dan sesuai dengan titik hitam, sementara sumbu di kanan berwarna merah dan sesuai dengan titik merah.

Salah satu kesalahan termudah adalah membuat grafik terlalu ramai. Kita mudah bersemangat untuk menceritakan kisah lengkap data kita, sehingga kita terus menambahkan batang atau label atau garis untuk menceritakan kisah yang semakin rumit. Namun, hal ini justru bisa membuat pemirsa tidak menangkap apa pun dari grafik Anda. Sebaliknya, lebih baik pilih satu cerita sederhana yang Anda ingin pemirsa dapatkan dari data Anda dan tampilkan dengan sebersih dan seanggun mungkin. .

Cara mengenali visualisasi yang menyesatkan

Sayangnya, tidak jarang menemukan grafik yang dimanipulasi untuk menjual agenda tertentu. Ini umum dalam periklanan, politik, dan media sosial. Kapan pun Anda melihat grafik, penting untuk mengevaluasinya secara kritis sebelum menerimanya begitu saja.

Cara pertama untuk mengevaluasi grafik secara kritis adalah melihat bagian-bagian sebelumnya dari artikel ini dan melihat apakah grafik yang dimaksud mengikuti praktik terbaik yang telah kita bahas. Jika tidak, grafik tersebut mungkin menyesatkan, meskipun tanpa sengaja.

Selanjutnya, pertimbangkan niat yang lebih berbahaya. Tanyakan pada diri Anda pertanyaan-pertanyaan ini:

• Siapa sumbernya, dan apa agenda mereka?
• Apakah kesan yang Anda dapatkan sesuai dengan angka sebenarnya?
• Mengapa lini masa dimulai dan berakhir di titik itu?
• Apakah item yang dibandingkan benar-benar sebanding?
• Apakah ada data yang hilang atau ditekankan lebih rendah?
• Apakah korelasi disajikan sebagai kausalitas?

Tidak semua visualisasi yang menyesatkan memiliki niat jahat. Namun penting untuk mengenali kekurangannya dan menyikapi kesimpulannya dengan skeptis.

Catatan tentang desain inklusif

Saat Anda membuat visualisasi sendiri, ingatlah bahwa pilihan desain juga memengaruhi siapa yang dapat melihat karya Anda. Untuk memperluas audiens Anda, pertimbangkan bagaimana membuat grafik Anda mudah diakses. Misalnya, Anda dapat menggunakan palet ramah buta warna dan font besar yang mudah dibaca untuk meningkatkan keterbacaan visual grafik. Menggunakan alt text dan keterangan yang bermakna juga dapat meningkatkan akses bagi pemirsa dengan gangguan penglihatan.

Visualisasi Terkenal dari Sejarah

Ada beberapa visualisasi sepanjang sejarah yang sangat membentuk bidang visualisasi data. Beberapa menemukan jenis grafik baru; yang lain mengubah cara kita memahami peristiwa, masyarakat, atau sistem. Mari jelajahi beberapa grafik historis paling terkenal dan bagaimana grafik-grafik ini menginspirasi para pembuat grafik di masa depan.

Penemuan William Playfair (1786–1801)

Jenis grafik standar kita tidak muncul begitu saja. Banyak grafik yang telah kita bahas bermula dari William Playfair, seorang insinyur dan ekonom politik Skotlandia yang bekerja pada akhir abad ke-18. Pada 1786, Playfair menerbitkan The Commercial and Political Atlas, di mana ia memperkenalkan diagram garis dan diagram batang sebagai alat untuk memahami data ekonomi. Beberapa tahun kemudian, ia memperkenalkan diagram pai dalam The Statistical Breviary.

Grafik ini diyakini luas sebagai diagram garis pertama, diperkenalkan oleh William Playfair pada 1786. Gambar bersumber dari Wikipedia.

Pada saat itu, sebagian besar informasi numerik disajikan dalam tabel padat yang sulit ditafsirkan dengan cepat. Playfair percaya bahwa bentuk visual dapat membuat tren dan perbandingan terlihat jelas seketika, bahkan bagi pembaca tanpa pelatihan matematika.

Dianggap sebagai diagram batang pertama, grafik ini diterbitkan pada 1786 oleh William Playfair. Gambar bersumber dari Wikipedia.

Yang membuat karya Playfair begitu berpengaruh bukan hanya penemuan jenis grafik baru, tetapi juga wawasannya tentang bagaimana orang memahami informasi. Ia memetakan angka ke properti visual, memungkinkan pemirsa membandingkan nilai secara sekilas. Grafiknya sering digunakan untuk mengemukakan poin politik dan ekonomi, seperti perubahan utang nasional atau neraca perdagangan dari waktu ke waktu.

Karya Playfair meletakkan dasar bagi grafik statistik modern dan menjadi pengingat awal bahwa penyandian visual yang jelas dapat secara fundamental mengubah cara orang menalar tentang data.

Kemungkinan diagram pai pertama, diterbitkan oleh William Playfair pada 1789. Sumber: Wikipedia.

Peta kampanye Rusia Napoleon karya Charles Minard (1869)

Pada 1812, Napoleon menginvasi Rusia dan mengalami kekalahan telak. Sedikit lebih dari 50 tahun kemudian, insinyur sipil pensiunan Charles Minard membuat peta ikonik ini yang menunjukkan pergerakan maju, mundur, dan penurunan tragis ukuran pasukan. 

Sumber: brilliantmaps.

Ini adalah contoh awal diagram Sankey, di mana lebar pita mencerminkan jumlah pasukan. Peta ini ditumpangkan pada peta yang mengintegrasikan arah, suhu, geografi, dan waktu, menceritakan kisah menarik tentang invasi. Ini adalah contoh elegan tentang bagaimana mengubah data kuantitatif menjadi narasi emosional dan menunjukkan bagaimana beberapa variabel dapat berdampingan tanpa membingungkan. Ini bisa dibilang salah satu grafik historis paling dikenal sepanjang masa.

Diagram mawar Florence Nightingale (1858)

Grafik perang terkenal lainnya datang dari ahli statistik dan pendiri keperawatan modern, Florence Nightingale. Ia menggunakan diagram area polar, juga disebut diagram mawar, untuk menunjukkan bahwa lebih banyak kematian dalam Perang Krimea disebabkan oleh penyakit yang dapat dicegah, seperti kolera dan tifus, daripada luka pertempuran. 

Sumber: https://www.historyofinformation.com/

Setiap irisan pada diagram mewakili satu bulan, dan warna membedakan penyebab kematian. Kematian akibat penyakit yang dapat dicegah berwarna biru, akibat luka pertempuran berwarna merah, dan penyebab lainnya berwarna hitam. 

Pada April 1855, Komisi Sanitasi tiba untuk memperbaiki sanitasi di rumah sakit militer. Hasilnya adalah penurunan dramatis jumlah kematian, yang terlihat menonjol dalam grafik Nightingale. Visualisasi ini meyakinkan pejabat pemerintah untuk menerapkan perbaikan sanitasi di rumah sakit militer maupun sipil.

Peta kolera John Snow (1854)

Kemenangan kesehatan masyarakat lainnya diraih dengan peta John Snow yang memplot kematian akibat kolera di London. Pada 1854, distrik Soho London mengalami wabah kolera yang menghancurkan, menewaskan lebih dari 600 orang hanya dalam beberapa minggu. Snow memplot kematian akibat kolera pada peta jalan London, dengan kematian ditandai sebagai batang dan pompa air sebagai lingkaran. 

Sumber: londonmuseum.org.

Petanya mengungkap klaster kematian di sekitar pompa air Broad Street. Setelah pejabat melepas pegangan pompa air tersebut sehingga tidak dapat digunakan, wabah mereda. Peta ini membantu menyelesaikan wabah lokal. Kini, peta ini menjadi pengingat bagaimana memilih visualisasi yang tepat dapat memengaruhi dampaknya; misalnya, scatterplot tidak akan menemukan penyebab wabah tersebut. Snow menggunakan visualisasi yang benar untuk mendorong perubahan.

Jadwal kereta Étienne-Jules Marey (1885)

Grafik historis favorit pribadi saya adalah jadwal kereta dari 1885 ini. Satu grafik ini menampilkan setiap kereta yang bepergian dari Paris ke Lyon: kecepatannya, pemberhentiannya, dan kapan kereta tersebut akan berpapasan dengan kereta lain. Waktu berada di sumbu x, dan setiap stasiun diberi jarak pada sumbu y relatif terhadap jaraknya satu sama lain. Setiap kereta digambarkan sebagai satu garis miring. Garis yang lebih curam menunjukkan kereta yang lebih cepat, dan bagian mendatar menunjukkan saat kereta berada di stasiun. 

Sumber: commons.wikimedia.org

Biasanya, informasi ini akan disajikan sebagai tabel jadwal yang sarat teks. Sebaliknya, grafik ini menggabungkan informasi ruang dan waktu dengan cara yang elegan yang memungkinkan manajer perkeretaapian mencegah konflik jadwal bahkan tabrakan kereta! Ini adalah pengingat betapa banyak informasi yang dapat disampaikan oleh visualisasi yang dirancang dengan baik.

Potret data W.E.B. Du Bois (1900)

Pada pergantian abad ke-20, sosiolog dan aktivis hak-hak sipil W.E.B. Du Bois memimpin tim peneliti untuk membuat serangkaian grafik berani dan orisinal untuk Pameran Paris 1900. Visualisasi ini mendokumentasikan kondisi sosial, ekonomi, dan pendidikan orang kulit hitam Amerika hanya satu generasi setelah emansipasi. Pada masa ketika pseudosains rasis mendominasi wacana publik, Du Bois menggunakan data untuk secara langsung melawan stereotip yang merugikan.

Grafik ini dari Data Portraits karya WEB Du Bois secara dramatis menunjukkan bagaimana Proklamasi Emansipasi mengubah kehidupan orang Afrika-Amerika. Gambar bersumber dari How W.E.B. Du Bois used data visualization to confront prejudice in the early 20th century.

Grafik-grafik ini mencakup topik seperti melek huruf, kepemilikan properti, pekerjaan, pertumbuhan populasi, dan pola migrasi. Banyak yang digambar tangan dan dilukis, menggunakan warna-warna mencolok dan tata letak yang tidak konvensional. Meskipun beberapa grafik ini menyerupai diagram batang atau pai, yang lain bereksperimen dengan spiral, tata letak radial, dan komposisi abstrak. Alih-alih terpaku pada konvensi, Du Bois mengutamakan komunikasi dan dampak.

Diagram pai yang dimodifikasi ini menunjukkan pekerjaan yang dipegang oleh orang kulit hitam dan kulit putih Amerika pada awal abad ke-20. Gambar bersumber dari How W.E.B. Du Bois used data visualization to confront prejudice in the early 20th century.

Du Bois tidak bertujuan untuk netralitas. Grafik-grafiknya dirancang secara eksplisit untuk meyakinkan, mendidik, dan menegaskan kemanusiaan serta pencapaian orang kulit hitam Amerika melalui data. Dengan demikian, Du Bois menunjukkan bahwa visualisasi tidak pernah sekadar menyajikan angka. Visualisasi adalah tentang membingkai realitas, menceritakan kisah, dan membentuk cara masyarakat memahami dirinya sendiri. Grafik-grafik ini kini dihimpun dalam buku W.E.B. Du Bois's data portraits : visualizing Black America : the color line at the turn of the twentieth century.

WEB Du Bois tidak takut bereksperimen dengan jenis grafik radikal untuk menegaskan poinnya, seperti grafik spiral ini yang menunjukkan distribusi populasi orang kulit hitam Amerika pada 1890. Gambar bersumber dari How W.E.B. Du Bois used data visualization to confront prejudice in the early 20th century.

Kesimpulan

Visualisasi tidaklah netral; setiap pilihan yang Anda buat membentuk interpretasi pemirsa terhadap cerita di balik data. Untuk mempelajari lebih lanjut cara menceritakan kisah data Anda secara efektif, lihat Data Storytelling & Communication Cheat Sheet kami. 

Untuk saran praktis tentang alat apa yang digunakan, ulasan kami tentang 12 of the Best Data Visualization Tools in 2025 adalah sumber yang bagus. Dan jika Anda siap menjadikan grafik kompleks ini interaktif dan siap untuk web, Interactive Data Visualization with Bokeh akan memandu Anda membangun visualisasi di Python yang responsif dan ramah peramban.