Apa itu Visualisasi Data? Panduan Lengkap Alat, Teknik, dan Praktik Terbaik

Bayangkan harus menggulir baris data tanpa akhir tanpa mampu menangkap wawasan yang tersembunyi di dalamnya. Itulah realitas bagi banyak bisnis saat ini, dengan perkiraan 402,74 juta terabita data dihasilkan setiap hari. Jadi bagaimana kita memahami semuanya? Jawabannya terletak pada visualisasi data.

Organisasi dan individu memanfaatkan data untuk menentukan penyebab masalah dan mengidentifikasi langkah-langkah yang dapat ditindaklanjuti. Namun, dengan jumlah data yang terus bertambah, semakin sulit untuk memahaminya. Secara naluriah, kita mencari pola dan menemukan struktur. Inilah cara kita menyimpan informasi dan mempelajari wawasan baru. Ketika data yang masuk tidak disajikan secara visual yang menarik, melihat pola dan menemukan struktur bisa sulit atau, dalam beberapa kasus, mustahil.

Dalam artikel ini, kami akan membahas bagaimana visualisasi data dapat menyelesaikan masalah di atas. Kami juga akan membahas apa itu visualisasi data, mengapa ini penting, kiat untuk mengembangkan keterampilan Anda, grafik umum, dan alat untuk memvisualisasikan data Anda. 

Apa itu Visualisasi Data?

Visualisasi data adalah proses merepresentasikan data secara grafis. Ini adalah tindakan menerjemahkan data ke dalam konteks visual, yang dapat dilakukan menggunakan bagan, plot, animasi, infografik, dan lainnya. Gagasannya adalah untuk memudahkan kita mengidentifikasi tren, outlier, dan pola dalam data. Kami mengulas konsep ini lebih lanjut dalam kursus Understanding Data Visualization.

Profesional data secara rutin memanfaatkan visualisasi data untuk meringkas wawasan utama dari data dan menyampaikan informasi itu kembali kepada pemangku kepentingan yang tepat.

Misalnya, seorang profesional data dapat membuat visualisasi data untuk manajemen, yang kemudian memanfaatkan visualisasi tersebut untuk memproyeksikan struktur organisasi. Contoh lainnya adalah ketika data scientist menggunakan visualisasi untuk mengungkap struktur dasar data sehingga memberi mereka pemahaman yang lebih baik tentang data mereka.  

Mengingat tujuan visualisasi data sebagaimana didefinisikan di atas, ada dua wawasan penting yang dapat kita ambil dari apa itu visualisasi data: 

1) Cara membuat data dapat diakses: Cara terbaik untuk membuat sesuatu dapat diakses adalah dengan menjaga semuanya tetap sederhana. Kata ‘sederhana’ di sini perlu diberi konteks: apa yang mudah dipahami bagi anak berusia sepuluh tahun mungkin tidak sama bagi pemegang gelar Ph.D. Jadi, visualisasi data adalah teknik yang digunakan untuk membuat data dapat diakses oleh siapa pun yang berkepentingan. 

2) Cara untuk berkomunikasi: Poin ini merupakan perpanjangan dari yang pertama. Untuk berkomunikasi secara efektif, semua orang di ruangan harus berbicara dalam bahasa yang sama. Tidak masalah apakah Anda mengerjakan tugas secara mandiri atau bersama tim, visualisasi harus menurunkan wawasan menarik yang relevan bagi mereka yang melihatnya. Seorang CEO mungkin lebih suka melihat wawasan yang memberikan langkah-langkah yang dapat ditindaklanjuti, sementara tim machine learning mungkin lebih suka melihat wawasan tentang kinerja model mereka. 

Singkatnya, visualisasi data adalah teknik yang digunakan untuk memudahkan pengenalan pola atau tren dalam data. 

Cheat sheet visualisasi data kami memberikan representasi visual dari konsep-konsep visualisasi data

Mengapa visualisasi data begitu penting bagi data scientist?

Data science adalah bidang interdisipliner yang menggunakan metode ilmiah, proses, algoritme, dan sistem untuk mengekstrak pengetahuan dan wawasan dari data yang bising, terstruktur, dan tidak terstruktur (lihat panduan ‘apa itu data science’ kami untuk penjelasan lebih mendalam). Namun, tantangan yang dihadapi data scientist adalah tidak selalu mungkin untuk menghubungkan titik-titik saat berhadapan dengan data mentah; di sinilah visualisasi data sangat berharga. Mari kita lihat mengapa visualisasi data adalah alat yang begitu kuat bagi data scientist. 

Penemuan dan pembelajaran

Data scientist dituntut untuk memiliki pemahaman yang baik tentang data yang mereka gunakan. Visualisasi data memungkinkan data scientist menonjolkan aspek paling informatif dari data mereka, sehingga memudahkan dan mempercepat mereka (dan orang lain) untuk memahami apa yang terjadi dalam data. Misalnya, mengidentifikasi tren dalam kumpulan data yang direpresentasikan dalam format tabel jauh lebih rumit daripada melihatnya secara visual. Kami akan membahas lebih lanjut tentang hal ini nanti dalam artikel. 

Storytelling 

Cerita telah digunakan untuk berbagi informasi selama berabad-abad. Alasan cerita begitu menarik adalah karena cerita menciptakan koneksi emosional dengan audiens. Koneksi ini memungkinkan audiens memperoleh pemahaman yang lebih mendalam tentang pengalaman orang lain, sehingga informasi lebih mudah diingat. Data storytelling adalah bentuk visualisasi: ini membantu data scientist memahami data mereka dan membagikannya kepada orang lain dalam format yang mudah dipahami. 

Efisiensi 

Wawasan tentu dapat diekstraksi dari basis data (dalam beberapa kasus), tetapi upaya ini membutuhkan fokus besar dan merupakan biaya bisnis yang signifikan. Menggunakan visualisasi data dalam kasus seperti ini jauh lebih efisien. Misalnya, jika tujuannya adalah mengidentifikasi semua perusahaan yang merugi pada 2024, akan lebih mudah menggunakan warna merah untuk menyoroti semua perusahaan dengan laba kurang dari nol, dan hijau untuk menyoroti yang lebih dari nol. Perusahaan yang impas tetap netral. Teknik ini jauh lebih efisien daripada mengurai basis data secara manual untuk menandai setiap perusahaan. 

Estetika 

Meskipun data mentah bisa informatif, jarang yang enak dipandang atau menarik. Visualisasi data adalah teknik untuk mengambil data yang informatif namun membosankan dan mengubahnya menjadi pengetahuan yang indah dan bermakna. Membuat data lebih menarik secara visual sesuai dengan sifat kita sebagai makhluk yang terutama mengandalkan penglihatan. Dengan kata lain, kita memproses informasi jauh lebih cepat ketika merangsang indera visual kita.  

Cara Belajar Visualisasi Data

Visualisasi data adalah keterampilan penting bagi siapa pun yang bekerja dengan data, mulai dari analis bisnis hingga data scientist. Menguasainya memungkinkan Anda mengomunikasikan wawasan secara efektif, membuat keputusan berbasis data Anda lebih jelas dan berdampak. Jika Anda bertanya-tanya harus mulai dari mana, kami menawarkan berbagai sumber daya yang dirancang untuk memandu Anda di setiap tahap perjalanan visualisasi data—baik Anda pemula atau ingin mempertajam keterampilan lanjutan.

Berikut cara Anda dapat memulai:

1. Mulai dari dasar

Jika Anda benar-benar baru dalam visualisasi data, penting untuk memahami dasar-dasarnya sebelum terjun ke alat dan teknik lanjutan. DataCamp menyediakan jalur pembelajaran terstruktur untuk memandu Anda melalui dasar-dasar ini.

• Sumber daya yang direkomendasikan: Understanding Data Visualization. Kursus ini memperkenalkan konsep inti visualisasi data, mengajarkan Anda cara merancang dan menafsirkan visualisasi yang sederhana namun efektif. Mencakup jenis bagan penting, praktik terbaik visualisasi, dan cara berpikir kritis tentang data.
• Topik yang dibahas:
  • Jenis bagan dasar (diagram batang, diagram lingkaran, grafik garis)
  • Kesalahan umum dalam visualisasi data
  • Cara memilih jenis bagan yang tepat untuk data Anda

2. Pelajari memvisualisasikan data dengan alat tanpa kode

Bagi yang belum akrab dengan pemrograman, kami memiliki kursus tentang alat yang memungkinkan Anda membuat visualisasi tanpa menulis kode. Alat ini cocok untuk pengguna bisnis, manajer, dan siapa pun yang ingin cepat membuat visualisasi yang informatif.

• Sumber daya yang direkomendasikan: Power BI Fundamentals. Power BI adalah alat tanpa kode yang andal untuk membuat dasbor dan laporan interaktif. Skill track ini akan mengajarkan cara menggunakan antarmuka intuitifnya untuk membuat visualisasi yang kuat dan menyampaikan wawasan data secara efektif.
• Sumber daya yang direkomendasikan: Tableau Fundamentals. Tableau adalah alat populer lainnya untuk membuat dasbor interaktif dan menarik secara visual. Dengan fungsi seret dan lepas, Anda dapat dengan mudah mengeksplorasi data dan membuat visualisasi yang bermakna.
• Topik yang dibahas:
  • Membangun dasbor interaktif
  • Pembersihan dan penyiapan data untuk visualisasi
  • Praktik terbaik untuk visual storytelling

3. Kembangkan keterampilan coding untuk visualisasi lanjutan

Jika Anda siap terjun langsung dengan coding, belajar membuat visualisasi menggunakan Python atau R dapat memperluas kemampuan Anda untuk mengkustomisasi dan mengotomatisasi visualisasi data.

• Sumber daya yang direkomendasikan: Data Visualization with Python. Python menawarkan berbagai pustaka andal (seperti Matplotlib, Seaborn, dan Plotly) untuk membuat segala sesuatu mulai dari grafik garis sederhana hingga visualisasi interaktif yang kompleks. Jalur ini akan membantu Anda membangun dasar yang kuat dalam alat visualisasi berbasis Python.
• Sumber daya yang direkomendasikan: Data Visualization with R. R banyak digunakan untuk komputasi statistik dan visualisasi data. Paket ggplot2, khususnya, adalah standar industri untuk membuat plot yang indah dan informatif. Dalam jalur ini, Anda akan mempelajari cara membuat visualisasi berkualitas tinggi dan memahami kekuatan kemampuan manipulasi data R.
• Topik yang dibahas:
  • Membuat visualisasi kustom menggunakan Matplotlib, Seaborn, dan ggplot2
  • Memahami bagan lanjutan seperti histogram, heatmap, dan scatter plot
  • Membangun visualisasi interaktif dengan Plotly dan Shiny

4. Berlatih melalui proyek

Setelah mempelajari dasar-dasarnya, praktik adalah kunci untuk menguasai visualisasi data. Proyek praktis DataCamp memungkinkan Anda menerapkan keterampilan pada dataset dunia nyata, membantu Anda mendapatkan pengalaman langsung.

• Sumber daya yang direkomendasikan: Proyek Visualisasi Data. Proyek terpandu ini memungkinkan Anda bekerja dengan dataset nyata, sehingga Anda bisa mempraktikkan apa yang telah dipelajari. Anda akan membuat visualisasi dari nol, mendapatkan pengalaman dalam proses eksplorasi data sekaligus desain komunikasi visual yang efektif.
• Contoh proyek:
  • Exploring the Evolution of LEGO – Pelajari cara membuat visualisasi data untuk mengeksplorasi tren produksi set LEGO menggunakan Matplotlib dan Seaborn di Python.
  • Understanding the Gender Gap in College Degrees – Buat grafik garis dan area menggunakan Python untuk memvisualisasikan tren kesenjangan gender di berbagai jurusan kuliah.

5. Terus belajar dan tetap terkini

Visualisasi data adalah bidang yang terus berkembang, dengan alat dan teknik baru yang muncul secara berkala. DataCamp secara rutin memperbarui kursus-kursusnya dan memperkenalkan yang baru agar Anda tetap mengetahui tren terbaru.

• Sumber daya yang direkomendasikan: Data Visualization Cheat Sheet. Simpan cheat sheet ini sebagai referensi untuk bagan yang sering digunakan, praktik desain terbaik, dan kiat memilih visualisasi yang tepat berdasarkan data dan audiens Anda.
• Jelajahi alat baru: Tetap selangkah di depan dengan mempelajari alat mutakhir seperti Plotly Dash atau D3.js (pustaka JavaScript) seiring kemajuan Anda.

Alat Visualisasi Data

Profesional data, seperti data scientist dan data analyst, biasanya memanfaatkan alat visualisasi data karena ini membantu mereka bekerja lebih efisien dan mengomunikasikan temuan dengan lebih efektif.

Alat-alat tersebut dapat dibagi menjadi dua kategori: 1) tanpa kode dan 2) berbasis kode. Mari kita lihat beberapa alat populer di setiap kategori. 

Alat tanpa kode

Tidak semua orang di organisasi Anda melek teknologi. Namun, kurangnya kemampuan pemrograman tidak seharusnya menghalangi Anda mendapatkan wawasan dari data. Anda bisa saja tidak memiliki kemampuan pemrograman tetapi tetap melek data – seseorang yang dapat membaca, menulis, berkomunikasi, dan bernalar dengan data untuk membuat keputusan yang lebih baik berbasis data. 

Dengan demikian, alat tanpa kode menjadi solusi yang dapat diakses bagi orang yang mungkin tidak memiliki pengetahuan pemrograman (meskipun orang yang memiliki keterampilan pemrograman tetap dapat memilih untuk menggunakannya). Secara formal: alat tanpa kode adalah antarmuka pengguna grafis yang dilengkapi kemampuan menjalankan skrip native untuk memproses dan memperkaya data.

Beberapa contoh alat tanpa kode meliputi: 

Power BI

Power BI adalah solusi Microsoft yang sangat populer untuk visualisasi data dan business intelligence. Ini termasuk alat business intelligence paling populer di dunia untuk pelaporan, analitik swalayan, dan analitik prediktif. Layanan platform ini memudahkan Anda untuk cepat membersihkan, menganalisis, dan mulai menemukan wawasan dalam data organisasi Anda. 

Jika Anda tertarik belajar Power BI, pertimbangkan untuk memulai dengan skill track Power BI Fundamentals dari Datacamp.  

Tableau

Tableau juga merupakan salah satu alat business intelligence paling populer di dunia. Fungsi seret-dan-lepas yang sederhana membuatnya mudah diakses oleh siapa saja untuk mulai menemukan wawasan dalam data organisasi menggunakan visualisasi data interaktif. 

Skill track Tableau Fundamentals dari DataCamp adalah cara yang tepat untuk mulai menggunakan Tableau. 

ChatGPT

ChatGPT dengan cepat menjadi alat untuk membantu orang memvisualisasikan data mereka. Seperti yang kami bahas dalam artikel tentang GPT-4o, dengan beberapa prompt, Anda dapat menggunakan alat ini untuk memvisualisasikan tren dalam data Anda. Generative AI mengubah cara kita memikirkan data, dan akan ada lebih banyak lagi! Lihat skill track ChatGPT Fundamentals kami untuk mempelajari lebih lanjut cara menggunakan alat yang kuat ini. 

Visualisasi dengan kode 

Jika Anda lebih melek teknologi, Anda mungkin lebih suka menggunakan bahasa pemrograman untuk memvisualisasikan data. Peningkatan produksi data telah meningkatkan popularitas Python dan R karena berbagai paketnya yang mendukung pemrosesan data. 

Mari kita lihat beberapa paket tersebut. 

Paket Python 

Python adalah bahasa pemrograman tingkat tinggi, interpreted, dan serbaguna. Ia menawarkan beberapa paket plotting hebat untuk visualisasi data, seperti:

• Matplotlib 
• Seaborn 
• Plotly
• Bokeh

Skills track Data Visualization with Python adalah rangkaian kursus yang sangat baik untuk mendongkrak keterampilan data science Anda menggunakan pustaka visualisasi data Python yang paling populer dan andal.

Paket R 

R adalah bahasa pemrograman untuk komputasi statistik dan grafik. Ini adalah alat yang hebat untuk analisis data, karena Anda dapat membuat hampir semua jenis grafik menggunakan berbagai paketnya. Paket visualisasi data R yang populer meliputi: 

• ggplot2
• Lattice
• highcharter
• Leaflet
• RColorBrewer
• Plotly

Lihat Data Visualization with R dan Interactive Data Visualization in R untuk meningkatkan keterampilan visualisasi Anda dengan bahasa pemrograman R. 

Grafik Umum untuk Visualisasi Data

Kita telah menetapkan bahwa visualisasi data adalah cara efektif untuk menyajikan dan berkomunikasi dengan data. Pada bagian ini, kita akan membahas cara membuat beberapa jenis bagan & grafik umum, yang merupakan titik awal efektif untuk sebagian besar tugas visualisasi data, menggunakan Python dan paket Python Matplotlib untuk visualisasi data. Kami juga akan membagikan beberapa use case untuk tiap grafik. 

Anda dapat melihat buku kerja DataLab ini untuk mengakses kode lengkapnya. 

Tabel frekuensi

Tabel frekuensi adalah cara yang bagus untuk merepresentasikan jumlah kemunculan suatu peristiwa atau nilai. Biasanya kita menggunakannya untuk menemukan statistik deskriptif untuk data kita. Misalnya, kita mungkin ingin memahami pengaruh satu fitur terhadap keputusan akhir. 

Mari buat contoh tabel frekuensi. Kita akan menggunakan Car Evaluation Data Set dari repositori UCI Machine Learning dan Pandas untuk membangun tabel frekuensi.

import pandas as pd"""source: https://heartbeat.comet.ml/exploratory-data-analysis-eda-for-categorical-data-870b37a79b65"""def frequency_table(data:pd.DataFrame, col:str, column:str):    freq_table = pd.crosstab(index=data[col],                            columns=data[column],                                     margins=True)    rel_table = round(freq_table/freq_table.loc["All"], 2)    return freq_table, rel_tablebuying_freq, buying_rel = frequency_table(car_data, "class", "buying")print("Two-way frequency table")print(buying_freq)print("---" * 15)print("Two-way relative frequency table")print(buying_rel)

Diagram batang

Diagram batang adalah salah satu visualisasi data yang paling sederhana namun efektif. Biasanya digunakan untuk membandingkan perbedaan antar kategori. Misalnya, kita dapat menggunakan diagram batang untuk memvisualisasikan jumlah kasus penipuan dibandingkan non-penipuan. Use case lain untuk diagram batang adalah memvisualisasikan frekuensi setiap penilaian bintang untuk sebuah film.  

Berikut cara membuat diagram batang di Python: 

"""Starter code from tutorials pointsee: https://bit.ly/3x9Z6HU"""import matplotlib.pyplot as plt# Dataset creation.programming_languages = ['C', 'C++', 'Java', 'Python', 'PHP', "Other", "None"]employees_frequency = [23, 17, 35, 29, 12, 5, 38]# Bar graph creation.fig, ax = plt.subplots(figsize=(10, 5))plt.bar(programming_languages, employees_frequency)plt.title("The number of employees competent in a programming langauge")plt.xlabel("Programming languages")plt.ylabel("Frequency")plt.show()

Diagram lingkaran

Diagram lingkaran adalah alat visualisasi lain yang sederhana dan efisien. Biasanya digunakan untuk memvisualisasikan dan membandingkan bagian dari keseluruhan. Misalnya, use case yang bagus untuk diagram lingkaran adalah merepresentasikan pangsa pasar ponsel pintar. Mari terapkan ini di Python.  

"""Example to demonstrate how a pie chart can be used to represent the marketshare for smartphones.Note: These are not real figures. They were created for demonstration purposes."""import numpy as npfrom matplotlib import pyplot as plt# Dataset creation.smartphones = ["Apple", "Samsung", "Huawei", "Google", "Other"]market_share = [50, 30, 5, 12, 2]# Pie chart creationfig, ax = plt.subplots(figsize=(10, 6))plt.pie(market_share,        labels = smartphones,        autopct='%1.2f%%')plt.title("Smartphone Marketshare for April 2021 - April 2022",          fontsize=14)plt.show()

Grafik garis dan diagram area

Grafik garis sangat bagus untuk memvisualisasikan tren atau progres data sepanjang waktu. Misalnya, kita dapat memvisualisasikan jumlah penjualan sepatu kets untuk bulan Juli dengan grafik garis. 

import matplotlib.pyplot as plt# Data creation.sneakers_sold = [10, 12, 8, 7, 7, 10]dates = ["Jul '1", "Jul '7", "Jul '14", "Jul '21", "Jul '28", "Jul '31"]# Line graph creationfig, ax = plt.subplots(figsize=(10, 6))plt.plot(dates, sneakers_sold)plt.title("Sneakers sold in Jul")plt.ylim(0, 15) # Change the range of y-axis.plt.xlabel("Dates")plt.ylabel("Number of sales")plt.show()

Diagram area adalah pengembangan dari grafik garis, namun berbeda karena area di bawah garis diisi dengan warna atau pola. 

Berikut data yang sama seperti di atas yang diplot dalam diagram area: 

# Area chart creationfig, ax = plt.subplots(figsize=(10, 6))plt.fill_between(dates, sneakers_sold)plt.title("Sneakers sold in Jul")plt.ylim(0, 15) # Change the range of y-axis.plt.xlabel("Dates")plt.ylabel("Number of sales")plt.show()

Juga cukup umum melihat diagram area bertumpuk yang menggambarkan perubahan beberapa variabel dari waktu ke waktu. Misalnya, kita dapat memvisualisasikan merek sepatu kets yang terjual pada bulan Juli, bukan total penjualan, dengan diagram area bertumpuk. 

# Data creation.sneakers_sold = [[3, 4, 2, 4, 3, 1], [3, 2, 6, 1, 3, 5], [4, 6, 0, 2, 1, 4]]dates = ["Jul '1", "Jul '7", "Jul '14", "Jul '21", "Jul '28", "Jul '31"]# Multiple area chart creationfig, ax = plt.subplots(figsize=(10, 6))plt.stackplot(dates, sneakers_sold, labels=["Nike", "Adidas", "Puma"])plt.title("Sneakers sold in Jul")plt.ylim(0, 15) # Change the range of y-axis.plt.xlabel("Dates")plt.ylabel("Number of sales")plt.legend()plt.show()

Setiap plot menampilkan data yang sama persis tetapi dengan cara yang berbeda. 

Histogram

Histogram digunakan untuk merepresentasikan distribusi variabel numerik. 

import numpy as npimport matplotlib.pyplot as pltdata = np.random.sample(size=100) # Graph will change with each runfig, ax = plt.subplots(figsize=(10, 6))plt.hist(data, bins=6)plt.title("The distribution of data")plt.xlabel("Data")plt.ylabel("Frequency")plt.show()

Scatter plot

Scatter plot digunakan untuk memvisualisasikan hubungan antara dua variabel yang berbeda. Cukup umum juga menambahkan garis tren terbaik untuk menunjukkan arah keseluruhan data. Contoh use case untuk scatter plot adalah merepresentasikan bagaimana suhu memengaruhi jumlah penjualan es krim. 

import numpy as npimport matplotlib.pyplot as plt# Data creation.temperature = np.array([30, 21, 19, 25, 28, 28]) # Degree's celsiusice_cream_sales = np.array([482, 393, 370, 402, 412, 450])# Calculate the line of best fitX_reshape = temperature.reshape(temperature.shape[0], 1)X_reshape = np.append(X_reshape, np.ones((temperature.shape[0], 1)), axis=1)y_reshaped = ice_cream_sales.reshape(ice_cream_sales.shape[0], 1)theta = np.linalg.inv(X_reshape.T.dot(X_reshape)).dot(X_reshape.T).dot(y_reshaped)best_fit = X_reshape.dot(theta)# Create and plot scatter chartfig, ax = plt.subplots(figsize=(10, 6))plt.scatter(temperature, ice_cream_sales)plt.plot(temperature, best_fit, color="red")plt.title("The impact of weather on ice cream sales")plt.xlabel("Temperature (Celsius)")plt.ylabel("Ice cream sales")plt.show()

Heatmap

Heatmap menggunakan skema pengodean warna untuk menggambarkan intensitas antara dua item. Salah satu use case heatmap adalah menggambarkan prakiraan cuaca (misalnya area berwarna merah menunjukkan akan terjadi hujan lebat). Anda juga dapat menggunakan heatmap untuk merepresentasikan trafik web dan hampir semua data tiga dimensi. 

Untuk mendemonstrasikan cara membuat heatmap di Python, kita akan menggunakan pustaka lain bernama Seaborn – pustaka visualisasi data tingkat tinggi yang berbasis pada Matplotlib.  

import numpy as npimport seaborn as snsimport matplotlib.pyplot as pltdata = np.random.rand(8, 10) # Graph will change with each runfig, ax = plt.subplots(figsize=(10, 6))sns.heatmap(data)plt.title("Random Uniform Data")plt.show()

Treemap

Treemap digunakan untuk merepresentasikan data hierarkis dengan persegi panjang bertingkat. Treemap sangat bagus untuk memvisualisasikan hubungan bagian-ke-keseluruhan di antara banyak kategori seperti pada data penjualan.  

Untuk membantu kita membangun treemap di Python, kita akan memanfaatkan pustaka lain bernama Plotly, yang digunakan untuk membuat grafik interaktif. 

"""Source: https://plotly.com/python/treemaps/"""import plotly.express as pximport numpy as npdf = px.data.gapminder().query("year == 2007")fig = px.treemap(df, path=[px.Constant("world"), 'continent', 'country'], values='pop',                  color='lifeExp', hover_data=['iso_alpha'],                  color_continuous_scale='RdBu',                  color_continuous_midpoint=np.average(df['lifeExp'], weights=df['pop']))fig.update_layout(margin = dict(t=50, l=25, r=25, b=25))fig.show()

3 Kiat untuk Visualisasi Data yang Efektif

Visualisasi data adalah sebuah seni. Mengembangkan keterampilan Anda membutuhkan waktu dan latihan. Berikut tiga kiat untuk membawa Anda ke arah yang benar: 

Kiat #1: Ajukan Pertanyaan Spesifik 

Langkah pertama dan paling krusial dalam membuat visualisasi data yang efektif adalah memiliki pertanyaan yang jelas dan spesifik. Tanpa ini, Anda berisiko menghasilkan visualisasi yang tidak fokus dan sulit diinterpretasikan.

• Contoh: Jika Anda menganalisis data penjualan, alih-alih bertanya, “Bagaimana tren penjualan tahun ini?”, jadilah lebih spesifik: “Bagaimana perubahan penjualan online di AS untuk produk X pada Q3 dibandingkan Q2?”

Memiliki pertanyaan yang tepat membantu Anda memfokuskan visualisasi untuk menjawabnya secara langsung, menghindari informasi yang tidak perlu yang dapat membingungkan atau membebani pemirsa.

• Contoh buruk: Dasbor berantakan yang menampilkan total penjualan di semua wilayah, jenis produk, dan saluran penjualan selama lima tahun terakhir.
• Contoh baik: Diagram batang sederhana yang hanya berfokus pada penjualan online AS Q2 vs. Q3 untuk produk tertentu.

Kiat #2: Pilih Visualisasi yang Tepat

Tidak semua visualisasi diciptakan sama. Memilih jenis bagan yang salah dapat mendistorsi pesan dan membingungkan audiens Anda. Setiap jenis bagan memiliki kekuatan dan cocok untuk jenis data tertentu.

• Contoh: Jika Anda ingin menunjukkan proporsi dari keseluruhan, diagram lingkaran mungkin cocok. Namun jika Anda membandingkan perubahan dari waktu ke waktu, grafik garis atau diagram batang akan lebih tepat.

Memilih Jenis Bagan yang Tepat:

• Diagram batang: Gunakan saat membandingkan kategori yang berbeda.
• Grafik garis: Terbaik untuk menunjukkan tren dari waktu ke waktu.
• Diagram lingkaran: Ideal untuk menunjukkan proporsi dari keseluruhan.
• Scatter plot: Berguna untuk mengidentifikasi hubungan antara dua variabel.
• Contoh Buruk: Menggunakan diagram lingkaran untuk menunjukkan perubahan pendapatan dari waktu ke waktu.
• Contoh Baik: Menggunakan grafik garis untuk menyoroti perubahan pendapatan bulanan, sehingga tren mudah terlihat.

Inti: Cocokkan jenis bagan dengan pertanyaan spesifik atau data yang Anda gunakan untuk meningkatkan kejelasan.

Kiat #3: Soroti Informasi yang Paling Penting

Saat membuat visualisasi, penting untuk mengarahkan perhatian audiens pada wawasan utama. Penggunaan warna, ukuran, dan elemen desain yang efektif dapat membantu Anda menekankan hal yang paling penting.

• Contoh: Bayangkan Anda menampilkan data pendapatan untuk banyak produk. Dengan menggunakan warna tegas untuk produk terlaris dan warna lembut untuk yang lain, Anda memudahkan pemirsa fokus pada informasi paling krusial.

Berikut cara menyoroti informasi penting:

• Gunakan Warna Kontras: Soroti titik data penting dengan warna yang berbeda jelas.
• Variasikan Ukuran: Besarkan atau tebalkan titik data yang kritis.
• Anotasi: Tambahkan penjelasan singkat atau sorotan langsung pada bagan untuk menarik perhatian ke area kunci.
• Contoh Buruk: Scatter plot dengan setiap titik berwarna dan berukuran sama, sehingga sulit mengidentifikasi pola atau titik data kunci.
• Contoh Baik: Scatter plot dengan titik besar dan tebal untuk menekankan outlier atau tren, serta gradasi warna untuk menunjukkan intensitas.

Inti: Pilihan desain yang halus seperti warna, ukuran, dan label dapat sangat meningkatkan kemampuan audiens untuk dengan cepat memahami wawasan utama.

Penutup

Pada akhirnya, visualisasi yang efektif bertumpu pada kecenderungan alami kita untuk mengenali pola. Penggunaan warna, bentuk, ukuran, dan lainnya merupakan teknik yang sangat efektif untuk menekankan informasi terpenting yang ingin Anda tampilkan.

Visualisasi data adalah seni; melakukannya dengan baik melibatkan pengajuan pertanyaan spesifik, memilih visualisasi yang tepat untuk digunakan, dan menyoroti informasi yang paling penting. Jangan terlalu berkecil hati jika upaya pertama Anda belum sempurna;  butuh waktu dan latihan untuk meningkatkan keterampilan Anda dan beragam kursus visualisasi data dari DataCamp adalah sumber daya yang sangat baik untuk membantu Anda menjadi master visualisasi data.