Blog 5 Tips untuk Teknik Visualisasi Data yang Efektif

5 Tips untuk Teknik Visualisasi Data yang Efektif

Aviliani Februari 8, 2022 6 min read

Visualisasi data merupakan salah satu komponen penting dalam penelitian, presentasi, dan komunikasi.

Hal ini membantu kita untuk merangkum sejumlah data yang besar dan menjelaskannya dalam grafik yang efektif.

Selain itu, otak manusia juga lebih mudah mencerna gambar dibandingkan angka maupun kata-kata, sehingga grafik memainkan peranan penting dalam penelitian, presentasi, dan penyampaian informasi.

Ketika memutuskan untuk menggunakannya, ada beberapa teknik visualisasi data yang dapat diikuti agar hasilnya tidak melenceng dari interpretasi data yang seharusnya.

Mengutip dari publikasi ilmiah berjudul “Ten Guidelines for Effective Data Visualization in Scientific Publications” oleh Christa Kelleher, berikut adalah beberapa teknik visualisasi data yang patut diterapkan agar visualisasi datamu efektif:

1. Buatlah grafik sesederhana mungkin, namun mencakup seluruh informasi yang ingin disampaikan

Pada dasarnya, visualisasi data bertujuan untuk memudahkan pembaca dalam memahami informasi yang tertera, maka dari itu, teknik pertama yang bisa diikuti adalah dengan tidak melebih-lebihkan visualisasi yang dibuat.

Pastikan bahwa pembaca dapat membedakan properti (bentuk, warna, ketebalan garis) yang digunakan untuk memvisualisasikan data.

Pilihlah jenis visualisasi yang cocok untuk merepresentasikan informasi yang hendak kamu sampaikan.

Sebagai contoh, grafik 2D terkadang lebih berguna dalam menyampaikan informasi dibandingkan dengan grafik 3D.

Contohnya bisa dilihat di gambar ini:

Pacmann Tips untuk Teknik Visualisasi Data yang Efektif: Contoh Grafik 2D

Jika ingin membuat grafik yang berisi multidimensional data, gunakanlah properti yang tersedia untuk membuat visualisasi 2D.

2. Pertimbangkan jenis encoding object dan value attribute yang akan digunakan untuk membuat visualisasi data

Sebagai salah satu komponen utama dalam visualisasi data, pemilihan encoding objects (point, line, bar) dan value attribute-nya (posisi point, panjang garis, warna, dll.) wajib dipertimbangkan.

Pada umumnya, manusia lebih mudah untuk memahami value attribute panjang garis dan grafik 2D dibandingkan dengan value attribute lain.

Maka dari itu, tidak ada salahnya menerapkan teknik visualisasi data yang satu ini agar hasil kerjamu mudah dipahami pembaca.

Selain itu, walaupun value attribute lainnya seperti ketebalan garis lebih sulit untuk dimengerti, namun value attribute ini tetap dapat digunakan untuk menunjukkan perbandingan ataupun pola umum.

Pacmann Tips untuk Teknik Visualisasi Data yang Efektif: Value Encoding Attribute

3. Fokus untuk memvisualisasikan pola atau memvisualisasikan detail, tergantung dari tujuan visualisasi

Tahu tujuan penggunaan dan goals dari visualisasi merupakan hal yang wajib diperhatikan.

Hal ini bertujuan agar kamu dapat memilih jenis visualisasi yang sesuai.

Sebagai contoh, jika ingin memvisualisasikan sebuah pola, heatmap dapat menjadi pilihan yang tepat, sebab heatmap memvisualisasikan dataset ke dalam kotak-kotak, di mana kotak-kotak ini merepresentasikan value dari data dan warna kotak merepresentasikan magnitude data.

Heatmap juga dilengkapi dengan skala warna untuk mempermudah pemahaman pembaca.

Kelemahannya adalah heatmap ini tidak begitu menunjukkan perbedaan value antar data sehingga kita tidak dapat memvisualisasikannya secara detail.

Sebaliknya, jika ingin memvisualisasikan data secara detail–misalnya ingin menunjukkan perbedaan value antar data, bar atau line dapat menjadi solusinya.

Perbedaan antara line dan heatmap dapat dilihat pada gambar di bawah ini:

Contoh Grafik Line dan Heatmaps

4. Mulai dengan rentang sumbu dari 0

Walaupun terdengar sepele, teknik visualisasi data berikut sangat berguna untuk menyampaikan informasi kepada pembaca.

Jika teknik ini diabaikan, pembaca dapat menangkap arti yang berbeda dari visualisasi yang dibuat.

Mari perhatikan gambar di bawah ini:

Chart bar dengan rentang sumbu dari 1500 vs 0

Bila diperhatikan, grafik di sebelah kiri yang memulai sumbu vertikal dari angka 1500 menunjukkan perbedaan yang cukup besar di antara A, B, dan C.

Di sisi lain, dengan menggunakan dataset yang sama, grafik di sebelah kanan yang memulai sumbu vertikal dari angka 0 menunjukkan perbedaan yang tidak begitu besar di antara A, B, dan C.

Dapat disimpulkan bahwa grafik di sebelah kiri cenderung melebih-lebihkan perbedaan yang sebenarnya antara A, B, dan C.

Maka dari itu, tidak heran bila tips yang satu ini menjadi hal yang wajib dipatuhi semua orang.

5. Visualisasikan data dan grafik dalam bentuk skala untuk melihat perubahan pada data time series

Berbeda dengan data pada umumnya, data time series yang menunjukkan perubahan suatu objek dari waktu ke waktu memiliki teknik visualisasi data khusus.

Perubahan nilai pada data time series pada umumnya dituangkan dalam vertical axis menggunakan skala linear.

Selain skala linear, skala logaritmik dapat dijadikan alternatif dalam memvisualisasikan data time series.

Perbandingan antara kedua skala ini dapat dilihat pada gambar berikut:

Contoh Visualisasi Data Time Series

Dapat dilihat bahwa terdapat 2 garis di setiap grafik, yakni garis putus-putus dan garis yang utuh.

Jika diperhatikan, grafik dengan skala linear menunjukkan perbedaan yang lebih besar antara bulan Januari ke April untuk garis utuh.

Sebaliknya, grafik dengan skala logaritmik menunjukkan perbedaan yang lebih besar antara bulan Januari ke April untuk garis yang putus-putus.

Hasil yang berbeda ini disebabkan oleh grafik dengan skala logaritmik menunjukkan persentase perubahan, bukan perubahan nilai asli.

Penggunaan skala logaritmik dapat menghilangkan skewness pada dataset dan menunjukkan persentase perubahan terhadap initial value sehingga slope pada grafik menunjukkan persentase perubahan.

Kelima teknik visualisasi data di atas dapat diterapkan agar memudahkan pembaca untuk memahami informasi dari data yang dipaparkan.

Sadar akan pentingnya data visualization, tim kurikulum Pacmann Academy memasukkan materi data visualization dalam Non-Degree Program Business Intelligence dan Data Science.