Visualisasi Data untuk Keputusan Bisnis

Data Science · Pertemuan 5 · Program Bisnis Digital

CPMK-2: Statistika & Visualisasi CPMK-4: Solusi Berbasis Data 150 menit

Agenda Hari Ini

Teori (75 menit)

Prinsip encode & decode visual
Hierarki persepsi manusia
Taksonomi chart types
Kesalahan visualisasi umum
Framework data storytelling

Praktik & Studi Kasus (75 menit)

Demo Python: Matplotlib & Seaborn
Studi kasus: dashboard Gojek / BRImo
Latihan: pilih chart yang tepat
Workshop mini: narasi + visual
Diskusi & Q&A

Tujuan Pembelajaran

Menjelaskan cara otak manusia men-decode elemen visual dan implikasinya pada desain grafik

Memilih jenis grafik yang tepat berdasarkan tujuan komunikasi dan tipe data

Menyusun narasi berbasis data yang menghubungkan insight analitik ke rekomendasi bisnis

Mengidentifikasi dan menghindari misleading visualization yang umum di laporan bisnis

Topik 1

Prinsip Visualisasi Efektif:
Encode & Decode

Bagaimana otak manusia membaca grafik — dan bagaimana merancang agar pesan tidak hilang

Encode & Decode: Bahasa Visual Data

Encode (perancang grafik): Mengubah nilai data menjadi properti visual — posisi, panjang, warna, bentuk, ukuran, sudut.

Decode (pembaca grafik): Otak audiens membalik proses itu — membaca properti visual kembali menjadi nilai/makna.

Hierarki Akurasi Persepsi (Cleveland & McGill, 1984):

Posisi pada sumbu sejajar ← paling akurat
Posisi pada sumbu tidak sejajar
Panjang / ukuran 1D
Kemiringan / sudut
Luas area
Volume
Warna / kepadatan ← paling tidak akurat

Pre-Attentive Attributes: Visual yang Langsung Tertangkap

Otak manusia memproses atribut tertentu dalam <250 milidetik — sebelum perhatian sadar aktif. Manfaatkan ini untuk mengarahkan mata pembaca.

Warna

Satu elemen berbeda warna langsung tampak menonjol

Ukuran

Elemen yang lebih besar mendominasi perhatian

Bentuk

Bentuk berbeda terdeteksi instan di antara keseragaman

Prinsip desain: Gunakan maksimal 1–2 atribut pre-attentive per visualisasi. Terlalu banyak aksentuasi = tidak ada yang menonjol.

Kesalahan Visualisasi yang Sering Terjadi

Kesalahan	Contoh	Dampak	Perbaikan
Sumbu Y tidak mulai dari 0	Bar chart penjualan, sumbu mulai 950	Perbedaan kecil tampak dramatis	Mulai dari 0 atau gunakan line chart dengan keterangan eksplisit
Pie chart terlalu banyak irisan	Pie dengan 8+ kategori	Sulit membandingkan ukuran irisan kecil	Bar chart horizontal atau treemap
Dual axis yang menyesatkan	Revenue & growth rate di satu grafik	Korelasi semu — skala bisa dimanipulasi	Dua grafik terpisah atau normalisasi
Warna terlalu banyak	12 warna berbeda dalam satu chart	Tidak ada fokus visual, bingung	Maksimal 6–7 warna, gunakan grayscale untuk latar
3D chart	Pie 3D, bar 3D perspektif	Distorsi persepsi ukuran/sudut	Selalu gunakan 2D flat

Topik 2

Chart Types & Kapan Dipakai

Taksonomi grafik berdasarkan tujuan komunikasi dan tipe data — bukan berdasarkan estetika

Empat Tujuan Komunikasi Visual

Tujuan	Pertanyaan Kunci	Chart Pilihan	Hindari
Komparasi	Mana yang lebih besar/kecil?	Bar chart, Dot plot, Heatmap	Pie chart, 3D bar
Tren waktu	Bagaimana perubahan seiring waktu?	Line chart, Area chart, Slope chart	Bar chart (banyak period)
Distribusi	Bagaimana data tersebar?	Histogram, Box plot, Violin plot	Line chart untuk frekuensi
Hubungan	Apakah ada korelasi/pola?	Scatter plot, Bubble chart, Heatmap korelasi	Pie chart, bar komposit
Komposisi	Berapa proporsi tiap bagian?	Stacked bar, Treemap, Waffle chart	Pie chart >5 irisan
Geografis	Bagaimana distribusi per wilayah?	Choropleth map, Bubble map	Bar chart saja (hilang konteks spasial)

Decision Tree: Memilih Grafik yang Tepat

Prinsip Desain Visual Data yang Efektif

Data-Ink Ratio (Tufte, 1983)
Maksimalkan tinta yang membawa data; minimalkan dekorasi. Hapus gridline berlebih, border ganda, legend yang bisa dilabeli langsung.

Kontras yang Bermakna
Bedakan elemen penting (gelap/warna) dari latar (abu muda). Jangan berikan warna sama pada elemen berbeda makna.

Alignment & Proximity
Elemen yang berkaitan didekatkan. Label langsung menempel pada garis/bar lebih efisien daripada legend terpisah.

Konsistensi Skala
Bila membandingkan beberapa grafik, gunakan skala sumbu yang sama. Ketidakkonsistenan skala adalah sumber misleading yang sering tidak disadari.

Topik 3

Storytelling dengan Data:
Narasi + Visual

Dari sekumpulan grafik ke cerita yang menggerakkan keputusan bisnis

Framework Data Storytelling (3-Akt)

Akt 1: Konteks

Siapa audiens?
Apa pertanyaan bisnis yang dijawab?
Data mana yang relevan?
Baseline: kondisi saat ini

Akt 2: Konflik / Temuan

Apa yang anomali atau mengejutkan?
Pola apa yang muncul dari data?
Visualisasi kunci: highlight insight
Angka yang "bicara"

Akt 3: Resolusi

Apa implikasi bisnis?
Rekomendasi yang dapat dieksekusi
Metrik sukses ke depan
Call to action yang jelas

Ingat: Data storytelling bukan manipulasi — Anda memilih urutan dan penekanan, bukan mengubah angka. Integritas data tetap harga mati.

SCR Framework: Situation — Complication — Resolution

S — Situation: Fakta yang diketahui bersama, tidak kontroversial.
"Pertumbuhan GMV Gojek di Q1 2025 mencapai 18% YoY."

C — Complication: Perubahan atau masalah yang membuat situasi tidak cukup.
"Namun biaya akuisisi pelanggan baru naik 35% — margin tertekan."

R — Resolution: Rekomendasi yang menjawab komplikasi.
"Model retensi prediktif dapat menggeser fokus ke upselling pelanggan lama."

Mengapa SCR Efektif?

Manajer senior membaca complication dulu — langsung ke inti masalah
Struktur memaksa analis memisahkan fakta dari interpretasi
Resolution yang spesifik meningkatkan probabilitas action
Dapat dikembangkan menjadi slide deck atau satu paragraf eksekutif summary

Diadaptasi dari McKinsey Pyramid Principle — populer di konsultan dan tim produk tech Indonesia.

Studi Kasus: Dashboard BRImo — Visualisasi untuk Retensi Nasabah

Konteks Bisnis

BRImo adalah super-app perbankan digital BRI dengan >35 juta pengguna aktif (~2024)
Tim data science memantau churn risk nasabah secara real-time
Stakeholder: Tim Produk, Risk Management, Direksi

Pertanyaan bisnis: Nasabah segmen mana yang paling berisiko churn dalam 30 hari ke depan?

Pilihan Visualisasi & Alasannya

Insight	Grafik	Alasan
Tren churn mingguan	Line chart	Tren waktu kontinu
Churn per segmen	Bar chart horizontal	Komparasi banyak kategori
Korelasi frekuensi login vs churn	Scatter plot	Hubungan dua variabel
Distribusi skor risiko	Histogram	Distribusi populasi

Studi Kasus: Tokopedia — Visualisasi GMV per Kategori Produk

Tantangan Visualisasi

Tokopedia memiliki >40 kategori produk utama — terlalu banyak untuk pie chart
Manajemen ingin tahu distribusi GMV sekaligus pertumbuhan per kategori
Dua dimensi informasi: besar (komposisi) + arah (tren)

Solusi: Treemap untuk komposisi GMV + Warna merah/hijau untuk sinyal pertumbuhan YoY. Satu visual, dua dimensi informasi.

Alur Kerja: Data ke Keputusan

Rangkuman Pertemuan 5

5 Key Takeaway

1. Encode & Decode: Desainer mengubah data menjadi visual; audiens membalik proses itu. Hierarki akurasi persepsi (posisi > panjang > warna) menentukan pilihan terbaik.

2. Pre-Attentive Attributes: Gunakan warna, ukuran, atau bentuk secara hemat (1–2 aksentuasi) untuk mengarahkan perhatian tanpa membingungkan.

3. Pilih Chart dari Tujuan: Komparasi → bar; Tren → line; Distribusi → histogram/boxplot; Hubungan → scatter; Komposisi → stacked bar / treemap.

4. Hindari Misleading Viz: Sumbu tidak dari nol, pie terlalu banyak irisan, dual axis, warna terlalu banyak, dan chart 3D adalah pantangan utama.

5. Storytelling SCR: Situation → Complication → Resolution. Data tanpa narasi hanya angka; narasi tanpa data hanya pendapat. Keduanya harus hadir.

Tugas & Diskusi

Tugas Individu (dikumpul P6)

Pilih satu laporan tahunan perusahaan publik Indonesia (BCA, Telkom, BRI, GOTO, dll.)
Temukan 3 visualisasi di laporan tersebut
Analisis setiap visualisasi: tujuan komunikasi, jenis chart, kelebihan, dan satu rekomendasi perbaikan
Buat ulang satu visualisasi menggunakan Python (Matplotlib/Seaborn) dengan perbaikan yang Anda usulkan
Susun analisis dalam format SCR (maks. 1 halaman)

Diskusi Kelompok (hari ini)

Kasus: Tim data science Gojek menemukan bahwa pengemudi di kota Tier-2 memiliki tingkat pembatalan perjalanan 2,3× lebih tinggi dari Jakarta.

Visualisasi apa yang Anda gunakan untuk mempresentasikan temuan ini ke Head of Operations?
Susun satu SCR singkat (3 kalimat)
Data tambahan apa yang Anda butuhkan untuk memperkuat narasi?

Q&A & Preview Pertemuan 6

Ada Pertanyaan?

Diskusi bebas — tidak ada pertanyaan yang terlalu dasar dalam mempelajari visualisasi data.

Preview P6: Statistika Inferensial untuk Data Scientist

Dari deskriptif ke inferensial: mengapa kita perlu lebih dari rata-rata
Uji hipotesis: konsep, jenis, dan interpretasi bisnis
p-value, confidence interval, dan effect size
A/B testing: kerangka inferensial di balik eksperimen produk digital
Kesalahan umum interpretasi statistik (p-hacking, HARKing)

Persiapan: Baca ringkasan uji t-test dan chi-square dari modul statistika sebelumnya.