Program Studi Bisnis Digital • FEB UNDIP

Laboratorium Sains Data

Pertemuan 11 — Visualisasi Data: Prinsip Desain & Tools

Mengubah angka hasil analisis menjadi grafik yang jujur, jelas, dan langsung dipahami pengambil keputusan — dari tabel Excel mentah sampai dashboard siap presentasi.

RPS minggu 12 · 2x50 menit

Selamat datang kembali, Anda sudah melalui sepuluh pertemuan penuh — mulai dari pengantar data science, EDA, klastering, aturan asosiasi, regresi, klasifikasi, analisis teks, sampai teknologi big data minggu lalu. Semua model dan analisis itu akan sia-sia kalau hasilnya tidak bisa dipahami orang lain, dan di sinilah visualisasi data berperan sebagai jembatan terakhir antara angka dan keputusan bisnis. Hari ini Anda akan belajar prinsip desain grafik yang benar — bukan sekadar "bikin cantik" tapi bagaimana menyajikan data secara jujur dan efisien — serta mengenal tools yang dipakai praktisi, dari Python sampai dashboard BI. Bayangkan Anda diminta melapor ke manajer toko online: manajer tidak punya waktu membaca ribuan baris data, tapi satu grafik yang tepat bisa menyampaikan cerita itu dalam lima detik. Sesi ini adalah bekal langsung untuk pertemuan berikutnya, yaitu komunikasi hasil analisis dan proyek akhir tim Anda.

Tujuan Pembelajaran Hari Ini

Minggu lalu Anda mengenal teknologi big data (Hadoop, MapReduce, NoSQL). Minggu depan Anda akan belajar mengomunikasikan hasil analisis secara utuh. Pertemuan ini adalah jembatan di antaranya: mengubah hasil analisis menjadi visual yang efektif.

Capaian 1

Memahami prinsip desain visualisasi: data-ink ratio, hierarki visual, dan atribut preattentive.

Capaian 2

Memilih jenis grafik yang tepat sesuai tujuan: komparasi, tren, komposisi, distribusi, hubungan.

Capaian 3

Mengenal tools visualisasi (Python, BI tools) dan menyusun dashboard yang efektif.

Bagian 1

Prinsip Dasar Visualisasi

Mengapa grafik yang baik bukan soal warna cantik, tapi soal kejujuran dan efisiensi menyampaikan informasi.

Kenapa Grafik, Bukan Sekadar Tabel Angka?

Otak manusia memproses pola visual jauh lebih cepat daripada membaca deret angka satu per satu — inilah alasan visualisasi data menjadi tahap wajib setelah analisis.

Kasus: Empat Set Data UMKM

Empat toko online punya rata-rata transaksi harian dan varians yang hampir identik secara statistik deskriptif.

Rata-rata: ~Rp450.000 (keempatnya)
Standar deviasi: ~Rp120.000 (keempatnya)
Kesimpulan dari tabel saja: "polanya sama"

Setelah Diplot ke Grafik

Toko A: pola linier stabil naik
Toko B: satu hari lonjakan ekstrem (flash sale), sisanya datar
Toko C: pola musiman naik-turun
Toko D: satu transaksi outlier menutupi pola sebenarnya

Ini adaptasi dari fenomena Anscombe's Quartet (1973): statistik ringkasan bisa identik, tapi pola datanya sama sekali berbeda. Tanpa grafik, Anda bisa mengambil keputusan bisnis yang keliru.

Data-Ink Ratio: Kurangi "Sampah Visual"

Konsep dari Edward Tufte: data-ink ratio (rasio tinta yang benar-benar menyajikan data dibanding total tinta yang dicetak) sebaiknya setinggi mungkin — hapus elemen dekoratif yang tidak menambah informasi (disebut chartjunk, elemen visual berlebihan tanpa nilai informasi).

Coba Sendiri: Bersihkan Grafik dari Chartjunk

Nyalakan dan matikan elemen dekoratif satu per satu, lalu amati bagaimana data-ink ratio berubah tanpa mengurangi informasi yang tersampaikan.

Hierarki Visual & Atribut Preattentive

Sebelum sadar membaca teks, mata Anda sudah menangkap pola tertentu dalam <13 milidetik — disebut atribut preattentive. Desainer grafik memanfaatkan ini untuk mengarahkan perhatian.

Warna

Satu batang merah di antara batang abu-abu langsung "melompat" ke mata — pakai untuk menyorot satu nilai penting.

Ukuran & Posisi

Objek lebih besar atau lebih tinggi dianggap "lebih penting" — urutkan dari kiri-atas untuk hierarki baca alami.

Bentuk & Kontras

Bold, garis putus-putus, atau ikon berbeda menandai kategori tanpa perlu legenda panjang.

Aturan praktis: gunakan maksimal satu atau dua atribut preattentive per grafik. Terlalu banyak elemen "menyala" sekaligus justru membingungkan, bukan menonjolkan.

Konsep preattentive attribute ini menjelaskan kenapa saat Anda membuka dashboard Google Analytics, angka yang turun biasanya langsung berwarna merah dan Anda menyadarinya sebelum sempat membaca angkanya — otak Anda sudah memproses warna itu duluan secara otomatis. Sebagai calon analis bisnis digital, Anda bisa memanfaatkan ini secara sengaja, misalnya menyoroti satu produk dengan penjualan tertinggi di antara sepuluh produk lain hanya dengan mengubah satu warna batang. Tapi hati-hati, ini pedang bermata dua — kalau Anda mewarnai semua batang dengan warna berbeda-beda, otak pembaca justru kebingungan mencari mana yang penting karena semuanya terlihat "menonjol". Aturan praktisnya: pilih satu pesan utama yang ingin Anda sampaikan lewat grafik, lalu gunakan preattentive attribute hanya untuk menyorot pesan itu, sisanya biarkan netral.

Hitung dari Nol: Jumlah Bin Histogram (Aturan Sturges)

Kasus: Anda punya n = 200 transaksi harian sebuah toko online, harga transaksi berkisar Rp50.000 – Rp950.000. Berapa jumlah kelas (bin) histogram yang wajar?

k = 1 + log²(n)

Langkah	Perhitungan	Nilai
1. Jumlah data	n transaksi tercatat	n = 200
2. Log²(n)	log²(200)	≈ 7,64
3. Terapkan rumus Sturges	k = 1 + 7,64	8,64
4. Bulatkan ke atas	k dibulatkan	9 kelas
5. Lebar tiap kelas	(950.000 − 50.000) ÷ 9	Rp100.000

Bagian 2

Memilih Jenis Grafik yang Tepat

Setiap pertanyaan analisis punya "bentuk grafik" jawabannya sendiri — komparasi, tren, komposisi, distribusi, atau hubungan.

Grafik Komparasi: Bar Chart

Dipakai saat Anda membandingkan nilai antar-kategori — misalnya jumlah pesanan lima marketplace berbeda dalam satu bulan.

Kaidah wajib: sumbu-y bar chart harus mulai dari nol. Jika dipotong, perbandingan tinggi batang menjadi menyesatkan (lihat Slide 13).

Grafik Tren: Line Chart

Dipakai saat Anda melihat perubahan nilai sepanjang waktu — misalnya pergerakan harga saham BBCA selama satu pekan perdagangan.

Beda dengan bar chart, sumbu-y line chart boleh tidak dimulai dari nol — tujuannya justru menonjolkan fluktuasi kecil dari waktu ke waktu, bukan membandingkan besaran absolut antar kategori.

Line chart adalah pilihan utama ketika sumbu-x Anda adalah waktu — hari, bulan, atau tahun — dan Anda ingin menunjukkan arah pergerakan, bukan sekadar perbandingan titik per titik. Contohnya di sini adalah pergerakan harga saham BBCA di Bursa Efek Indonesia selama satu pekan, dan garis yang naik dari Senin ke Jumat langsung bercerita tentang tren positif tanpa Anda perlu membaca angka satu per satu. Menariknya, ini satu-satunya jenis grafik di mana aturan "sumbu harus mulai dari nol" boleh dilonggarkan, karena tujuan line chart adalah menonjolkan naik-turunnya nilai dari waktu ke waktu, bukan membandingkan besaran mutlak antar kategori seperti pada bar chart. Meski begitu, tetap harus jujur — jangan mempersempit rentang sumbu-y secara ekstrem hanya untuk membuat fluktuasi kecil terlihat dramatis.

Grafik Komposisi: Pie vs Stacked Bar

Dipakai saat Anda menunjukkan bagian dari keseluruhan (proporsi) — tapi pie chart punya batas kegunaan yang ketat.

Pie Chart — Gunakan Kalau

Kategori sedikit (idealnya ≤5)
Selisih proporsi cukup besar antar kategori
Pesan tunggal: "porsi terbesar ada di mana"

Stacked Bar — Gunakan Kalau

Kategori banyak (>5) atau perlu dibandingkan antar-periode
Selisih proporsi kecil dan sulit dibedakan mata di pie
Ingin membandingkan komposisi lintas waktu/kelompok

Mata manusia buruk membandingkan sudut (pie) tapi baik membandingkan panjang (bar) — inilah alasan banyak praktisi data menghindari pie chart untuk lebih dari 3–4 kategori.

Pie chart mungkin grafik paling populer di presentasi bisnis, tapi ironisnya juga yang paling sering disalahgunakan. Masalahnya bersumber dari cara kerja mata manusia: kita cukup baik membandingkan panjang sebuah batang, tapi cukup buruk membandingkan sudut atau luas sebuah irisan lingkaran, apalagi kalau ada tujuh atau delapan potongan dengan ukuran mirip. Sebagai gambaran, kalau Anda ingin menunjukkan komposisi kategori produk sebuah toko online yang punya dua belas kategori berbeda, stacked bar chart akan jauh lebih mudah dibaca dibanding pie chart dua belas warna yang membingungkan. Aturan praktis yang bisa Anda pegang: pakai pie chart hanya kalau kategorinya sedikit dan pesannya sederhana, misalnya "60 persen pelanggan kami adalah perempuan", selebihnya beralih ke bar chart atau stacked bar.

Grafik Distribusi & Hubungan: Histogram vs Scatter Plot

Dua pertanyaan analisis yang berbeda butuh dua grafik berbeda — Anda sudah memakai keduanya sejak pertemuan EDA dan regresi.

Histogram — Distribusi

Menjawab: "Bagaimana sebaran satu variabel?" Contoh: sebaran usia pelanggan, sebaran nilai transaksi harian.

Scatter Plot — Hubungan

Menjawab: "Apakah dua variabel saling berhubungan?" Contoh: biaya iklan vs jumlah penjualan (dipakai di regresi linier pertemuan 7).

Ingat pertemuan EDA dan regresi: histogram membantu Anda mendeteksi skewness & outlier sebelum modeling; scatter plot membantu Anda melihat pola linier atau non-linier sebelum memilih metode.

Dua grafik ini sebenarnya sudah pernah Anda gunakan tanpa sadar di pertemuan-pertemuan sebelumnya, khususnya saat eksplorasi data awal dan regresi linier. Histogram menjawab pertanyaan tentang satu variabel saja: bagaimana bentuk sebarannya, apakah normal, menceng ke kanan, atau punya dua puncak yang menandakan ada dua kelompok berbeda tercampur dalam satu data. Scatter plot sebaliknya menjawab pertanyaan tentang hubungan dua variabel, misalnya ketika Anda ingin tahu apakah kenaikan biaya iklan di Instagram Ads benar-benar berkorelasi dengan kenaikan penjualan sebelum Anda membangun model regresi. Kedua grafik ini adalah alat diagnostik penting sebelum modeling — jangan pernah melompat langsung ke model tanpa memvisualisasikan datanya lebih dulu, karena outlier atau hubungan non-linier yang tidak terlihat lewat angka bisa langsung terlihat lewat grafik.

Hitung dari Nol: Distorsi Akibat Sumbu-Y Dipotong

Kasus: penjualan bulan ini Rp120 juta, bulan lalu Rp100 juta (kenaikan riil 20%). Marketing memotong sumbu-y mulai dari Rp90 juta agar kenaikan "terlihat dramatis". Seberapa besar distorsinya?

Langkah	Perhitungan	Nilai
1. Kenaikan riil	(120jt − 100jt) ÷ 100jt	20%
2. Tinggi batang, skala penuh (0–120jt)	100/120 vs 120/120	83% vs 100%
3. Tinggi batang, sumbu dipotong (90–120jt)	(100−90)/30 vs (120−90)/30	33% vs 100%
4. Rasio tinggi tampak	100% ÷ 33%	≈ 3x lebih tinggi
5. Distorsi vs kenaikan riil	3x tampak vs 1,2x (20%) riil	≈ 150% berlebihan

Mari kita buktikan dengan angka kenapa memotong sumbu-y itu berbahaya, bukan cuma soal estetika. Kenaikan penjualan riil dari seratus juta ke seratus dua puluh juta rupiah adalah dua puluh persen, sebuah angka yang bagus tapi wajar. Kalau grafiknya memakai skala penuh dari nol, tinggi batang bulan ini hanya sedikit lebih tinggi dari bulan lalu, delapan puluh tiga persen berbanding seratus persen, secara visual proporsional dengan kenaikan dua puluh persen tadi. Tapi begitu sumbu-y dipotong dan hanya dimulai dari sembilan puluh juta, batang bulan lalu tampak sangat pendek dan batang bulan ini tampak hampir tiga kali lipat lebih tinggi — padahal kenaikan sebenarnya cuma dua puluh persen. Ini yang disebut distorsi visual, dan sayangnya sering dipakai sengaja dalam laporan pemasaran atau bahkan media untuk membuat data terlihat lebih dramatis dari kenyataan; sebagai analis data yang beretika, Anda wajib menghindarinya.

Coba Sendiri: Ubah Batas Sumbu-Y, Lihat Distorsinya

Geser titik awal sumbu-Y dan amati bagaimana perbedaan kecil pada data yang sama bisa terlihat dramatis atau nyaris tak terlihat.

Bagian 3

Warna, Tipografi, Tools & Dashboard

Detail eksekusi yang membedakan grafik amatir dari grafik siap dipresentasikan ke manajemen.

Prinsip Warna: Kategorikal, Sekuensial, Diverging

Jenis data menentukan skema warna yang tepat — memilih skema yang salah membuat grafik sulit atau bahkan salah dibaca.

Kategorikal

Warna berbeda tanpa urutan, untuk kategori diskrit seperti marketplace atau kanal media sosial.

Sekuensial

Satu warna, gradasi terang ke gelap, untuk nilai yang berurutan seperti kepadatan penduduk atau skor rendah–tinggi.

Diverging

Skema warna dua-arah dari titik tengah netral, untuk nilai yang punya "titik nol" bermakna, mis. laba/rugi atau naik/turun.

Sekitar 1 dari 12 laki-laki mengalami buta warna merah-hijau — hindari kombinasi merah-hijau sebagai satu-satunya pembeda kategori; tambahkan label teks atau pola sebagai penanda kedua.

Memilih warna bukan soal selera estetika semata, melainkan soal jenis data yang Anda tampilkan. Skema kategorikal cocok ketika kategori Anda tidak punya urutan alami, misalnya membandingkan Shopee, Tokopedia, dan TikTok Shop — warnanya boleh kontras satu sama lain karena memang tidak ada hierarki. Skema sekuensial dipakai ketika nilai Anda berurutan dari rendah ke tinggi, misalnya peta kepadatan transaksi per provinsi, di mana gradasi satu warna dari terang ke gelap langsung menunjukkan intensitas. Skema diverging penting untuk data yang punya titik tengah bermakna seperti nol, misalnya laba dan rugi bulanan sebuah UMKM, di mana Anda ingin warna biru untuk untung dan merah untuk rugi, dengan warna netral di titik impas. Satu hal yang wajib Anda perhatikan sebagai praktisi data yang bertanggung jawab adalah aksesibilitas: sebagian pembaca Anda mengalami buta warna, jadi jangan pernah mengandalkan warna merah-hijau sebagai satu-satunya pembeda.

Tipografi & Anotasi: Grafik yang "Bisa Membaca Diri Sendiri"

Grafik yang baik tidak butuh penjelasan lisan tambahan — semua elemen tekstualnya sudah menjawab pertanyaan pembaca.

Checklist Elemen Teks Wajib

Judul berupa kalimat aktif yang menyampaikan temuan, bukan sekadar "Grafik Penjualan" — misal "Penjualan Naik 20% Setelah Kampanye Ramadan"
Label sumbu lengkap dengan satuan (Rp, unit, %) — jangan biarkan pembaca menebak
Sumber data & periode di pojok bawah, kecil tapi selalu ada — untuk kredibilitas dan audit
Anotasi pada titik penting, misalnya panah "flash sale 12.12" di titik lonjakan penjualan

Bayangkan grafik Anda dikirim lewat WhatsApp ke manajer yang sedang terburu-buru dan tidak sempat mendengar penjelasan lisan Anda — apakah grafik itu tetap bisa dipahami sendiri? Itulah standar yang harus Anda kejar. Judul grafik idealnya bukan label generik seperti "Grafik 1" tapi kalimat yang langsung menyampaikan temuan utama, sehingga pembaca yang hanya membaca judul saja pun sudah dapat inti pesannya. Label sumbu harus lengkap dengan satuan supaya tidak ada ambiguitas apakah angka itu dalam rupiah, ribuan, atau persen, dan sumber data wajib dicantumkan meski kecil, karena ini menyangkut kredibilitas dan kemungkinan orang lain perlu mengecek ulang datanya. Anotasi seperti panah kecil yang menandai "di sinilah kampanye 12.12 dimulai" bisa mengubah grafik dari sekadar data menjadi sebuah cerita yang mudah diingat pembaca.

Tools Visualisasi: Python vs BI Tools

Pilihan tools tergantung kebutuhan: eksplorasi cepat dalam skrip analisis, atau dashboard interaktif untuk dibagikan ke tim.

Tool	Kekuatan	Paling Cocok Untuk
Matplotlib (Python)	Kontrol detail penuh, fondasi library lain	Grafik kustom dalam notebook analisis (mis. pertemuan EDA & regresi Anda)
Seaborn (Python)	Sintaks ringkas, tema statistik siap pakai	Eksplorasi cepat: boxplot, heatmap korelasi, pairplot
Power BI / Tableau	Drag-and-drop, dashboard interaktif, koneksi live ke database	Laporan berkala untuk manajemen non-teknis
Looker Studio (gratis)	Terhubung langsung ke Google Sheets/Analytics	UMKM & startup dengan anggaran terbatas

Tidak ada satu tool yang "paling benar" — pilihannya tergantung konteks pekerjaan Anda. Ketika Anda masih berada di tahap eksplorasi dalam notebook Python, seperti yang Anda lakukan sejak pertemuan EDA, matplotlib dan seaborn adalah pilihan wajar karena terintegrasi langsung dengan proses analisis data Anda tanpa perlu berpindah aplikasi. Tapi begitu hasil analisis itu perlu dibagikan berkala ke manajer atau tim yang tidak bisa membaca kode Python, Anda butuh tools seperti Power BI atau Tableau yang menyajikan dashboard interaktif dengan drag-and-drop, di mana pengguna bisa memfilter data sendiri tanpa menulis satu baris kode. Untuk konteks UMKM dengan anggaran terbatas, Looker Studio dari Google menjadi pilihan populer karena gratis dan bisa langsung terhubung ke Google Sheets atau Google Analytics yang sudah dipakai banyak bisnis kecil di Indonesia.

Menyusun Dashboard Efektif: Aturan 5 Detik

Prinsip: dalam lima detik pertama melihat dashboard, pembaca harus sudah menangkap status utama bisnis — tanpa perlu scroll atau bertanya.

Urutan tata letak ikuti pola baca "Z": ringkasan angka besar (KPI) di atas, detail dan tren pendukung di bawah — jangan taruh angka terpenting di pojok kanan bawah yang paling jarang dilihat pertama.

Aturan lima detik ini datang dari pengamatan bahwa manajer atau eksekutif jarang punya waktu membaca dashboard secara mendalam, mereka hanya melirik sekilas sebelum rapat. Karena itu, angka-angka paling penting atau disebut KPI, seperti total penjualan, jumlah pesanan, dan rating toko pada mockup ini, harus ditaruh paling atas dan paling menonjol, biasanya dengan angka besar dan indikator naik-turun sederhana. Di bawahnya baru diletakkan grafik pendukung yang memberi konteks lebih dalam, misalnya tren penjualan harian dalam bentuk line chart dan daftar produk terlaris dalam bar chart. Perhatikan bahwa mata manusia membaca layar mengikuti pola huruf Z, dari kiri-atas ke kanan-atas lalu turun ke kiri-bawah — jadi susunlah dashboard Anda mengikuti urutan kepentingan informasi sesuai pola baca alami ini, bukan asal menempatkan grafik sesuai selera.

Checklist Kualitas Sebelum Publikasi

Sebelum Anda mengirim grafik ke klien atau dosen pembimbing proyek akhir, jalankan checklist singkat ini.

Kejujuran Data

Sumbu-y bar chart mulai dari nol?
Skala warna konsisten & tidak menyesatkan?
Ukuran sampel (n) dicantumkan bila relevan?

Kejelasan Desain

Judul menyampaikan temuan utama?
Chartjunk (efek 3D, bayangan) sudah dihapus?
Bisa dipahami tanpa penjelasan lisan tambahan?

Anggap checklist ini sebagai "proofreading" terakhir sebelum grafik Anda keluar dari layar dan dilihat orang lain, sama seperti Anda mengecek typo sebelum mengirim email penting. Kolom pertama berfokus pada kejujuran data — ini yang paling krusial secara etika, karena grafik yang indah tapi menyesatkan justru lebih berbahaya daripada tabel angka mentah yang membosankan. Kolom kedua berfokus pada kejelasan desain, memastikan semua prinsip yang sudah kita bahas hari ini, mulai dari data-ink ratio sampai tipografi, benar-benar diterapkan. Kebiasaan menjalankan checklist ini sebelum setiap submission akan sangat berguna saat Anda mengerjakan proyek akhir data science di pertemuan tiga belas dan empat belas, di mana dashboard dan grafik Anda akan dinilai bukan hanya dari ketepatan analisis tapi juga cara penyajiannya.

Latihan Praktik & Persiapan Pertemuan 12

Kerjakan di laboratorium hari ini, lanjutkan di rumah jika belum selesai.

Latihan Hari Ini

Ambil dataset penjualan dari praktikum EDA (pertemuan 4)
Buat 1 bar chart, 1 line chart, dan 1 histogram dengan matplotlib/seaborn
Terapkan checklist Slide 19 pada ketiga grafik Anda
Simpan sebagai file gambar (.png) untuk dibahas minggu depan

Persiapan Pertemuan 12

Topik: Komunikasi Hasil Analisis
Bawa grafik hasil latihan hari ini sebagai bahan storytelling
Mulai pikirkan topik proyek akhir tim (pertemuan 13–14)

Sekarang giliran Anda praktik langsung, karena visualisasi data adalah keterampilan yang hanya bisa dikuasai lewat latihan tangan, bukan sekadar mendengarkan teori. Silakan buka kembali dataset penjualan yang Anda pakai di praktikum eksplorasi data awal beberapa pertemuan lalu, lalu buat tiga jenis grafik yang sudah kita bahas hari ini menggunakan matplotlib atau seaborn di Python. Setelah selesai, jalankan checklist kualitas yang baru saja kita pelajari pada masing-masing grafik Anda — apakah sumbu-nya jujur, apakah judulnya menyampaikan temuan, apakah chartjunk sudah dihilangkan. Simpan hasilnya karena akan langsung kita pakai minggu depan saat membahas cara mengomunikasikan hasil analisis secara utuh, sekaligus menjadi pemanasan sebelum Anda dan tim mulai memikirkan topik proyek akhir data science di dua pertemuan terakhir semester ini.