Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

visualisasi data:
Sebuah Primer

2
Buku ini membahas tentang dasbor dunia nyata dan mengapa Coba saya tebak: Anda tidak benar-benar melihat apa pun dengan jelas. Itu
mereka berhasil. Dalam banyak skenario, kami menjelaskan terlalu sulit.
bagaimana desainer menggunakan teknik visualisasi untuk
berkontribusi terhadap kesuksesan tersebut. Bagi mereka yang Sebelum kita memasukkan angka-angka ke dalam grafik, kita mungkin
baru mengenal bidang ini, bab ini adalah panduan dasar tentang mempertimbangkan sifat statistiknya. Jika kita melakukan hal tersebut,
visualisasi data. Ini memberikan informasi yang cukup bagi Anda kita akan menemukan bahwa sifat statistik setiap kelompok angka
untuk memahami mengapa kami memilih banyak dasbor. Jika sangat mirip. Jika tabel tidak menunjukkan apa pun dan statistik tidak
Anda lebih berpengalaman, bab ini merangkum dasar-dasar mengungkapkan banyak hal, apa yang akan terjadi jika kita melakukan
visualisasi data. hal tersebut?merencanakanangka-angka? Lihatlah Gambar 1.1.

Mengapa Kami memvisualisasikan data?

Sekarang apakah Anda melihat perbedaannya?Melihatangka-angka
Mari kita lihat mengapa penting untuk memvisualisasikan angka dalam bagan menunjukkan kepada Anda sesuatu yang tidak bisa
dengan memulai dari Tabel 1.1. Ada empat kelompok angka yang dilakukan oleh tabel dan beberapa ukuran statistik. Kami
masing-masing terdiri dari 11 pasang. Sebentar lagi, kita akan memvisualisasikan data untuk memanfaatkan kekuatan luar biasa dari
membuat grafik dari angka-angka tersebut, tetapi sebelum kita sistem visual kami untuk mengenali hubungan dan tren.
melakukannya, lihatlah angka-angkanya. Apa yang bisa kamu lihat?
Apakah ada perbedaan nyata dalam pola atau tren di antara Contoh cemerlang ini adalah karya Frank Anscombe,
mereka? seorang ahli statistik Inggris. Dia menciptakan set ini

Tabel 1.1Tabel dengan empat kelompok angka: Apa yang mereka beritahukan kepada Anda?

grup A kelompok B kelompok C kelompok D

X kamu X kamu X kamu X kamu

10.00 8.04 10.00 9.14 10.00 7.46 8.00 6.58

8.00 6.95 8.00 8.14 8.00 6.77 8.00 5.76
13.00 7.58 13.00 8.74 13.00 12.74 8.00 7.71
9.00 8.81 9.00 8.77 9.00 7.11 8.00 8.84
11.00 8.33 11.00 9.26 11.00 7.81 8.00 8.47
14.00 9.96 14.00 8.10 14.00 8.84 8.00 7.04
6.00 7.24 6.00 6.13 6.00 6.08 8.00 5.25
4.00 4.26 4.00 3.10 4.00 5.39 19.00 12.50
12.00 10.84 12.00 9.13 12.00 8.15 8.00 5.56
7.00 4.82 7.00 7.26 7.00 6.42 8.00 7.91
5.00 5.68 5.00 4.74 5.00 5.73 8.00 6.89

3
4 Visualisasi data Bab 1: Primer

Gambar 1.1Sekarang dapatkah Anda melihat perbedaan dalam keempat kelompok tersebut?

angka—disebut “Kuartet Anscombe”—dalam makalahnya Mengidentifikasi tren sama sulitnya dengan Kuartet
“Graphs in Statistical Analysis” pada tahun 1973. Dalam Anscombe. Untuk membaca tabel, kita perlu mencari
makalah tersebut, ia menentang anggapan bahwa setiap nilai, satu per satu. Sayangnya, ingatan jangka
“perhitungan numerik itu tepat, tetapi grafiknya kasar”. pendek kita tidak dirancang untuk menyimpan banyak
informasi. Pada saat kita mencapai angka keempat atau
Alasan lain untuk memvisualisasikan angka adalah untuk kelima, kita sudah melupakan angka pertama yang kita
membantu ingatan kita. Perhatikan Tabel 1.2, yang menunjukkan lihat.
angka penjualan untuk tiga kategori, per kuartal, selama periode
empat tahun. Tren apa yang bisa Anda lihat? Mari kita coba garis tren, seperti yang ditunjukkan pada Gambar 1.2.
 bagaimana Kami Memvisualisasikan data? 5

Tabel 1.2 Apa tren penjualannya?

Kategori Kuartal 1 tahun 2013, Kuartal 2 tahun 2013 Kuartal 3 tahun 2013 Q4 2013 Q1 2014 Q2 2014 Q3 2014 Q4 2014
Mebel $463.988 $352.779 $338.169 $317.735 $320.875 $287.934 $319.537 $324.319
peralatan Kantor $232.558 $290.055 $265.083 $246.946 $219.514 $202.412 $198.268 $279.679
Teknologi $563.866 $244.045 $432.299 $461.616 $285.527 $353.237 $338.360 $420.018
Kategori Q1 2015 Q2 2015 Q3 2015 Q4 2015 Q1 2016 Q2 2016 Q3 2016 Q4 2016
Mebel $307.028 $273.836 $290.886 $397.912 $337.299 $245.445 $286.972 $313.878

peralatan Kantor $207.363 $183.631 $191.405 $217.950 $241.281 $286.548 $217.198 $272.870
Teknologi $333.002 $291.116 $356.243 $386.445 $386.387 $397.201 $359.656 $375.229

Gambar 1.2Sekarang bisakah Anda melihat trennya?

Sekarang kita memiliki wawasan yang lebih baik mengenai tren. potongandata, masing-masing berisi 16 titik data. Memvisualisasikan
Perlengkapan kantor merupakan kategori produk dengan penjualan data meretas memori jangka pendek kita; ini memungkinkan kita
terendah selama dua kuartal. Tren furnitur perlahan-lahan menurun menafsirkan data dalam jumlah besar secara instan.
selama periode waktu tersebut, kecuali peningkatan penjualan pada
kuartal keempat tahun 2015 dan peningkatan pada dua kuartal
bagaimana Kami memvisualisasikan data?
terakhir. Penjualan teknologi sebagian besar merupakan yang tertinggi
tetapi sangat fluktuatif pada awal periode ini. Kita baru saja melihat beberapa contoh kekuatan visualisasi data.
Sekarang kita perlu melanjutkan keBagaimanakami membangun
Tabel dan diagram garis masing-masing memvisualisasikan 48 titik data visualisasi. Untuk melakukan itu, pertama-tama kita perlu melihat
yang sama, namun hanya diagram garis yang memungkinkan kita dua hal: atribut dan tipe data yang harus diperhatikan terlebih
melihat trennya. Bagan garis mengubah 48 titik data menjadi tiga dahulu.
6 Visualisasi data Bab 1: Primer

Atribut preattentif
Memvisualisasikan data mengharuskan kita mengubah data Sekarang tugasnya menjadi mudah. Mengapa? Karena kami mengubah warnanya:

menjadi tanda di kanvas. Tanda seperti apa yang paling masuk angka 9 berwarna merah, dan angka lainnya berwarna abu-abu muda.

akal? Salah satu jawabannya terletak pada apa yang disebut

“atribut preattentive.” Ini adalah hal-hal yang diproses oleh Perbedaan warna muncul. Menemukan satu angka 9 merah
otak kita dalam hitungan milidetik, sebelum kita pada tabel yang berisi ratusan digit sama mudahnya dengan
memperhatikan hal lainnya. Ada banyak jenis yang berbeda. menemukan angka 9 pada tabel 10 kali 10. Pikirkan sejenak:
Mari kita lihat sebuah contoh. Otak Anda mencatat angka 9 merah sebelum Anda secara
sadar menuju ke grid untuk menghitungnya. Lihatlah kisi-kisi
Perhatikan angka pada Gambar 1.3. Ada berapa 2.500 angka pada Gambar 1.5. Bisakah kamu melihat angka 9?
angka 9?
Bagaimana Anda melakukannya? Sangat mudah untuk menjawab
Sangat mudah untuk mengenali angka 9. Mata kita luar biasa dalam
pertanyaan tersebut, Anda cukup melihat semua nilai dan menghitung
melihat hal-hal seperti ini.
angka 9—tetapi hal ini membutuhkan waktu yang lama. Kami dapat

membuat satu perubahan pada grid dan membuatnya sangat mudah bagi

Anda. Lihat Gambar 1.4.

Gambar 1.3Ada berapa angka 9? Gambar 1.4Sekarang mudah untuk menghitung angka 9.
Gambar 1.5Ada satu angka 9 dalam kotak yang terdiri dari 2.500 angka ini. Kami yakin Anda melihatnya sebelum Anda mulai
membaca nomor lain di halaman ini.
8 Visualisasi data Bab 1: Primer

Warna (dalam hal ini, rona) adalah salah satu dari beberapa warna
atribut pra-perhatian. Saat kami melihat pemandangan di depan
kami, atau bagan, kami memproses atribut ini dalam waktu kurang
dari 250 milidetik. Mari kita coba beberapa fitur yang lebih hati-hati
dengan tabel 9 kita. Pada Gambar 1.6, kita telah membuat angka 9
dengan ukuran yang berbeda dari gambar lainnya.

Ukuran dan warna: Luar biasa bukan? Semuanya baik-baik saja saat
menghitung angka 9. Bagaimana jika tugas kita adalah menghitung
frekuensinyasetiapangka? Itu tugas yang sedikit lebih realistis, tapi kita
tidak bisa hanya menggunakan warna atau ukuran yang berbeda untuk
setiap digit. Hal ini akan mengalahkan sifat preattentif dari satu warna.
Perhatikan kekacauannya yaitu Gambar 1.7.

Ini bukan bencana total: Jika Anda mencari angka 6, Anda hanya perlu
Gambar 1.6 Perbedaan ukuran juga mudah dilihat. mengetahui bahwa warnanya merah dan kemudian memindainya
dengan cepat. Menggunakan satu warna pada visualisasi sangat efektif
untuk menonjolkan satu kategori. Menggunakan beberapa warna,
seperti yang kita lakukan pada Gambar 1.2 untuk membedakan
sejumlah kecil kategori, juga tidak masalah. Namun, setelah Anda
mencapai sekitar delapan hingga sepuluh kategori, ada terlalu banyak
warna untuk membedakan satu sama lain dengan mudah.

Untuk menghitung setiap digit, kita perlu menjumlahkannya.

Visualisasi, pada intinya, adalah tentang pengkodean agregasi,
seperti frekuensi, untuk mendapatkan wawasan. Kita perlu
menjauh dari tabel sepenuhnya dan mengkodekan frekuensi
setiap digit. Cara paling efektif adalah dengan menggunakan
panjang, yang bisa kita lakukan dalam diagram batang.
Gambar 1.8 menunjukkan frekuensi setiap digit. Kami juga
mewarnai bilah yang menunjukkan angka 9.

Karena tugasnya adalah menghitung angka 9 di sumber data, diagram

batang adalah salah satu cara terbaik untuk melihat hasilnya. Hal ini
karena panjang dan posisi adalah yang terbaik untuk perbandingan
kuantitatif. Jika kita memperluas contoh ini untuk terakhir kalinya dan

Gambar 1.7 Mewarnai setiap angka hampir sama buruknya dengan mempertimbangkan angka mana yang paling umum, kita dapat
tidak memiliki warna. mengurutkan batangnya, seperti yang ditunjukkan pada Gambar 1.9.
 bagaimana Kami Memvisualisasikan data? 9

ketahui juga bahwa 9 adalah angka ketiga yang paling umum

dalam tabel. Kita juga dapat melihat frekuensi setiap digit lainnya.

Rangkaian contoh yang baru saja kami sajikan menggunakan

warna, ukuran, dan panjang untuk menyorot angka 9. Ini adalah
tiga dari banyak atribut preattentive. Gambar 1.10 menunjukkan 12
yang umum digunakan dalam visualisasi data.

Beberapa di antaranya mungkin Anda kenal dari grafik yang

pernah Anda lihat. Kuartet Anscombe (lihat Gambar 1.1)
menggunakan pengelompokan posisi dan spasial. Koordinat x
dan y adalah untuk posisi, sedangkan pengelompokan spasial
memungkinkan kita melihat outlier dan polanya.

Atribut preattentif memberi kita cara untuk menyandikan data

dalam bagan. Kita akan membahasnya secara lebih rinci sebentar
Gambar 1.8 Ada 13 angka 9. lagi, tapi sebelumnya kita sudah membahas tentang data.

Singkatnya, kita telah melihat betapa kuatnya sistem visual dan

melihat beberapa fitur visual yang dapat kita gunakan untuk
menampilkan data secara efektif. Sekarang kita perlu melihat
berbagai jenis data, untuk memilih pengkodean visual terbaik
untuk setiap jenis.

Gambar 1.9Bagan batang yang diurutkan menggunakan warna dan panjang untuk

menunjukkan berapa banyak angka 9 di tabel kita.

Rangkaian contoh angka 9 ini menekankan kembali pentingnya

memvisualisasikan data. Seperti halnya Kuartet Anscombe, kami beralih dari

tabel angka yang sulit dibaca ke diagram batang yang mudah dibaca. Dalam

diagram batang yang diurutkan, kita tidak hanya dapat menghitung angka 9

(tugas awal), tetapi kita juga dapat menghitungnya Gambar 1.10 Fitur preattentif.
10 Visualisasi data Bab 1: Primer

jenis data • Brent Spinertanggal lahiradalah Rabu, 2

Februari 1949.
Ada tiga jenis data: kategorikal, ordinal, dan kuantitatif. Mari kita
• Dia muncul di ketujuhmusimdariStar Trek:
gunakan foto laut untuk membantu kita mendefinisikan setiap jenis.
Generasi Selanjutnya.
Kategori data • Datapangkatadalah letnan komandan.
• Data adalah yang kelima dari enamandroid
Kategoris(ataunominal)datamewakilihal-hal. Hal-hal ini
dibuatoleh Dr.
adalah label yang saling eksklusif tanpa nilai numerik apa pun.
Data nominal apa yang dapat kita gunakan untuk
Jenis data ordinal lainnya mencakup pengalaman
mendeskripsikan pria yang bersama saya pada Gambar 1.11?
pendidikan, tingkat kepuasan, dan kelompok gaji dalam
suatu organisasi. Meskipun nilai ordinal sering kali memiliki
• Miliknyanamaadalah Brent Spiner.
angka yang terkait dengannya, interval antara nilai tersebut
• Olehprofesidia adalah seorang aktor. bersifat arbitrer. Misalnya, perbedaan dalam suatu
• Dia memainkankarakterData di acara TVStar Trek: organisasi antara skala gaji 1 dan 2 mungkin sangat
Generasi Selanjutnya. berbeda dengan perbedaan antara skala gaji 4 dan 6.

Data kuantitatif
Data kuantitatifadalah angkanya.Kuantitatif(atau
numerik) data adalah data yang dapat diukur dan
dikumpulkan.

• Brent Spinertanggal lahiradalah Rabu, 2

Februari 1949.
• Miliknyatinggitingginya 5 kaki 9 inci (180 cm).

• Dia menghasilkan 177penampilandalam episodePerjalanan Bintang.

Gambar 1.11 Salah satu penulis Anda (Andy, di sebelah kanan) • Otak positronik data mampu menghasilkan 60 triliun
dengan seorang selebriti. operasi per detik.
Sumber: Foto penulis
Anda mungkin telah memperhatikan bahwa tanggal lahir muncul

Nama, profesi, karakter, dan acara TV semuanya dalam tipe data ordinal dan kuantitatif. Waktu tidak biasa karena

merupakan tipe data kategorikal. Contoh lainnya termasuk bisa menjadi keduanya. Di Bab 31, kita melihat secara detail

gender, kategori produk, kota, dan segmen pelanggan. bagaimana Anda memperlakukan waktu memengaruhi pilihan
jenis visualisasi Anda.

Data Biasa
Jenis ukuran kuantitatif lainnya mencakup penjualan,
Data biasamirip dengan data kategorikal, hanya saja keuntungan, nilai ujian, tampilan halaman, dan jumlah
urutannya jelas. Mengacu pada Brent Spiner: pasien di rumah sakit.
 bagaimana Kami Memvisualisasikan data? 11

Data kuantitatif dapat dinyatakan dalam dua cara: sebagai data pengkodean data dalam Bagan
diskrit atau kontinu. Data terpisah disajikan pada titik yang
Kita sekarang telah melihat atribut-atribut dan tiga jenis data dengan penuh
telah ditentukan dan tepat—tidak ada “di antara keduanya”.
perhatian. Saatnya untuk melihat bagaimana menggabungkan pengetahuan
Misalnya, Brent Spiner muncul di 177 episodePerjalanan
tersebut ke dalam pembuatan grafik. Mari kita lihat beberapa bagan dan
Bintang; dia tidak mungkin muncul dalam 177,5 episode. Data
lihat bagaimana bagan tersebut mengkodekan berbagai jenis data. Bertahan
berkelanjutan memungkinkan terjadinya “di antara”, karena
denganPerjalanan Bintang, Gambar 1.12 menunjukkan rating IMDB.com
terdapat kemungkinan nilai perantara dalam jumlah tak
setiap episodenyaStar Trek: Generasi Selanjutnya.
terhingga. Misalnya, Brent Spiner tumbuh hingga ketinggian 5
kaki 9 inci tetapi pada suatu saat dalam hidupnya dia tingginya Tabel 1.3 menunjukkan berbagai tipe data, jenis
4 kaki 7,5 inci. datanya, dan cara pengkodeannya.

Gambar 1.12Setiap episodeStar Trek: Generasi Selanjutnyadinilai.

Sumber: IMDB.com

Tabel 1.3 Data yang digunakan pada Gambar 1.12.

Data Tipe data pengkodean Catatan

Episode Kategoris Posisi Setiap episode diwakili oleh sebuah titik. Setiap titik mempunyai posisinya masing-masing pada

Nomor Episode Urut Posisi kanvas. Sumbu x menunjukkan jumlah setiap episode di setiap musim.

Musim Urut Warna Setiap musim diwakili oleh warna (hue) yang berbeda.
Posisi Setiap musim juga memiliki bagiannya sendiri di grafik.

Peringkat IMDB Urut Posisi Semakin baik episodenya, semakin tinggi pula posisinya pada sumbu y.

Musim rata-rata Kuantitatif Posisi Bilah horizontal di setiap panel menunjukkan rating rata-rata episode di setiap musim. Ada
peringkat beberapa kontroversi mengenai apakah Anda harus membuat rata-rata peringkat ordinal. Kami
percaya bahwa praktik pemberian rating ini sangat umum sehingga dapat diterima.
12 Visualisasi data Bab 1: Primer

Mari kita lihat beberapa diagram lagi untuk melihat bagaimana fitur mengetahui jenis data apa yang sedang dibuat grafiknya dan
preattentive digunakan. Gambar 1.13 berasal dariSang Ekonom. bagaimana data tersebut dikodekan.
Lihatlah setiap bagan dan lihat apakah Anda bisa mengerjakannya
Tabel 1.4 menunjukkan bagaimana setiap tipe data dikodekan.

Gambar 1.13“Rekor yang buruk” dariSang Ekonom, Juli 2016.

Sumber: MULAI, Universitas Maryland.Sang Ekonom, http://tabsoft.co/2agK3if

Tabel 1.4 Data yang digunakan berupa diagram batang pada Gambar 1.13.

Data Tipe data pengkodean Catatan

Negara Kategoris Posisi Setiap negara berada pada barisnya masing-masing (diurutkan berdasarkan total kematian).

Meninggal Kuantitatif Panjang Panjang bilah menunjukkan jumlah kematian.

Tipe kematian Kategoris Warna Biru tua menunjukkan kematian korban, biru muda menunjukkan kematian pelaku.
Serangan Kuantitatif Ukuran Lingkaran di sebelah kanan berukuran sesuai dengan jumlah serangan.
 bagaimana Kami Memvisualisasikan data? 13

Mari kita lihat contoh lainnya. Gambar 1.14 adalah bagian dari Bagaimana Anda melakukannya? Saat Anda melanjutkan membaca
proyek Makeover Monday yang dijalankan oleh Andy Cotgreave buku ini, hentikan dan analisis beberapa tampilan dalam skenario:
dan Andy Kriebel sepanjang tahun 2016. Entri ini dibuat oleh Dan Pikirkan tentang tipe data mana yang digunakan dan bagaimana
Harrison. Dibutuhkan data kematian akibat malaria dari Organisasi data tersebut dikodekan.
Kesehatan Dunia. Tabel 1.5 menjelaskan data yang digunakan
dalam grafik.

Gambar 1.14Kematian akibat malaria, 2000–2014.

Sumber: Organisasi Kesehatan Dunia. Bagan bagian dari proyek Makeover Monday

Tabel 1.5 Data yang digunakan berupa diagram batang pada Gambar 1.14.

Data Tipe data pengkodean Catatan

Negara Kategoris Posisi Peta tersebut menunjukkan posisi masing-masing negara. Pada tabel highlight, setiap negara
memiliki barisnya masing-masing.

Kematian per juta Kuantitatif Warna Peta dan tabel menggunakan legenda warna yang sama untuk menunjukkan kematian per juta orang.

Tahun Urut Posisi Setiap tahun adalah kolom terpisah dalam tabel.
14 Visualisasi data Bab 1: Primer

Gambar 1.15Visualisasi pemenang oleh Shine Pulikathara pada kompetisi Tableau Iron Viz 2015.
Sumber: Digunakan dengan izin dari Shine Pulikathara.

Warna Warna harus digunakan dengan sengaja. Misalnya,

warna dapat digunakan untuk menarik perhatian
Warna adalah salah satu hal terpenting untuk dipahami dalam
pembaca, menyorot sebagian data, atau
visualisasi data dan sering disalahgunakan. Anda tidak boleh
membedakan berbagai kategori.
menggunakan warna hanya untuk membumbui visualisasi
yang membosankan. Faktanya, banyak visualisasi data yang Penggunaan Warna
bagus tidak menggunakan warna sama sekali dan bersifat
Warna harus digunakan dalam visualisasi data dalam tiga
informatif serta indah.
cara utama:sekuensial,menyimpang, Dankategoris.

Pada Gambar 1.15 terlihat visualisasi Shine Pulikathara yang menjadi

Selain itu, sering kali ada kebutuhan untuk melakukan hal tersebut
juara pada kompetisi Tableau Iron Viz tahun 2015. Perhatikan
menyorotdata atau peringatanpembaca sesuatu yang penting.
penggunaan warnanya yang sederhana.
Gambar 1.16 memberikan contoh masing-masing skema warna.
Gambar 1.16Penggunaan warna dalam visualisasi data.
16 Visualisasi data Bab 1: Primer

Warna berurutanadalah penggunaan satu warna dari terang ke gelap. Contohnya

adalah mengkodekan jumlah total penjualan menurut negara bagian dengan

warna biru, dengan warna biru yang lebih tua menunjukkan penjualan yang lebih

tinggi dan warna biru yang lebih terang menunjukkan penjualan yang lebih

rendah. Gambar 1.17 menunjukkan tingkat pengangguran menurut negara bagian

dengan menggunakan skema warna berurutan.

Gambar 1.17Tingkat pengangguran menurut negara bagian

menggunakan skema warna berurutan.

Warna yang berbedadigunakan untuk menunjukkan rentang

yang menyimpang dari titik tengah. Warna ini dapat digunakan
dengan cara yang sama seperti skema warna berurutan namun
dapat mengkodekan dua rentang ukuran yang berbeda (positif
dan negatif) atau rentang ukuran antara dua kategori.
Contohnya adalah sejauh mana pemilih dapat memilih Partai
Demokrat atau Republik di setiap negara bagian, seperti yang
ditunjukkan pada Gambar 1.18.

Gambar 1.18Tingkat sentimen pemilih Partai Demokrat (biru)

versus Partai Republik (merah) di setiap negara bagian.

Warna divergen juga dapat digunakan untuk

menunjukkan cuaca, biru menunjukkan suhu lebih
dingin dan merah menunjukkan suhu panas. Titik
tengahnya dapat berupa rata-rata, target, atau nol jika
terdapat angka positif dan negatif. Gambar 1.19
menunjukkan contoh keuntungan menurut negara
bagian, dimana keuntungan (angka positif) ditunjukkan
dengan warna biru dan kerugian (angka negatif)
ditunjukkan dengan warna oranye.

Gambar 1.19Untung menurut negara bagian menggunakan skema warna yang berbeda.
 Warna 17

Warna kategorismenggunakan corak warna yang berbeda untuk

membedakan antara kategori yang berbeda. Misalnya, kita dapat
menetapkan kategori yang melibatkan pakaian (misalnya sepatu, kaus
kaki, kemeja, topi, dan mantel) atau jenis kendaraan (misalnya mobil,
minivan, kendaraan sport, dan sepeda motor). Gambar 1.20
menunjukkan jumlah perlengkapan kantor dalam tiga kategori.

Sorot warnadigunakan ketika ada sesuatu yang perlu menonjol

bagi pembaca, tetapi tidak mengingatkan atau membuat mereka
khawatir. Sorotan dapat digunakan dalam beberapa cara, seperti
menyorot titik data tertentu, teks dalam tabel, garis tertentu pada
diagram garis, atau batang tertentu dalam diagram batang.
Gambar 1.21 menunjukkan grafik kemiringan dengan satu
keadaan yang disorot dengan warna biru.

Gambar 1.20Jumlah perlengkapan kantor dalam tiga

kategori menggunakan skema warna kategorikal.

Warna peringatandigunakan ketika ada kebutuhan untuk menarik

perhatian pembaca pada sesuatu. Dalam hal ini, seringkali yang terbaik
adalah menggunakan warna-warna cerah dan mengkhawatirkan, yang
akan dengan cepat menarik perhatian pembaca, seperti pada Gambar
1.22.

Gambar 1.22Indikator berwarna merah dan oranye untuk mengingatkan

Gambar 1.21Slopegraph menampilkan penjualan menurut negara bagian, pembaca bahwa ada sesuatu di dashboard yang perlu diperhatikan.
2014–2015, menggunakan satu warna untuk menyorot negara bagian

Washington.
18 Visualisasi data Bab 1: Primer

Dimungkinkan juga untuk memiliki akategoris-sekuensial skema

warna. Dalam hal ini, setiap kategori memiliki rona berbeda yang
lebih gelap atau lebih terang bergantung pada pengukuran yang
diwakilinya. Gambar 1.23 menunjukkan contoh peta empat wilayah
yang menggunakan warna-warna kategoris (yaitu abu-abu, biru,
kuning, dan coklat) namun pada saat yang sama mengkodekan
ukuran di wilayah tersebut menggunakan warna berurutan; mari
kita asumsikan bahwa penjualan lebih tinggi di negara bagian
dengan warna lebih gelap.

Defisiensi penglihatan warna (Buta Warna)

Gambar 1.23Penjualan berdasarkan wilayah menggunakan empat warna
Berdasarkan penelitian (Birch 1993), sekitar 8 persen
kategori dan total penjualan ditampilkan dengan warna berurutan.
laki-laki mengalami defisiensi penglihatan warna (CVD)
dibandingkan hanya 0,4 persen perempuan.
Kekurangan ini disebabkan oleh kurangnya salah satu
dari tiga jenis kerucut pada mata yang diperlukan untuk
melihat semua warna. Kekurangan ini umumnya disebut
CVD sebagian besar bersifat turun-temurun, dan, seperti yang Anda
sebagai “buta warna”, namun istilah tersebut tidak
lihat dari angka-angkanya, penyakit ini terutama menyerang laki-laki.
sepenuhnya akurat. Orang yang menderita CVD
Delapan persen laki-laki mungkin tampak seperti jumlah yang kecil,
sebenarnya dapat melihat warna, namun mereka tidak
namun pertimbangkan bahwa dalam kelompok yang terdiri dari
dapat membedakan warna dengan cara yang sama
sembilan laki-laki, terdapat lebih dari 50 persen kemungkinan salah
seperti orang lain. Istilah yang lebih akurat adalah
satu dari mereka mengidap CVD. Dalam kelompok yang terdiri dari 25
“defisiensi penglihatan warna.” Tergantung pada kerucut
pria, terdapat kemungkinan 88 persen salah satu dari mereka
mana yang kurang, akan sangat sulit bagi penderita CVD
menderita CVD. Angka ini juga meningkat di kalangan pria Kaukasia,
untuk membedakan warna tertentu karena cara mereka
mencapai 11 persen. Di perusahaan besar atau ketika visualisasi data
melihat spektrum warna.
disajikan kepada masyarakat umum, desainer harus memahami CVD
dan mendesainnya dengan mempertimbangkan hal tersebut.
Ada tiga jenis CVD:

1.Protanopiaadalah kurangnya kerucut gelombang panjang (merah

lemah). Masalah utama penderita CVD adalah warna merah dan hijau.
Inilah sebabnya mengapa sebaiknya hindari penggunaan warna
2.Deuteranopiaadalah kurangnya kerucut gelombang menengah
merah dan hijau secara bersamaan dan, secara umum, hindari
(hijau lemah).
warna lampu lalu lintas yang umum digunakan. Kami membahas
3.Tritanopiaadalah kurangnya kerucut gelombang pendek (biru). masalah ini lebih lanjut di Bab 33 dan menawarkan beberapa solusi
(Hal ini sangat jarang terjadi, hanya terjadi pada kurang dari untuk menggunakan warna merah dan hijau secara bersamaan.
0,5 persen populasi.)
 Warna 19

Melihat Masalahnya Sendiri Salah satu solusi umum di kalangan praktisi visualisasi data adalah
dengan menggunakan warna biru dan oranye. Menggunakan
Mari kita lihat beberapa contoh bagaimana pemilihan warna yang
warna biru sebagai ganti hijau untukBagusdan oranye bukannya
buruk dapat menimbulkan kebingungan bagi penderita CVD.
merah untukburuk berfungsi dengan baik karena hampir semua
orang (dengan pengecualian yang sangat jarang) dapat
Pada Gambar 1.24, grafik di sebelah kiri menggunakan
membedakan warna biru dan oranye satu sama lain. Palet biru-
warna lampu lalu lintas tradisional merah, kuning, dan
oranye ini sering disebut sebagai “ramah buta warna”.
hijau. Contoh di sebelah kanan adalah simulasi protanopia
untuk CVD.
Dengan menggunakan Gambar 1.25, bandingkan kembali
skema warna biru/oranye dan simulasi protanopia CVD.

Gambar 1.24Diagram batang menggunakan warna lampu lalu lintas dan simulasi protanopia. Perhatikan bilah merah dan
hijau pada panel sebelah kanan sangat sulit dibedakan satu sama lain bagi pengidap protanopia.

Gambar 1.25Bagan batang menggunakan palet biru dan oranye ramah buta warna serta simulasi protanopia.
20 Visualisasi data Bab 1: Primer

Masalahnya Lebih Luas Dari Gambar 1.26 menunjukkan diagram sebar menggunakan warna coklat,
Sekadar Merah dan Hijau oranye, dan hijau secara bersamaan untuk tiga kategori. Saat
menerapkan simulasi protanopia, titik-titik pada diagram sebar tampak
Penggunaan warna merah dan hijau sering dibahas dalam
memiliki warna yang sangat mirip.
bidang visualisasi data, mungkin karena palet warna lampu lalu
lintas lazim di banyak program perangkat lunak dan umum
Salah satu kombinasi warna yang sering diabaikan adalah biru dan
digunakan dalam bisnis saat ini. Dalam budaya Barat, sudah
ungu secara bersamaan. Dalam model warna RGB (merahhijau-
lazim mengasosiasikan warna merah dengan keburukan dan
biru), ungu diperoleh dengan menggunakan warna biru dan merah
hijau dengan kebaikan. Namun, penting untuk dipahami
secara bersamaan. Jika seseorang dengan CVD memiliki masalah
bahwa masalah dalam membedakan warna pada penderita
dengan warna merah, maka dia mungkin juga memiliki masalah
CVD jauh lebih kompleks daripada sekadar merah dan hijau.
dengan warna ungu, yang terlihat seperti biru. Kombinasi warna
Karena warna merah, hijau, dan oranye semuanya tampak
lain juga bisa menjadi masalah. Misalnya, orang mungkin
berwarna coklat bagi penderita CVD kuat, akan lebih akurat
mengalami kesulitan dengan warna merah jambu atau merah
untuk mengatakan “Jangan gunakan warna merah, hijau,
yang digunakan dengan abu-abu atau abu-abu yang digunakan
coklat, dan oranye secara bersamaan.”
bersama dengan coklat.

Gambar 1.26 Scatterplot yang mensimulasikan defisiensi penglihatan warna untuk penderita protanopia.
 Warna 21

Gambar 1.27 menunjukkan diagram sebar lainnya, kali ini adobe ilustrator CC.Program ini menawarkan simulasi
menggunakan warna biru, ungu, magenta, dan abu-abu. Saat CVD bawaan di menu Tampilan di bawah Pengaturan
menerapkan simulasi deuteranopia, titik-titik pada diagram sebar Bukti.
tampak memiliki warna abu-abu yang sangat mirip.
Simulator Visi Berwarna (gratis).Situs web Kazunori
Asada yang luar biasa memungkinkan pengguna
Penting untuk memahami masalah ini saat merancang
mengunggah gambar dan menyimulasikan tampilannya
visualisasi. Jika warna digunakan untuk menyandikan data dan
di hadapan orang-orang dengan berbagai bentuk CVD.
pembaca perlu membedakan warna untuk memahami
Lihat http://asada.tukusi.ne.jp/webCVS/
visualisasinya, maka pertimbangkan untuk menggunakan palet
ramah buta warna. Berikut adalah beberapa sumber yang Simulator visi NoCoffee (gratis).Simulator gratis untuk browser

dapat Anda gunakan untuk mensimulasikan berbagai jenis CVD Chrome ini memungkinkan pengguna untuk mensimulasikan

untuk visualisasi Anda sendiri. situs web dan gambar langsung dari browser.

Gambar 1.27Scatterplot yang mensimulasikan defisiensi penglihatan warna untuk penderita deuteranopia.
22 Visualisasi data Bab 1: Primer

Jenis Bagan Umum

Dalam buku ini, Anda akan melihat berbagai jenis grafik. Kami menjelaskan dalam skenario mengapa banyak bagan dipilih untuk
memenuhi tugas tertentu. Di bagian ini, kami menguraikan secara singkat jenis bagan yang paling umum. Daftar ini sengaja dibuat
pendek. Bahkan jika Anda hanya menggunakan bagan yang tercantum di sini, Anda akan mampu memenuhi sebagian besar kebutuhan
saat memvisualisasikan data Anda. Jenis bagan tingkat lanjut yang terlihat di seluruh buku ini dibuat dari blok penyusun yang sama
seperti ini. Misalnya, grafik mini, yang diperlihatkan di Bab 6, 8, dan 9, adalah sejenis diagram garis. Bagan peluru, yang digunakan di Bab
17, adalah bagan batang dengan garis referensi dan bayangan bawaan. Terakhir, bagan air terjun, yang ditunjukkan di Bab 24, adalah
bagan batang yang batangnya tidak memiliki garis dasar yang sama.

Grafik batang Bagan garis deret waktu

Gambar 1.29Bagan garis deret waktu.

Gambar 1.28Grafik batang.

Diagram batang (lihat Gambar 1.28) menggunakan panjang Grafik garis (lihat Gambar 1.29) biasanya menunjukkan
untuk mewakili suatu ukuran. Manusia sangat pandai melihat perubahan seiring waktu. Waktu diwakili oleh posisi pada
perbedaan kecil sekalipun dari garis dasar yang sama. Batang sumbu x horizontal. Besarannya ditunjukkan pada sumbu y
banyak digunakan dalam visualisasi data karena sering kali vertikal. Ketinggian dan kemiringan garis memungkinkan kita
merupakan cara paling efektif untuk membandingkan kategori. melihat tren.
Batangan dapat diorientasikan secara horizontal atau vertikal.
Menyortirnya bisa sangat membantu karena tugas paling
umum saat diagram batang digunakan adalah menemukan
item terbesar/terkecil.
 Jenis Bagan Umum 23

plot sebar titik Plot

Gambar 1.30plot sebar. Gambar 1.31Plot titik.

Plot sebar (lihat Gambar 1.30) memungkinkan Anda Plot titik (lihat Gambar 1.31) memungkinkan Anda membandingkan nilai

membandingkan dua ukuran berbeda. Setiap ukuran dalam dua dimensi. Dalam contoh kita, setiap baris menunjukkan penjualan

dikodekan menggunakan posisi pada sumbu horizontal berdasarkan mode pengiriman. Titik-titik tersebut menunjukkan penjualan

dan vertikal. Scatterplot berguna ketika mencari untuk setiap mode kapal, dikelompokkan berdasarkan setiap segmen. Pada

hubungan antara dua variabel. contoh tersebut, Anda dapat melihat bahwa penjualan korporat paling tinggi

dengan mode kapal kelas standar.

24 Visualisasi data Bab 1: Primer

Peta Choropleth Peta Simbol

Gambar 1.32Peta Choropleth.

Peta choropleth (juga dikenal sebagai peta terisi) (lihat Gambar

1.32) menggunakan perbedaan bayangan atau pewarnaan dalam
Gambar 1.33 Peta simbol.
area yang telah ditentukan untuk menunjukkan nilai atau kategori
di area tersebut.
Peta simbol (lihat Gambar 1.33) menunjukkan nilai di
tempat tertentu. Ini bisa berupa titik pusat wilayah yang
luas (misalnya, pusat setiap negara bagian AS) atau lokasi
tertentu yang ditentukan oleh pengukuran garis lintang/
bujur yang tepat.

hindari diagram lingkaran

W hy, bukankah ada diagram lingkarannya? Diagram lingkaran

adalah diagram umum, namun memiliki kelemahan. Kami tidak

menyarankan Anda menggunakannya. Periksa

bagian berjudul “Ketika Sistem Pemrosesan Visual Kita
Mengkhianati Kita” untuk mengetahui detailnya.
 Jenis Bagan Umum 25

meja
Terkadang Anda memang harus bisa mencari nilai pastinya. Tabel
(lihat Gambar 1.34) adalah cara yang dapat diterima untuk
menampilkan data dalam situasi tersebut. Di sebagian besar
dasbor, tabel menampilkan detail di samping diagram ringkasan.

Gambar 1.34Meja.

tabel sorot
Menambahkan pengkodean warna ke tabel Anda dapat mengubahnya

menjadi tampilan yang sangat visual yang juga memungkinkan pencarian

nilai apa pun secara tepat. (lihat Gambar 1.35.)

Gambar 1.35Sorot tabel.

Grafik poin
Grafik bullet (lihat Gambar 1.36) adalah salah satu cara
terbaik untuk menunjukkan perbandingan aktual versus
target. Bilah biru menunjukkan nilai aktual, garis hitam
menunjukkan nilai target, dan area berwarna abu-abu
menunjukkan pita kinerja.

Gambar 1.36Meja.
26 Visualisasi data Bab 1: Primer

Ketika Sistem Pemrosesan visual kita

Mengkhianati Kita
Kita telah membahas tentang cara menggunakan atribut
preattentive untuk membuat visualisasi data yang baik. Dengan
menggunakan atribut tersebut, kita dapat menggunakan kekuatan
sistem visual kita untuk keuntungan kita. Sayangnya, sistem visual
kita juga mudah dibingungkan. Di bagian ini, kita melihat beberapa
kendala umum.

Mata kita bisa ditipu dengan berbagai cara.

Gambar 1.37 dan 1.38 menunjukkan dua ilusi optik.

Pada Gambar 1.38, bagian atas tampak seperti permukaan abu-abu

Gambar 1.38 Apakah bagian atas tampak lebih gelap dari pada
dengan penerangan baik dan bagian bawah tampak seperti permukaan
dasar? Letakkan ibu jari atau jari Anda di atas garis
putih dengan penerangan redup dan berada dalam bayangan. Namun,
tengah lalu coba lagi.
tidak ada bayangan. Dr Lotto menambahkan gradien dan bayangan ke
Sumber: Gambar oleh R. Beau Lotto.
gambar. Pikiran kita tidak bisa tidak melihat bayangan, membuat
bagian atas tampak jauh lebih gelap daripada bagian bawah, tetapi jika
pada gambar, terlihat jelas bahwa bagian atas dan bawah
Anda menutupi bagian tengahnya,
memiliki warna yang sama persis.

Ambiguitas dalam gambar menimbulkan ilusi yang lucu, namun hal

ini bisa menjadi bencana jika visualisasi data Anda
membingungkan dan bukannya memperjelas. Di bagian
sebelumnya, kita melihat kekuatan atribut preattentive. Sekarang
saatnya untuk melihat masalah dengan beberapa atribut yang
perlu diperhatikan. Sepanjang buku ini, kami membahas atribut
preattentive mana yang digunakan dalam skenario dan mengapa
atribut tersebut berhasil dalam setiap kasus.

Saat kita memvisualisasikan data, sebagian besar kita mencoba

menyampaikan nilai pengukuran dengan cara yang dapat
Gambar 1.37 Apakah itu bebek atau kelinci? diinterpretasikan seakurat mungkin dalam waktu sesingkat
Sumber: Domain publik. https://commons.wikimedia.org/w/ mungkin. Beberapa atribut preattentif lebih baik daripada
index.php?curid=667017 atribut lainnya untuk tujuan ini.
Gambar 1.39 menunjukkan jumlah kematian setiap hari
akibat berbagai penyakit di Afrika. Setiap lingkaran
berukuran sesuai dengan jumlah kematian. Kami telah
menghapus semua label kecuali label malaria (552
kematian per hari). Berapa banyak kematian per hari
akibat diare? Seberapa besar lingkaran HIV/AIDS
dibandingkan lingkaran diare?

Bagaimana Anda melakukannya? Jawaban sebenarnya ditunjukkan pada

Gambar 1.40.

Gambar 1.39Kematian per hari di negara-negara yang terkena dampak

Ebola pada tahun 2014. Kami menghapus semua label kecuali label
malaria. Bisakah Anda memperkirakan jumlah kematian akibat penyakit
lainnya?
Sumber: Organisasi Kesehatan Dunia; Pusat Pengendalian dan
Pencegahan Penyakit AS;Sang Ekonom, http://tabsoft.co/1w1vwAc
Gambar 1.40Kematian per hari akibat berbagai penyakit di negara-negara

yang terkena dampak Ebola, dengan label tambahan.

Sumber: Organisasi Kesehatan Dunia; Pusat Pengendalian dan

Pencegahan Penyakit AS;Sang Ekonom, http://tabsoft.co/
1w1vwAc
 Ketika Sistem Pemrosesan Visual Mengkhianati kita 29

Kebanyakan orang meremehkan ukuran lingkaran yang lebih besar. secara akurat Anda dapat melihat perbedaannya. Inilah sebabnya mengapa

Intinya adalah meskipun ukuran perlu diperhatikan, kami tidak dapat diagram batang merupakan diagram yang dapat diandalkan untuk

membedakannya dengan akurat. Pertimbangkan data yang sama yang digunakan: Panjang adalah salah satu atribut perhatian yang paling efisien

ditunjukkan sebagai diagram batang pada Gambar 1.41. untuk kami proses.

Dalam diagram batang, kami mengkodekan variabel kuantitatif,

kematian per hari, menggunakan panjangnya. Perhatikan caranya

Gambar 1.41Versi diagram batang dari diagram lingkaran.

30 Visualisasi data Bab 1: Primer

Namun menggunakan beberapa atribut preattentive dalam satu bagan menunjukkan segmen yang berbeda, dan bentuk menunjukkan
dapat menimbulkan masalah. Gambar 1.42 menunjukkan diagram kategori produk. Kategori manakah yang rata-rata memiliki
sebar penjualan dan laba untuk perusahaan penjualan fiktif. Posisi keuntungan tertinggi?
digunakan untuk penjualan (sumbu x) dan laba (sumbu y). Warna

Gambar 1.42Scatterplot menggunakan bentuk dan warna. Kategori manakah yang memiliki keuntungan tertinggi?
 Ketika Sistem Pemrosesan Visual Mengkhianati kita 31

Gambar 1.43Penjualan dan keuntungan dengan satu kolom untuk setiap kategori.

Hampir mustahil untuk melihat apa pun, bukan? keuntungan dibandingkan furnitur dan perlengkapan kantor. Wawasan
Pencampuran posisi, warna, dan bentuk tidak membuat itu tentu saja tidak terlihat pada diagram sebar pertama.
pembacaan mudah. Apa solusi yang lebih baik? Bagaimana
jika menggunakan posisi untuk mewakili kategori, Untuk menutup bagian ini, mari kita lihat beberapa tipe grafik yang
membagi satu diagram sebar menjadi tiga panel? Hal ini mungkin akan membuat Anda terkejutbukanuntuk dilihat pada tipe
ditunjukkan pada Gambar 1.43. grafik umum kita. Yang pertama adalah diagram lingkaran. Tentu, ini
adalah grafik umum, namun kami tidak menyarankan Anda
Hasilnya jauh lebih jelas. Sekarang Anda bahkan dapat melihat bahwa menggunakannya. Mari kita lihat mengapa diagram lingkaran tidak
penjualan teknologi rata-rata memiliki kisaran yang lebih tinggi cocok dengan sistem visual kita.
32 Visualisasi data Bab 1: Primer

Gambar 1.44Berapa persentase setiap kue yang diwakili oleh segmen biru?

Lihatlah Gambar 1.44. Berapa persentase setiap lingkaran 13 persen. Bagaimana Anda melakukannya? Kita tidak mampu
yang tercakup oleh segmen biru? membuat perkiraan ukuran sudut secara akurat, dan jika tujuannya
adalah perkiraan yang akurat, maka hal ini menjadi masalah.
Yang sebelah kiri cukup mudah: 25 persen. Tengah?
Ini sedikit lebih sulit. Itu juga 25 persen, tapi karena Mari kita lihat kue lainnya. Potongan terbesar pada Gambar
tidak sejajar dengan sumbu horizontal atau vertikal, 1.45 mudah dikenali. Namun bagaimana dengan potongan
lebih sulit ditentukan. Dan di sebelah kanan? Dia terbesar kedua, ketiga, dan keempat?

Gambar 1.45Bisakah Anda mengurutkan potongan dari yang terbesar ke terkecil?

 Ketika Sistem Pemrosesan Visual Mengkhianati kita 33

Gambar 1.46Batangan memudahkan untuk melihat perbedaan

kecil dalam ukuran.

Gambar 1.47 Bagan donat konsentris (juga disebut a
Itu sangat sulit. Sekarang lihat data yang sama, yang ditunjukkan diagram batang radial).
dalam diagram batang, pada Gambar 1.46.

Bagan batang yang diurutkan memudahkan untuk membedakan

tergoda untuk menempatkannya dalam lingkaran, membentuk apa
perbedaan ukuran: Panjang adalah atribut visual yang sangat efektif,
yang dikenal sebagai bagan donat. Gambar 1.47 menunjukkan sebuah
kita dapat melihat perbedaan yang sangat kecil dengan mudah.
contoh.

Untuk membuat dasbor yang efektif, Anda harus menahan godaan

"Apa masalahnya?" Anda mungkin bertanya. “Perbandingannya
untuk menggunakan jenis bagan yang murni dekoratif.
tampaknya mudah.”

Mari kita lihat satu contoh lagi untuk menjauhkan Anda dari Meskipun Anda mungkin bisa membuat perbandingan, sebenarnya
iming-iming lingkaran. Kadang-kadang orang mengakui Anda bekerja jauh lebih keras dari yang seharusnya. Benar-benar.
kekuatan jeruji tetapi kemudian memahaminya Biarkan kami membuktikannya kepada Anda.
34 Visualisasi data Bab 1: Primer

Misalkan Anda ingin membandingkan ketinggian Sekarang mari kita lihat betapa mudahnya perbandingannya dengan donat.
tiga bangunan terkenal: One World Trade Center, (Lihat Gambar 1.49.)
Empire State Building, dan Chrysler Building. (Lihat
Gambar 1.48.)

Nah, itu perbandingan yang mudah. Dengan sedikit usaha,

kita dapat melihat One World Trade Center (biru) hampir
dua kali lebih tinggi dari Gedung Chrysler (merah).

Gambar 1.49Tiga bangunan besar dipelintir menjadi setengah

lingkaran.

Gambar 1.50 menyajikan bangunan yang sama yang dirender

menggunakan diagram donat konsentris. Dapatkah Anda
mengetahui perbedaan ketinggian bangunan pada gambar ini?

Gambar 1.50Tiga gedung pencakar langit menyendok.

Astaga!

Jadi, dengan contoh yang dibuat-buat namun mudah

diingat ini, kami mengambil sesuatu yang mudah untuk
Gambar 1.48 Membandingkan ukuran (dalam kaki) tiga besar dibandingkan (siluet bangunan) dan mengubahnya menjadi
bangunan. setengah lingkaran yang sulit untuk dibandingkan.
 setiap keputusan adalah Kompromi 35

setiap keputusan adalah Kompromi Perhatikan kompromi dalam bagan berlabel 1 dan 2. Bagan garis
standar (1) yang menunjukkan setiap produk memungkinkan kita
Bagaimana pun Anda memilih untuk menampilkan data, Anda
membandingkan penjualan setiap produk dengan sangat akurat.
akan menekankan satu fitur di atas fitur lainnya. Mari kita lihat
Bagan area (2) memungkinkan kita melihat total penjualan dari waktu
sebuah contoh. Tabel 1.6 menunjukkan tabel angka.
ke waktu dengan mudah, namun sekarang lebih sulit untuk
Bayangkan saja mereka adalah penjualan untuk dua produk, A
membandingkan kedua produk tersebut. Anda tidak dapat, dalam satu
dan B, selama 10 tahun.
bagan, menjawab setiap pertanyaan atau perbandingan yang mungkin
ada. Yang perlu Anda lakukan adalah menilai apakah bagan yang Anda
Gambar 1.51 menunjukkan delapan cara berbeda untuk memvisualisasikan
pilih menjawab pertanyaan yang diajukan.
data ini. Masing-masing menggunakan campuran atribut preattentive yang

berbeda.

Tabel 1.6Bagaimana Anda memvisualisasikan data ini?

2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 Total

A 100110140170 120 190 220 250 240 300 1.840

B 80 70 50 100 130 180 220 160 260 370 1.620

Gambar 1.51Delapan cara berbeda untuk memvisualisasikan data.

36 Visualisasi data Bab 1: Primer

merancang dashboard yang fungsional Anda mungkin terinspirasi untuk mencari tahu lebih lanjut.
dan indah Ada banyak buku hebat tentang teori dan penerapan ilmu
ini. Beberapa contoh dalam bab ini didasarkan pada
Anda sekarang memiliki kosakata yang cocok untuk
contoh-contoh yang pertama kali digunakan dalam
menafsirkan grafik dalam skenario dalam buku ini. Perhatikan
beberapa buku ini. Berikut rekomendasi kami:
bahwa kami belum menawarkan panduan dasar tentang
desain grafis. Sebaliknya, dalam setiap skenario, kami
Alberto KairoSeni Fungsional(Penunggang Baru, 2013).
menunjukkan di mana dan bagaimana elemen desain grafis,
Alberto Cairo adalah seorang penulis yang memahami
seperti spasi, font, tata letak grid, dan sebagainya,
perlunya menyeimbangkan fungsionalitas dengan
berkontribusi pada kejelasan dasbor.
keindahan dalam bagan. Buku ini adalah pengantar
inspiratif tentang grafik dan visualisasi informasi.
Kami berpendapat bahwa dasbor pertama-tama harus jujur
Stephen SedikitSekarang Anda Melihatnya(Pers Analisis, 2009). Ini
dan berfungsi, namun ada alasan mengapa Anda harus bekerja
adalah panduan praktis dan masuk akal untuk desain tabel dan
ekstra untuk membuat dasbor yang juga elegan. Kami
grafik. Ini menjelaskan dengan sangat rinci tentang masing-masing
merekomendasikan untuk mempertimbangkan pelajaran dari
jenis bagan utama, menjelaskan dengan jelas kapan
buku desain klasik, sepertiDesain Benda Sehari-harioleh
menggunakannya dan bagaimana menyusunnya dengan baik.
Donald A. Norman (Buku Dasar, 2013). Di dalamnya, Norman
berkata: milik Cole Nussbaumer KnaflicBercerita dengan Data (Wiley,
2015). Ini adalah panduan visualisasi data untuk profesional

Produk [harus] benar-benar memenuhi bisnis. Ini adalah tampilan yang dapat diakses tidak hanya

kebutuhan manusia sekaligus dapat dimengerti tentang anatomi bagan tetapi juga bagaimana merancang

dan digunakan. Dalam kasus terbaik, produk bagan untuk mengkomunikasikan pesan secara efektif.

juga harus menyenangkan dan menyenangkan, Gudang ColinVisualisasi Informasi: Persepsi untuk Desain
yang berarti bahwa tidak hanya persyaratan (Morgan Kauffman, 2013). Buku ini disebut sebagai kitab
teknik, manufaktur, dan ergonomis yang harus visualisasi data. Dalam lebih dari 500 halaman, buku ini
dipenuhi, namun perhatian harus diberikan mencakup setiap aspek ilmu persepsi dan perannya dalam
pada keseluruhan pengalaman, yang berarti visualisasi data. Ini adalah sumber daya yang sangat
estetika bentuk dan kualitas interaksi. (hal. 4) berharga bagi siapa pun yang mempraktikkan visualisasi
data.
Ringkasan Gudang ColinPemikiran Visual untuk Desain(Elsevier, 2008).
Colin Ware menyajikan analisis rinci tentang mekanisme kognisi
Bab ini telah membahas dasar-dasar visualisasi data. Jika Anda
visual. Buku ini mengajarkan kita bagaimana memandang
baru mengenal visualisasi, kini Anda memiliki pengetahuan
sebagai desainer dengan mengantisipasi bagaimana orang lain
yang cukup untuk menafsirkan grafik dalam buku ini. Anda
akan melihat desain kita. Ini adalah buku yang menyenangkan
akan dapat memecahkan kode sebagian besar grafik yang
untuk dibaca dan membuat informasi mendetail tentang ilmu
Anda temui. Terdapat juga daftar istilah bagan di bagian
kognitif mudah dicerna.
belakang buku untuk referensi lebih lanjut.