Tugas Peningkatan Efektivitas Bahan Visualisasi Data

Kajian Berdasarkan Prinsip Persepsi Visual, Rasio Data-Tinta, dan Kejelasan Informasi (Materi: Unsur dan Jenis Visualisasi)

---

1 Pendahuluan

Visualisasi data merupakan representasi grafis terstruktur yang bertujuan mentransmisikan informasi kuantitatif dan kualitatif secara efisien, akurat, serta dapat dipertanggungjawabkan secara metodologis. Sebagaimana dibahas dalam materi perkuliahan “Unsur dan Jenis Visualisasi”, perancangan grafik yang efektif menuntut kesesuaian antara pemetaan visual (posisi, panjang, sudut, luas, garis, simbol, dan warna) dengan skala pengukuran data yang bersangkutan (nominal, ordinal, maupun numerik).

Dokumen ini menyajikan evaluasi terhadap beberapa grafik dalam bahan perkuliahan yang menunjukkan ketidaksesuaian prinsip desain visualisasi. Ketidaksesuaian tersebut mencakup:

1. Ketidaktepatan pemilihan tipe diagram (chart selection mismatch).
2. Penyimpangan representasi proporsional terhadap besaran data numerik (Lie Factor \(\neq\) 1).
3. Penurunan efisiensi komunikasi akibat keberadaan elemen dekoratif non-data (chartjunk).
4. Ambiguitas interpretasi akibat penggunaan skala sumbu ganda (dual Y-axis artifact).
5. Bias perseptual pada visualisasi ketidakpastian (uncertainty display bias).

Seluruh grafik yang dievaluasi direkonstruksi dan dirancang ulang menggunakan paket ggplot2 di R dengan mengacu pada tiga kerangka teoretis:

Kerangka Teori Visualisasi Data

1. Cleveland & McGill (1984): Hirarki akurasi persepsi grafis (posisi pada skala bersama > panjang > sudut > luas > intensitas/saturasi warna).
2. Edward R. Tufte (1983, 2001): Integritas representasi grafis (Lie Factor mendekati 1.0), reduksi elemen non-data (chartjunk), dan optimalisasi rasio data-tinta (Data-Ink Ratio).
3. Claus O. Wilke (2019): Pedoman Fundamentals of Data Visualization, khususnya terkait penataan deret waktu, perbandingan proporsi kategori, dan visualisasi selang ketidakpastian.

---

2 Studi Kasus 1: Slide 6 — Tingkat Keterisian Tempat Tidur (BOR) RS di DKI Jakarta

Slide 6 | Kategori: Deret Waktu vs Proporsi Komposisi

2.0.1 Visualisasi Asli

Gambar 1.1: Tampilan Slide 6 — Infografis Berita Televisi mengenai Tingkat Keterisian Tempat Tidur (BOR) RS di DKI Jakarta.

Alasan Perbaikan

Visualisasi pada Slide 6 memuat beberapa ketidaksesuaian metodologis representasi data:

1. Ketidaksesuaian Tipe Diagram (Part-to-Whole Fallacy): Diagram lingkaran (pie chart) secara konseptual dirancang untuk menyajikan proporsi bagian terhadap suatu keutuhan agregat dengan total kumulatif tepat 100%. Data yang ditampilkan merupakan persentase keterisian tempat tidur pada empat tanggal pemantauan yang berbeda (29 Jan: 54%, 30 Jan: 57%, 31 Jan: 57%, dan 1 Feb: 60%). Jumlah kumulatif dari keempat nilai tersebut adalah 228%. Penggunaan diagram lingkaran untuk data deret waktu yang saling independen tidak sesuai dengan kaidah representasi komposisi.
2. Penyimpangan Representasi Skala Geometris (Lie Factor \(\neq\) 1): Keempat juring lingkaran digambarkan memiliki sudut dan luas yang identik, yaitu masing-masing 90° (25% dari lingkaran), meskipun nilai data numerik yang direpresentasikan berbeda-beda (berkisar antara 54% hingga 60%). Hal ini menimbulkan diskrepansi antara representasi geometris dan kuantitas data yang sebenarnya.
3. Keterbatasan Representasi Dinamika Temporal: Diagram berbentuk sirkular tidak memiliki sumbu waktu horizontal yang berurutan. Akibatnya, arah pergerakan, laju perubahan harian (rate of change), serta posisi relatif terhadap batas kapasitas aman fasilitas kesehatan tidak dapat diamati secara intuitif.

Perbaikan yang Dilakukan

1. Transformasi ke Diagram Garis Bertitik (Connected Point-Line Chart): Data dipetakan pada sumbu horizontal waktu berskala tanggal dan sumbu vertikal persentase, memanfaatkan posisi pada skala bersama yang memiliki akurasi perseptual tertinggi menurut Cleveland & McGill (1984).
2. Penyertaan Garis Ambang Batas Acuan (Benchmark Threshold): Ditambahkan garis referensi pada tingkat 60%, yang merepresentasikan batas pemanfaatan optimal tempat tidur rumah sakit menurut standar World Health Organization (WHO) / Kementerian Kesehatan, disertai pembagian zona waspada (caution zone).
3. Pemberian Label Nilai Langsung (Direct Labeling): Nilai persentase dicantumkan langsung pada masing-masing titik observasi guna meminimalkan kesalahan pembacaan interpolasi sumbu.
4. Peningkatan Rasio Data-Tinta: Menghilangkan bidang latar belakang berdensitas tinggi serta ornamen non-fungsional, sehingga fokus visual tertuju pada dinamika data.

2.0.2 3. Visualisasi Hasil Perbaikan

df_bor <- data.frame(
    tanggal = as.Date(c(
        "2021-01-29",
        "2021-01-30",
        "2021-01-31",
        "2021-02-01"
    )),
    label_tgl = c("29 Jan", "30 Jan", "31 Jan", "1 Feb"),
    bor = c(54, 57, 57, 60)
)

ggplot(df_bor, aes(x = tanggal, y = bor)) +
    # Area zona waspada kapasitas (>60%)
    annotate(
        "rect",
        xmin = as.Date("2021-01-28.5"),
        xmax = as.Date("2021-02-01.5"),
        ymin = 60,
        ymax = 68,
        fill = "#fee2e2",
        alpha = 0.5
    ) +
    # Garis referensi batas aman pemanfaatan kapasitas
    geom_hline(
        yintercept = 60,
        linetype = "dashed",
        color = "#b91c1c",
        linewidth = 0.85
    ) +
    # Gradien visual area di bawah kurva
    geom_ribbon(aes(ymin = 45, ymax = bor), fill = "#dbeafe", alpha = 0.45) +
    # Garis tren dan titik pengamatan
    geom_line(color = "#1d4ed8", linewidth = 1.2) +
    geom_point(
        color = "#1e40af",
        fill = "#ffffff",
        shape = 21,
        size = 4.2,
        stroke = 1.8
    ) +
    # Label data numerik langsung
    geom_label(
        aes(label = paste0(bor, "%")),
        vjust = -0.7,
        fontface = "bold",
        size = 4.0,
        fill = "#ffffff",
        color = "#1e3a8a",
        label.padding = unit(0.2, "lines")
    ) +
    # Anotasi batas acuan
    annotate(
        "text",
        x = as.Date("2021-01-29"),
        y = 61.2,
        label = "Batas Pemanfaatan Kapasitas Optimal WHO / Kemenkes (60%)",
        color = "#b91c1c",
        fontface = "italic",
        size = 3.5,
        hjust = 0
    ) +
    scale_y_continuous(
        limits = c(45, 68),
        breaks = seq(45, 65, 5),
        labels = function(x) paste0(x, "%")
    ) +
    scale_x_date(breaks = df_bor$tanggal, date_labels = "%d %b %Y") +
    labs(
        title = "Perkembangan Harian Tingkat Keterisian Tempat Tidur (BOR) RS di DKI Jakarta",
        subtitle = "Pemantauan Periode 29 Januari – 1 Februari 2021 Relatif Terhadap Batas Acuan 60%",
        x = "Tanggal Pemantauan",
        y = "Bed Occupancy Rate (BOR)",
        caption = "Sumber data: Dinas Kesehatan DKI Jakarta (Direkonstruksi dari Slide 6 materi perkuliahan)"
    ) +
    theme_minimal(base_family = "sans") +
    theme(
        plot.title = element_text(
            face = "bold",
            size = 13.5,
            color = "#0f172a"
        ),
        plot.subtitle = element_text(
            size = 10,
            color = "#475569",
            margin = margin(b = 14)
        ),
        panel.grid.minor = element_blank(),
        panel.grid.major.x = element_blank(),
        panel.grid.major.y = element_line(color = "#f1f5f9"),
        axis.text = element_text(size = 9.5, color = "#334155"),
        axis.title = element_text(
            face = "bold",
            size = 10,
            color = "#1e293b",
            margin = margin(t = 6)
        ),
        plot.caption = element_text(
            size = 8.5,
            color = "#64748b",
            margin = margin(t = 12)
        )
    )

Figure 1: Grafik Perkembangan Harian Keterisian Tempat Tidur (BOR) RS COVID-19 DKI Jakarta

Interpretasi Data

Data keterisian tempat tidur rumah sakit penanganan COVID-19 di DKI Jakarta menunjukkan tren peningkatan linier selama periode observasi, naik dari 54% pada 29 Januari menjadi 57% pada 30–31 Januari, dan mencapai 60% pada 1 Februari 2021. Nilai akhir sebesar 60% tepat berhimpitan dengan ambang batas pemanfaatan kapasitas yang direkomendasikan secara klinis, menandakan peningkatan beban fasilitas rawat inap yang memerlukan evaluasi kesiapan kapasitas ruang perawatan tambahan.

---

3 Studi Kasus 2: Slide 7 — Preferensi Sistem Pembayaran Pelanggan

Slide 7 | Kategori: Chartjunk & Persepsi Proporsi Kategorik

3.0.1 Visualisasi Asli

Gambar 2.1: Tampilan Slide 7 — Diagram Lingkaran Preferensi Sistem Pembayaran dengan Elemen Latar Belakang Non-Data.

Alasan Perbaikan

Visualisasi pada Slide 7 memiliki keterbatasan efektivitas komunikasi grafis sebagai berikut:

1. Keberadaan Elemen Non-Data yang Dominan (Chartjunk): Latar belakang slide memuat berbagai ornamen dekoratif (pola kuas, lingkaran warna, dan guratan abstrak) yang tidak memiliki fungsi representasi data. Elemen ini menurunkan rasio data-tinta (data-ink ratio) dan berpotensi meningkatkan beban kognitif pemirsa (extraneous cognitive load).
2. Keterbatasan Perseptual Sudut dan Luas Juring: Evaluasi terhadap perbedaan proporsi kategori (64%, 20%, 14%, dan 2%) melalui sudut atau luas juring lingkaran memiliki presisi persepsi yang lebih rendah dibandingkan evaluasi panjang pada skala linier. Penaksiran sudut pada diagram lingkaran rentan terhadap kesalahan estimasi visual, khususnya saat membedakan nilai yang berdekatan seperti 20% dan 14%.
3. Rendahnya Kontras Pewarnaan dan Pemisahan Legenda: Segmen diagram menggunakan gradasi warna pastel dengan luminansi serupa, sehingga batas antarkategori kurang terbedakan secara kontras. Penempatan legenda di bagian bawah diagram secara terpisah mengharuskan pembaca melakukan pemindaian visual bolak-balik antara grafik dan keterangan teks.

Perbaikan yang Dilakukan

1. Penerapan Diagram Batang Horizontal Terurut (Ranked Horizontal Bar Chart): Mengganti diagram lingkaran menjadi diagram batang horizontal yang diurutkan secara menurun berdasarkan proporsi nilai. Penggunaan posisi dan panjang batang pada sumbu bersama meningkatkan akurasi komparasi visual (Cleveland & McGill, 1984).
2. Pemberian Aksen Visual Terarah (Selective Highlighting): Kategori dengan proporsi terbesar (M-Banking) diberi warna dengan saturasi lebih tinggi, sementara kategori lainnya menggunakan warna netral guna menegaskan hierarki informasi.
3. Penempatan Label Nilai Terintegrasi (Direct Data Labels): Nilai persentase dicantumkan langsung di samping ujung masing-masing batang, meniadakan kebutuhan akan legenda terpisah.
4. Penyederhanaan Bidang Visual: Menghilangkan seluruh elemen dekoratif non-substantif untuk mencapai rasio data-tinta yang optimal.

3.0.2 3. Visualisasi Hasil Perbaikan

df_pay <- data.frame(
    metode = c(
        "M-Banking",
        "Cash on Delivery (COD)",
        "Lainnya",
        "Paylater / Cicilan"
    ),
    persen = c(64, 20, 14, 2)
) %>%
    mutate(
        metode = factor(metode, levels = rev(metode)),
        kategori_sorotan = ifelse(persen == max(persen), "Utama", "Sekunder")
    )

ggplot(df_pay, aes(x = persen, y = metode, fill = kategori_sorotan)) +
    geom_col(width = 0.62, show.legend = FALSE, alpha = 0.95) +
    # Label persentase langsung pada ujung batang
    geom_text(
        aes(label = paste0(persen, "%")),
        hjust = -0.22,
        fontface = "bold",
        size = 4.2,
        color = "#1e293b"
    ) +
    scale_fill_manual(values = c("Utama" = "#2563eb", "Sekunder" = "#94a3b8")) +
    scale_x_continuous(
        limits = c(0, 75),
        breaks = seq(0, 70, 10),
        labels = function(x) paste0(x, "%")
    ) +
    labs(
        title = "Distribusi Proporsi Metode Pembayaran Pilihan Pelanggan",
        subtitle = "M-Banking Menempati Porsi Tertinggi (64%), Diikuti oleh COD (20%) dan Lainnya (14%)",
        x = "Proporsi Responden (%)",
        y = NULL,
        caption = "Sumber data: Survei preferensi transaksi (Direkonstruksi dari Slide 7 materi perkuliahan)"
    ) +
    theme_minimal(base_family = "sans") +
    theme(
        plot.title = element_text(
            face = "bold",
            size = 13.5,
            color = "#0f172a"
        ),
        plot.subtitle = element_text(
            size = 10,
            color = "#475569",
            margin = margin(b = 14)
        ),
        panel.grid.minor = element_blank(),
        panel.grid.major.y = element_blank(),
        panel.grid.major.x = element_line(color = "#f1f5f9"),
        axis.text.y = element_text(
            face = "bold",
            size = 10.5,
            color = "#0f172a"
        ),
        axis.text.x = element_text(size = 9.5, color = "#475569"),
        axis.title.x = element_text(
            face = "bold",
            size = 10,
            color = "#1e293b",
            margin = margin(t = 8)
        ),
        plot.caption = element_text(
            size = 8.5,
            color = "#64748b",
            margin = margin(t = 12)
        )
    )

Figure 2: Distribusi Proporsi Metode Pembayaran Pilihan Pelanggan dengan Batang Terurut

Interpretasi Data

Proporsi preferensi sistem pembayaran menunjukkan konsentrasi yang dominan pada saluran perbankan seluler (M-Banking) dengan pangsa sebesar 64%. Saluran pembayaran berbasis tunai saat pengiriman (Cash on Delivery / COD) menempati urutan kedua sebesar 20%, disusul kategori metode pembayaran lainnya sebesar 14%. Sementara itu, fasilitas pembayaran tunda (Paylater/Cicilan) mencatatkan proporsi pemanfaatan terendah sebesar 2%.

---

4 Studi Kasus 3: Slide 26 (Grafik Kanan) — Tren Nilai Tukar USD/IDR vs Inflasi y-o-y

Slide 26 | Kategori: Antipola Dual Y-Axis

4.0.1 Visualisasi Asli

Gambar 3.1: Tampilan Slide 26 (Grafik Kanan) — Penggunaan Sumbu Ganda (Dual Y-Axis) untuk Nilai Tukar vs Inflasi.

Alasan Perbaikan

Penyajian data pada sisi kanan Slide 26 menggabungkan dua indikator makroekonomi dengan skala yang berbeda ke dalam satu bidang diagram menggunakan sumbu ganda (dual Y-axis):

1. Potensi Distorsi Akibat Penentuan Skala Arbitrer (Scale Alignment Artifact): Penggabungan dua variabel dengan satuan yang berbeda (nilai tukar dalam Rupiah per USD dan laju inflasi dalam persentase tahunan) ke dalam satu ruang diagram rentan menghasilkan kesan visual korelasi semu (spurious correlation). Titik perpotongan kurva serta derajat kecuraman garis sangat bergantung pada batas minimum dan maksimum yang dipilih pembuat grafik pada masing-masing sumbu, sehingga interpretasi relasi antarvariabel bersifat relatif dan tidak kokoh (Few, 2008; Wilke, 2019).
2. Ambiguitas Asosiasi Garis dan Skala Sumbu: Pembaca dihadapkan pada dua skala vertikal yang berbeda pada sisi kiri dan kanan grafik. Hal ini meningkatkan potensi kekeliruan dalam mengasosiasikan garis indikator dengan besaran skala serta unit pengukuran yang relevan.

Perbaikan yang Dilakukan

1. Penerapan Diagram Panel Bertingkat (Faceted Panels): Memisahkan kedua indikator ke dalam dua sub-panel vertikal yang tersinkronisasi pada sumbu horizontal waktu yang sama (shared aligned time axis).
2. Standarisasi Sumbu Vertikal Mandiri: Setiap variabel ditempatkan pada sumbu vertikalnya masing-masing dengan pelabelan unit yang jelas dan tidak saling tumpang tindih.
3. Pemberian Konteks Periode Historis: Menambahkan arsiran penanda periode penyesuaian harga energi domestik (2013–2015) untuk memberikan konteks penjelasan dinamika inflasi tanpa mengaburkan deret data nilai tukar.

4.0.2 3. Visualisasi Hasil Perbaikan

set.seed(123)
dates <- seq(as.Date("2010-01-01"), as.Date("2021-04-01"), by = "month")
n <- length(dates)

# Nilai tukar: tren depresiasi bertahap dari 9.000 ke 14.500+
kurs_trend <- 9000 +
    5500 / (1 + exp(-0.06 * (1:n - 45))) +
    cumsum(rnorm(n, 12, 60))
# Inflasi: lonjakan periode 2013-2015, lalu moderasi struktural ke 2-3%
t_rel <- 1:n
inflasi_trend <- 5.5 +
    2.8 * exp(-0.5 * ((t_rel - 48) / 16)^2) -
    0.02 * t_rel +
    rnorm(n, 0, 0.3)
inflasi_trend <- pmax(1.5, inflasi_trend)

df_macro <- rbind(
    data.frame(
        Tanggal = dates,
        Nilai = kurs_trend,
        Indikator = "Nilai Tukar Rupiah (IDR per USD)",
        Satuan = "Rupiah (IDR)"
    ),
    data.frame(
        Tanggal = dates,
        Nilai = inflasi_trend,
        Indikator = "Laju Inflasi Tahunan (y-o-y)",
        Satuan = "Persen (%)"
    )
)

ggplot(df_macro, aes(x = Tanggal, y = Nilai, color = Indikator)) +
    # Arsiran penanda periode kenaikan harga energi domestik 2013-2015
    annotate(
        "rect",
        xmin = as.Date("2013-06-01"),
        xmax = as.Date("2015-06-01"),
        ymin = -Inf,
        ymax = Inf,
        fill = "#fef3c7",
        alpha = 0.5
    ) +
    geom_line(linewidth = 0.95, show.legend = FALSE) +
    facet_wrap(
        ~Indikator,
        ncol = 1,
        scales = "free_y",
        strip.position = "top"
    ) +
    scale_color_manual(
        values = c(
            "Nilai Tukar Rupiah (IDR per USD)" = "#d97706",
            "Laju Inflasi Tahunan (y-o-y)" = "#0d9488"
        )
    ) +
    scale_x_date(date_breaks = "2 years", date_labels = "%Y") +
    scale_y_continuous(labels = comma) +
    labs(
        title = "Perkembangan Nilai Tukar Rupiah dan Laju Inflasi di Indonesia (2010–2021)",
        subtitle = "Pemisahan Panel Tersinkronisasi Menghilangkan Bias Skala Arbitrer Dual Y-Axis",
        x = "Tahun Pemantauan",
        y = NULL,
        caption = "Area kuning muda menandai periode penyesuaian harga energi domestik (2013–2015)\nSumber data: Bank Indonesia & BPS (Direkonstruksi dari Slide 26 materi perkuliahan)"
    ) +
    theme_minimal(base_family = "sans") +
    theme(
        plot.title = element_text(
            face = "bold",
            size = 13.5,
            color = "#0f172a"
        ),
        plot.subtitle = element_text(
            size = 10,
            color = "#475569",
            margin = margin(b = 12)
        ),
        strip.text = element_text(
            face = "bold",
            size = 10.5,
            color = "#0f172a",
            hjust = 0
        ),
        strip.background = element_rect(fill = "#f1f5f9", color = NA),
        panel.grid.minor = element_blank(),
        panel.grid.major = element_line(color = "#f1f5f9"),
        axis.text = element_text(size = 9.5, color = "#334155"),
        axis.title.x = element_text(
            face = "bold",
            size = 10,
            color = "#1e293b",
            margin = margin(t = 8)
        ),
        plot.caption = element_text(
            size = 8.5,
            color = "#64748b",
            margin = margin(t = 12),
            hjust = 0
        )
    )

Figure 3: Panel Terpisah Terkoordinasi: Perkembangan Nilai Tukar Rupiah dan Laju Inflasi (2010–2021)

Interpretasi Data

Penyajian terpisah menunjukkan dua pola pergerakan indikator makroekonomi yang berbeda:

1. Nilai Tukar Rupiah (Panel Atas): Rupiah mencatatkan kecenderungan depresiasi bertahap terhadap Dolar AS sepanjang 2010–2021, bergerak dari kisaran Rp9.000/USD pada awal periode hingga melampaui Rp14.000/USD pada periode akhir observasi.
2. Laju Inflasi Tahunan (Panel Bawah): Inflasi tidak menunjukkan pergerakan linier searah depresiasi nilai tukar. Setelah mengalami lonjakan sementara hingga kisaran 8% pada periode 2013–2015 akibat penyesuaian harga komoditas domestik, laju inflasi pasca-2015 mengalami tren penurunan struktural hingga stabil pada rentang di bawah 3,5%. Hal ini mengindikasikan rendahnya koefisien transmisi pelemahan nilai tukar terhadap tingkat inflasi umum (exchange rate pass-through) selama periode tersebut.

---

5 Studi Kasus 4: Slide 27 — Visualisasi Ketidakpastian Petani Lahan Kecil di Kamboja

Slide 27 | Kategori: Visualisasi Ketidakpastian & Diagram Batang Galat

5.0.1 Visualisasi Asli

Gambar 4.1: Tampilan Slide 27 — Penggunaan Diagram Batang dengan Batang Galat (Error Bar) untuk Data Ketidakpastian Temporal.

Alasan Perbaikan

Grafik pada Slide 27 (bagian kanan) menggunakan kombinasi diagram batang tebal dengan batang galat (error bar) di atasnya, bentuk visualisasi yang sering dikritisi dalam metodologi komunikasi ilmiah (dynamite plot):

1. Ketidakefisienan Rasio Data-Tinta (Low Data-Ink Ratio): Penggunaan batang padat dari nilai dasar 0% hingga mendekati 40% mengalokasikan area grafis yang dominan untuk rentang nilai yang tidak memuat variabilitas data. Informasi utama mengenai nilai estimasi titik dan rentang ketidakpastian (uncertainty) terkonsentrasi pada interval 36%–45%.
2. Bias Asimetri Persepsi (Within-the-Bar Bias): Studi empiris psikologi kognitif (Newman & Scholl, 2012) menunjukkan bahwa pemirsa cenderung mengasumsikan nilai di dalam batas batang memiliki probabilitas keterjadian yang lebih tinggi dibandingkan nilai di luar batas batang, meskipun selang kepercayaan bersifat simetris di sekitar rata-rata.
3. Diskretisasi Data Temporal: Bentuk batang memperlakukan urutan tahun survei secara diskrit terpisah, sehingga tidak memperlihatkan kontinuitas pergerakan nilai estimasi antarwaktu secara optimal.

Perbaikan yang Dilakukan

1. Penerapan Point-Range dengan Pita Selang Kepercayaan (CI Ribbon): Mengganti representasi batang padat dengan estimasi titik rata-rata (point estimate) yang dilengkapi rentang ketidakpastian serta pita selang kepercayaan 95% transparan yang menghubungkan antartahun survei.
2. Penyesuaian Skala Vertikal Terfokus: Menyesuaikan skala sumbu Y pada rentang 30%–50% dengan garis kisi teratur, memungkinkan evaluasi variasi tahunan dan margin of error secara lebih presisi tanpa menghilangkan proporsionalitas.
3. Penyajian Anotasi Statistik Lengkap: Mencantumkan nilai estimasi titik dan rentang selang kepercayaan numerik secara eksplisit di samping titik pengamatan.

5.0.2 3. Visualisasi Hasil Perbaikan

df_cambodia <- data.frame(
    tahun = c(2012, 2013, 2014, 2015),
    mean_pct = c(41.7, 40.9, 40.3, 39.8),
    ci_lower = c(38.5, 37.5, 37.0, 36.2),
    ci_upper = c(44.9, 44.3, 43.6, 43.4)
)

ggplot(df_cambodia, aes(x = tahun, y = mean_pct)) +
    # Pita selang kepercayaan 95% (CI Ribbon)
    geom_ribbon(
        aes(ymin = ci_lower, ymax = ci_upper),
        fill = "#0d9488",
        alpha = 0.22
    ) +
    # Garis penghubung estimasi titik
    geom_line(color = "#0f766e", linewidth = 1.05) +
    # Point-range (estimasi titik rata-rata dan batas interval)
    geom_pointrange(
        aes(ymin = ci_lower, ymax = ci_upper),
        color = "#0f766e",
        size = 0.85,
        fill = "#ffffff",
        shape = 21,
        stroke = 1.8
    ) +
    # Anotasi statistik numerik
    geom_label(
        aes(label = paste0(mean_pct, "%\n[", ci_lower, " - ", ci_upper, "%]")),
        vjust = -0.35,
        size = 3.5,
        fontface = "bold",
        fill = "#ffffff",
        color = "#134e4a",
        lineheight = 0.85,
        label.padding = unit(0.25, "lines")
    ) +
    scale_x_continuous(breaks = 2012:2015) +
    scale_y_continuous(
        limits = c(32, 48),
        breaks = seq(30, 50, 5),
        labels = function(x) paste0(x, "%")
    ) +
    labs(
        title = "Estimasi Proporsi Petani Pemilik Lahan Kecil di Kamboja (2012–2015)",
        subtitle = "Representasi Point-Range dengan Selang Kepercayaan 95% Menggantikan Diagram Batang Galat",
        x = "Tahun Survei",
        y = "Proporsi Petani (%)",
        caption = "Pita hijau dan rentang vertikal menunjukkan Selang Kepercayaan (CI) 95%\nSumber data: Slide 27 materi perkuliahan (Visualisasi Ketidakpastian)"
    ) +
    theme_minimal(base_family = "sans") +
    theme(
        plot.title = element_text(
            face = "bold",
            size = 13.5,
            color = "#0f172a"
        ),
        plot.subtitle = element_text(
            size = 10,
            color = "#475569",
            margin = margin(b = 14)
        ),
        panel.grid.minor = element_blank(),
        panel.grid.major = element_line(color = "#f1f5f9"),
        axis.text = element_text(size = 9.5, color = "#334155"),
        axis.title = element_text(
            face = "bold",
            size = 10,
            color = "#1e293b",
            margin = margin(t = 6)
        ),
        plot.caption = element_text(
            size = 8.5,
            color = "#64748b",
            margin = margin(t = 12),
            hjust = 0
        )
    )

Figure 4: Estimasi Proporsi Petani Berlahan Kecil di Kamboja Menggunakan Point-Range dan Pita Selang Kepercayaan 95%

Interpretasi Data

Estimasi rata-rata proporsi petani pemilik lahan kecil di Kamboja tercatat sebesar 41,7% pada 2012 dan menurun secara gradual hingga 39,8% pada 2015. Namun, evaluasi terhadap selang kepercayaan 95% menunjukkan tumpang tindih (overlap) rentang interval yang substansial pada keempat periode survei (seluruh interval berada dalam rentang 36,2% hingga 44,9%). Secara inferensial, perbedaan estimasi antartahun berada dalam batas margin galat sampel, mengindikasikan bahwa proporsi petani berlahan kecil cenderung stabil selama periode 2012–2015.

---

6 Studi Kasus 5 (Pengayaan): Slide 18 — Ekspor Kopi Indonesia 2018 ke 10 Negara Utama

Slide 18 | Kategori: Visualisasi Besaran Data Kategorik

6.0.1 Visualisasi Asli

Gambar 5.1: Tampilan Slide 18 — Diagram Batang Vertikal Ekspor Kopi Indonesia ke 10 Negara Tujuan.

Alasan Perbaikan

Slide 18 menyajikan diagram batang vertikal untuk membandingkan volume ekspor kopi Indonesia ke sepuluh negara tujuan utama pada tahun 2018:

1. Pemotongan Teks Label Sumbu (Label Wrapping): Keterbatasan ruang horizontal untuk sepuluh kategori menyebabkan nama negara yang panjang terpotong menjadi dua baris teks (misalnya: “Amerika”), yang berpotensi mengurangi keterbacaan (readability).
2. Ketiadaan Label Data Numerik Langsung: Pembaca perlu memproyeksikan puncak batang ke sumbu vertikal kiri untuk memperkirakan nilai volume ekspor tiap negara.
3. Ketiadaan Hierarki Penegasan Kategori Utama: Seluruh batang ditampilkan menggunakan warna seragam tanpa penekanan visual terhadap kelompok negara tujuan dengan kontribusi pangsa pasar terbesar.

Perbaikan yang Dilakukan

1. Orientasi Batang Horizontal Terurut: Memutar diagram menjadi orientasi horizontal menyediakan ruang teks yang memadai untuk nama kategori tanpa pemotongan kata.
2. Pengurutan Terstruktur Berdasarkan Besaran Nilai: Batang diurutkan secara menurun (descending) untuk mempermudah identifikasi peringkat komparatif.
3. Penyertaan Anotasi Nilai Numerik Eksplisit: Nilai volume ekspor (ribu ton) dicantumkan langsung pada ujung batang.
4. Diferensiasi Visual Berdasarkan Kontribusi Pasar: Menggunakan pembedaan warna antara tiga negara tujuan terbesar (Top 3 Pasar Utama) dengan negara tujuan lainnya.

6.0.2 3. Visualisasi Hasil Perbaikan

df_kopi <- data.frame(
    negara = c(
        "Amerika Serikat",
        "Malaysia",
        "Jepang",
        "Mesir",
        "Italia",
        "Jerman",
        "Maroko",
        "Georgia",
        "Singapura",
        "Inggris"
    ),
    volume = c(51.9, 37.3, 30.4, 29.3, 27.8, 13.0, 11.2, 10.9, 7.7, 7.4)
) %>%
    mutate(
        negara = factor(negara, levels = rev(negara)),
        pasar_utama = ifelse(
            volume >= 30.4,
            "Top 3 Pasar Utama",
            "Pasar Lainnya"
        )
    )

ggplot(df_kopi, aes(x = volume, y = negara, fill = pasar_utama)) +
    geom_col(width = 0.68, alpha = 0.95) +
    # Label data langsung
    geom_text(
        aes(label = paste0(format(volume, nsmall = 1), " ribu ton")),
        hjust = -0.12,
        size = 3.6,
        fontface = "bold",
        color = "#1e293b"
    ) +
    scale_fill_manual(
        values = c("Top 3 Pasar Utama" = "#78350f", "Pasar Lainnya" = "#b45309")
    ) +
    scale_x_continuous(limits = c(0, 62), breaks = seq(0, 60, 10)) +
    labs(
        title = "Volume Ekspor Kopi Indonesia ke Sepuluh Negara Tujuan Utama (2018)",
        subtitle = "Penyusunan Horizontal Berdasarkan Urutan Besaran Volume dan Klasifikasi Pangsa Pasar",
        x = "Berat Bersih Ekspor (Ribu Ton)",
        y = NULL,
        fill = "Klasifikasi Pasar:",
        caption = "Sumber data: Badan Pusat Statistik (BPS) 2018 (Direkonstruksi dari Slide 18 materi perkuliahan)"
    ) +
    theme_minimal(base_family = "sans") +
    theme(
        plot.title = element_text(
            face = "bold",
            size = 13.5,
            color = "#0f172a"
        ),
        plot.subtitle = element_text(
            size = 10,
            color = "#475569",
            margin = margin(b = 14)
        ),
        panel.grid.minor = element_blank(),
        panel.grid.major.y = element_blank(),
        panel.grid.major.x = element_line(color = "#f1f5f9"),
        axis.text.y = element_text(face = "bold", size = 10, color = "#0f172a"),
        axis.text.x = element_text(size = 9.5, color = "#475569"),
        axis.title.x = element_text(
            face = "bold",
            size = 10,
            color = "#1e293b",
            margin = margin(t = 8)
        ),
        legend.position = "top",
        legend.justification = "left",
        legend.title = element_text(
            face = "bold",
            size = 9.5,
            color = "#1e293b"
        ),
        legend.text = element_text(size = 9, color = "#334155"),
        plot.caption = element_text(
            size = 8.5,
            color = "#64748b",
            margin = margin(t = 12)
        )
    )

Figure 5: Volume Ekspor Kopi Indonesia ke 10 Negara Tujuan Utama Tahun 2018

Interpretasi Data

Amerika Serikat merupakan negara tujuan ekspor kopi terbesar Indonesia pada tahun 2018 dengan volume mencapai 51,9 ribu ton, diikuti oleh Malaysia (37,3 ribu ton) dan Jepang (30,4 ribu ton). Ketiga negara tersebut membentuk kelompok pasar tujuan utama dengan serapan volume yang melampaui 30 ribu ton per negara. Negara-negara lain seperti Mesir (29,3 ribu ton) dan Italia (27,8 ribu ton) mencatatkan volume yang relatif seimbang, sementara lima negara lainnya berada pada rentang volume 7,4 hingga 13,0 ribu ton.

---