Alasan Perbaikan

Kesalahan Pemilihan Jenis Grafik (Misleading Chart Type): Visualisasi asli pada Slide 6 menggunakan 3D Pie Chart untuk menampilkan persentase tingkat keterisian tempat tidur RS (Bed Occupancy Rate / BOR) pada empat tanggal berurutan (29 Januari, 30 Januari, 31 Januari, dan 1 Februari). Pie chart secara fundamental hanya tepat digunakan untuk data komposisi (part-to-whole) pada satu titik waktu yang totalnya berjumlah 100%, sedangkan keempat nilai pada grafik tersebut merupakan amatan deret waktu harian yang jika dijumlahkan mencapai 228% (54% + 57% + 57% + 60%).

Distorsi Perspektif Tiga Dimensi (3D): Efek kemiringan 3D serta ketebalan grafik membuat juring berwarna merah di bagian depan bawah (60% pada 1 Februari) tampak jauh lebih besar secara visual dibandingkan proporsi angka sebenarnya terhadap juring 54% dan 57%. Selain itu, gerak mata memutar pada pie chart menyulitkan pembaca menangkap pola kenaikan harian secara kronologis.

Perbaikan yang Dilakukan

• Perubahan Desain: Mengubah 3D Pie Chart menjadi Grafik Garis dan Titik Deret Waktu (Time-Series Line & Dot Plot) pada sistem koordinat Kartesius 2D, menambahkan arsiran area tipis di bawah kurva, menyematkan label persentase secara langsung pada tiap titik amatan (direct labeling), serta menyertakan garis referensi batas aman standar WHO (60%).

• Efektivitas: Mengoptimalkan unsur posisi dan garis (sesuai bahasan Slide 12 dan 14) untuk memperlihatkan arah perubahan dari waktu ke waktu secara akurat. Kemiringan garis dari kiri ke kanan langsung menunjukkan adanya kenaikan maupun stagnasi tanpa distorsi perspektif.

df_bor <- data.frame(
  Tanggal = factor(c("29 Januari", "30 Januari", "31 Januari", "1 Februari"),
                   levels = c("29 Januari", "30 Januari", "31 Januari", "1 Februari")),
  BOR = c(54, 57, 57, 60)
)

ggplot(df_bor, aes(x = Tanggal, y = BOR, group = 1)) +
  geom_area(fill = "#3182bd", alpha = 0.15) +
  geom_hline(yintercept = 60, linetype = "dashed", color = "#d95f02", linewidth = 0.8) +
  annotate("text", x = 1.45, y = 60.8, label = "Batas Ambang Standar WHO (60%)", 
           color = "#d95f02", size = 3.5, fontface = "italic") +
  geom_line(color = "#08519c", linewidth = 1.3) +
  geom_point(color = "#08519c", size = 4) +
  geom_text(aes(label = paste0(BOR, "%")), vjust = -1.2, fontface = "bold", size = 4.5, color = "#08519c") +
  scale_y_continuous(limits = c(45, 65), breaks = seq(45, 65, 5), labels = function(x) paste0(x, "%")) +
  labs(
    title = "Tren Tingkat Keterisian Tempat Tidur (BOR) RS di DKI Jakarta",
    subtitle = "Periode 29 Januari - 1 Februari (Perbaikan dari 3D Pie Chart pada Slide 6)",
    x = "Tanggal Pengamatan",
    y = "Tingkat Keterisian (%)",
    caption = "Sumber: Dinas Kesehatan DKI Jakarta"
  ) +
  theme_minimal(base_size = 12) +
  theme(
    plot.title = element_text(face = "bold", size = 14),
    panel.grid.minor = element_blank()
  )

## Warning in max(ids, na.rm = TRUE): no non-missing arguments to max; returning
## -Inf

Interpretasi

• Tingkat keterisian tempat tidur RS di DKI Jakarta menunjukkan tren kenaikan sebesar 6 poin persentase dalam kurun waktu empat hari, meningkat dari 54% pada 29 Januari menjadi 60% pada 1 Februari.

• Terjadi peningkatan awal sebesar 3% dari 29 Januari ke 30 Januari (menjadi 57%), diikuti fase stagnasi selama satu hari pada 31 Januari (57%), sebelum kembali naik mencapai 60% pada 1 Februari. Capaian angka 60% ini menyentuh batas ambang kewaspadaan kapasitas rumah sakit, yang menandakan perlunya antisipasi penambahan kapasitas ruang perawatan.

Alasan Perbaikan

• Kelemahan Persepsi Sudut dan Luas Juring: Slide 7 menggunakan pie chart untuk menyajikan proporsi empat metode pembayaran: M-Banking (64%), COD (20%), Paylater/Cicilan (14%), dan Lainnya (2%). Sebagaimana diilustrasikan pula pada Slide 20–21, mata manusia lebih sulit membandingkan besaran sudut lingkaran secara akurat dibandingkan membandingkan panjang batang yang memiliki garis dasar (baseline) sejajar.

• Beban Kognitif akibat Legenda Terpisah dan Warna Berlebih: Penggunaan empat warna kontras sekaligus (biru, oranye, merah muda, dan kuning) mengharuskan mata pembaca berpindah-pindah antara angka pada juring dan teks legenda di bagian bawah untuk mencocokkan nama metode pembayaran[cite: 8]. Padahal, teks narasi di sebelah kiri grafik hanya berfokus pada satu pesan utama, yakni dominasi Mobile Banking.

Perbaikan yang Dilakukan

• Perubahan Desain: Mengganti pie chart menjadi Ordered Horizontal Bar Chart (Diagram Batang Horizontal Terurut), meletakkan nama metode pembayaran langsung pada sumbu Y dan nilai persentase di ujung batang, serta menerapkan teknik Color Highlighting (memberikan warna biru tegas khusus pada kategori M-Banking dan warna abu-abu netral pada tiga kategori lainnya).

• Efektivitas: Menghilangkan legenda sepenuhnya sehingga pembaca dapat langsung memindai peringkat metode pembayaran dari yang paling populer hingga paling jarang digunakan, sekaligus menyelaraskan penekanan visual (unsur warna dan ukuran panjang batang) dengan kesimpulan narasi utama.

df_payment <- data.frame(
  Metode = c("M-Banking", "COD", "Paylater/Cicilan", "Lainnya"),
  Persentase = c(64, 20, 14, 2)
) %>%
  mutate(Sorotan = ifelse(Metode == "M-Banking", "Utama", "Lainnya"))

ggplot(df_payment, aes(x = reorder(Metode, Persentase), y = Persentase, fill = Sorotan)) +
  geom_col(width = 0.6) +
  geom_text(aes(label = paste0(Persentase, "%")), hjust = -0.2, fontface = "bold", size = 4.2, color = "grey20") +
  scale_fill_manual(values = c("Utama" = "#1f78b4", "Lainnya" = "#b0bec5")) +
  coord_flip() +
  scale_y_continuous(limits = c(0, 75), expand = c(0, 0)) +
  labs(
    title = "Proporsi Pilihan Sistem Pembayaran Pelanggan",
    subtitle = "Mobile Banking menjadi metode pembayaran utama pelanggan (Perbaikan Slide 7)",
    x = NULL,
    y = "Persentase Pelanggan (%)"
  ) +
  theme_minimal(base_size = 12) +
  theme(
    legend.position = "none",
    plot.title = element_text(face = "bold", size = 14),
    panel.grid.major.y = element_blank(),
    axis.text.y = element_text(face = "bold", size = 11, color = "black")
  )

Interpretasi

• Mobile Banking (M-Banking) merupakan metode pembayaran yang paling mendominasi dengan pangsa mencapai 64% (เกือบ dua pertiga dari total keseluruhan pelanggan), unggul lebih dari tiga kali lipat dibandingkan posisi kedua.

• Pilihan pembayaran terbanyak berikutnya secara berturut-turut adalah COD (Cash on Delivery) sebesar 20%, Paylater/Cicilan sebesar 14%, dan metode Lainnya sebesar 2%. Tingginya adopsi M-Banking didorong oleh faktor kemudahan transaksi nirsentuh (contactless) yang sangat relevan dengan kebutuhan pelanggan di masa pandemi.

Alasan Perbaikan

• Keterbacaan Label dan Pengurutan Kategori (Slide 8): Grafik batang vertikal di sebelah kiri Slide 8 menampilkan nama 34 provinsi dengan orientasi teks vertikal (miring 90 derajat) yang sangat sulit dibaca. Selain itu, baik grafik kiri maupun kanan pada Slide 8 masih mengurutkan provinsi berdasarkan urutan geografis pulau (dimulai dari Aceh hingga Papua), sehingga tinggi batang naik-turun secara acak dan menyulitkan audiens untuk membandingkan peringkat antarprovinsi yang memiliki nilai berdekatan.

• Kepadatan Visual dan Ketiadaan Titik Acuan (Slide 9): Pada Slide 9 bagian kanan, urutan provinsi memang telah diperbaiki berdasarkan nilai tertinggi ke terendah. Namun, penggunaan 34 batang tebal dengan satu warna seragam tampak padat dan belum menyediakan garis acuan rata-rata maupun label nilai eksak, sehingga pembaca masih harus menarik garis imajiner ke sumbu X di bagian atas untuk memperkirakan besaran persentase tiap provinsi.

Perbaikan yang Dilakukan

• Perubahan Desain: Mengembangkan grafik menjadi Ordered Horizontal Lollipop Chart yang diurutkan dari persentase tertinggi ke terendah, menambahkan garis referensi rata-rata provinsi, memberikan pembedaan warna antara provinsi di atas rata-rata dan di bawah rata-rata, serta mencantumkan angka persentase di sebelah titik tiap provinsi.

• Efektivitas: Lollipop chart mereduksi kepadatan visual (clutter) dari 34 batang tebal menjadi garis ramping dengan titik fokus di ujungnya. Penambahan garis rata-rata dan pengelompokan dua warna membantu pembaca menarik kesimpulan makro (kelompok provinsi maju vs tertinggal dalam adopsi komputer) maupun mikro (angka spesifik per provinsi) secara simultan.

# Data 34 Provinsi sesuai Slide 8 & 9 (Sumber: bps.go.id, situasi tahun 2019)
df_komputer <- data.frame(
  Provinsi = c(
    "DKI JAKARTA", "DI YOGYAKARTA", "KEP. RIAU", "KALIMANTAN TIMUR", "BALI",
    "KALIMANTAN UTARA", "KALIMANTAN SELATAN", "SUMATERA BARAT", "GORONTALO",
    "SULAWESI TENGGARA", "SULAWESI SELATAN", "BANTEN", "BENGKULU", "JAWA BARAT",
    "RIAU", "SULAWESI UTARA", "JAWA TIMUR", "SUMATERA UTARA", "PAPUA BARAT",
    "MALUKU", "SULAWESI TENGAH", "KALIMANTAN TENGAH", "JAWA TENGAH",
    "SULAWESI BARAT", "JAMBI", "NUSA TENGGARA BARAT", "KEP. BANGKA BELITUNG",
    "ACEH", "NUSA TENGGARA TIMUR", "MALUKU UTARA", "SUMATERA SELATAN",
    "KALIMANTAN BARAT", "LAMPUNG", "PAPUA"
  ),
  Persentase = c(
    23.5, 23.3, 20.7, 19.4, 18.6, 
    18.0, 17.3, 17.0, 16.5, 15.8, 
    15.4, 15.3, 14.9, 14.5, 14.5, 
    14.3, 14.2, 14.1, 14.0, 13.8, 
    13.6, 13.6, 13.2, 12.3, 12.2, 
    12.0, 12.0, 11.6, 11.4, 11.3, 
    11.1, 10.4, 10.0, 8.2
  )
)

rata_provinsi <- mean(df_komputer$Persentase)

df_komputer <- df_komputer %>%
  mutate(Kelompok = ifelse(Persentase >= rata_provinsi, "Di Atas Rata-rata", "Di Bawah Rata-rata"))

ggplot(df_komputer, aes(x = reorder(Provinsi, Persentase), y = Persentase, color = Kelompok)) +
  geom_segment(aes(xend = Provinsi, y = 0, yend = Persentase), linewidth = 0.85) +
  geom_point(size = 3) +
  geom_hline(yintercept = rata_provinsi, linetype = "dashed", color = "grey30", linewidth = 0.8) +
  annotate("text", x = 5, y = rata_provinsi + 0.5, 
           label = paste0("Rata-rata Provinsi: ", round(rata_provinsi, 1), "%"), 
           hjust = 0, size = 3.5, fontface = "italic", color = "grey20") +
  geom_text(aes(label = sprintf("%.1f%%", Persentase)), hjust = -0.3, size = 3, show.legend = FALSE) +
  scale_color_manual(values = c("Di Atas Rata-rata" = "#0072B2", "Di Bawah Rata-rata" = "#D55E00")) +
  coord_flip() +
  scale_y_continuous(limits = c(0, 26), expand = c(0, 0)) +
  labs(
    title = "Persentase Masyarakat yang Menggunakan Komputer di 34 Provinsi",
    subtitle = "Diurutkan berdasarkan persentase tertinggi ke terendah (Perbaikan Slide 8 & 9)",
    x = NULL,
    y = "Persentase Pengguna Komputer (%)",
    color = "Posisi terhadap Rata-rata:",
    caption = "Sumber: bps.go.id, situasi tahun 2019"
  ) +
  theme_minimal(base_size = 11) +
  theme(
    legend.position = "top",
    plot.title = element_text(face = "bold", size = 14),
    panel.grid.major.y = element_blank(),
    axis.text.y = element_text(size = 9, color = "black")
  )

• Terdapat kesenjangan pemanfaatan komputer yang signifikan antarprovinsi di Indonesia pada tahun 2019: DKI Jakarta (23,5%) dan DI Yogyakarta (23,3%) menempati peringkat tertinggi, yang nilainya hampir tiga kali lipat dibandingkan Papua (8,2%) di peringkat paling bawah.

• Hanya 13 dari 34 provinsi yang memiliki persentase pengguna komputer di atas rata-rata provinsi (14,6%), dengan konsentrasi tertinggi berada di wilayah pusat pemerintahan, pendidikan tinggi, dan kawasan industri/jasa seperti Kepulauan Riau (20,7%), Kalimantan Timur (19,4%), dan Bali (18,6%). Sementara itu, 21 provinsi lainnya—terutama Papua, Lampung (10,0%), dan Kalimantan Barat (10,4%)—masih berada di bawah rata-rata, mengindikasikan perlunya percepatan infrastruktur dan literasi digital di wilayah-wilayah tersebut.