Tampilan pada slide 6 materi perkuliahan.
Tinjauan dan perbaikan visualisasi pada materi Kuliah 9: Unsur dan Jenis Visualisasi
24 Oktober 2026
Tugas ini meninjau kembali visualisasi pada materi Kuliah 9 — Unsur dan Jenis Visualisasi. Saya membaca keseluruhan 31 slide, bukan hanya contoh yang sejak awal terlihat kurang efektif. Penilaian diarahkan pada posisi, simbol, garis, ukuran, warna, dan keseimbangan antara signal dengan noise, sesuai pembahasan di kelas.
Saya membedakan tiga kondisi. Pertama, visualisasi yang memang tidak sesuai dengan struktur data sehingga perlu diganti. Kedua, visualisasi yang secara prinsip sudah benar tetapi masih dapat diperjelas. Ketiga, ilustrasi atau slide teori yang tidak perlu dipaksakan menjadi grafik lain. Pembedaan ini penting karena tidak setiap pilihan desain yang berbeda merupakan kesalahan.
Asal angka dijaga secara jelas: slide 6 dan 7 ditranskripsi dari label gambar; slide 8–9 menggunakan nilai yang diambil langsung dari objek grafik PowerPoint. Sebagian slide lain hanya memuat grafik sebagai gambar. Untuk contoh tersebut saya memakai data simulasi/ilustratif, atau memperbesar gambar sumber tanpa mengubah angka. Tidak ada angka ilustrasi yang diklaim sebagai data asli dari materi kuliah.
| Unsur | Pertanyaan saat menilai |
|---|---|
| Posisi | Apakah dua nilai dapat dibandingkan dari titik acuan yang sama? |
| Simbol | Apakah bentuk/titik membedakan kelompok yang memang ada pada data? |
| Garis | Apakah peubah pada sumbu mendukung keterurutan, terutama waktu? |
| Ukuran | Apakah panjang, tinggi, atau luas simbol tidak menyesatkan pembacaan besaran? |
| Warna | Apakah warna bermakna atau hanya menjadi dekorasi yang menambah noise? |
| Label dan skala | Apakah pembaca mengetahui peubah, satuan, periode, dan sumbernya? |
| Ketidakpastian | Apakah batas ketidakpastian tersedia jika kesimpulan memerlukannya? |
Slide: slide 6, bagian pengantar. Jenis visualisasi yang lebih tepat: visualisasi tren menggunakan diagram garis.
Tampilan pada slide 6 materi perkuliahan.
Slide 6 menampilkan tingkat keterisian tempat tidur rumah sakit di DKI Jakarta pada empat tanggal melalui diagram lingkaran tiga dimensi. Nilainya adalah 54% (29 Januari), 57% (30 Januari), 57% (31 Januari), dan 60% (1 Februari). Keempat angka tersebut bukan empat bagian yang membentuk satu total. Angka itu merupakan persentase keterisian pada tanggal yang berbeda.
Diagram lingkaran pada umumnya digunakan untuk membandingkan komposisi dari satu keseluruhan. Karena itu, pembagian ke empat juring kurang sesuai untuk informasi yang memiliki urutan waktu. Efek tiga dimensi juga mengubah persepsi terhadap luas juring. Sementara itu, pesan penting dari data sebenarnya sederhana: keterisian bergerak dari 54% menjadi 60%.
Saya mengganti diagram lingkaran menjadi diagram garis dengan titik pengamatan yang diurutkan menurut tanggal. Posisi pada sumbu mendukung pembacaan tingkat keterisian, garis menonjolkan perubahan antartanggal, dan label persen memudahkan pembaca mengetahui nilai tepatnya. Saya menggunakan satu warna utama agar perhatian tidak terbagi ke empat warna yang tidak mewakili kelompok berbeda.
keterisian <- data.frame(
tanggal = factor(
c("29 Jan", "30 Jan", "31 Jan", "1 Feb"),
levels = c("29 Jan", "30 Jan", "31 Jan", "1 Feb")
),
persen = c(54, 57, 57, 60)
)
keterisian## tanggal persen
## 1 29 Jan 54
## 2 30 Jan 57
## 3 31 Jan 57
## 4 1 Feb 60ggplot(keterisian, aes(x = tanggal, y = persen, group = 1)) +
geom_line(colour = warna_biru, linewidth = 1.2) +
geom_point(colour = warna_jingga, size = 3.5) +
geom_text(aes(label = paste0(persen, "%")),
vjust = -0.9, colour = "#17364B", fontface = "bold", size = 4.1) +
scale_y_continuous(limits = c(0, 70), breaks = seq(0, 70, 10),
labels = function(x) paste0(x, "%"),
expand = expansion(mult = c(0, 0.04))) +
labs(title = "Tingkat keterisian tempat tidur meningkat",
subtitle = "DKI Jakarta | 29 Januari–1 Februari",
x = "Tanggal", y = "Tingkat keterisian",
caption = "Sumber angka: label pada slide 6 materi Kuliah 9. Diagram disusun kembali.") +
tema_visual()
Diagram garis hasil perbaikan. Angka ditranskripsi dari label slide 6; tahun pengamatan tidak dicantumkan pada gambar sumber.
Tingkat keterisian meningkat dari 54% pada 29 Januari menjadi 60% pada 1 Februari, atau naik sebesar 6 poin persentase. Nilainya tetap pada 57% dari 30 Januari ke 31 Januari. Grafik ini menunjukkan perubahan keterisian selama periode yang ditampilkan. Namun, informasi pada slide tidak cukup untuk menyimpulkan penyebab kenaikan atau membandingkannya dengan kapasitas rumah sakit pada periode lain.
Slide: slide 7, bagian pengantar. Jenis visualisasi yang lebih tepat: visualisasi komposisi atau proporsi menggunakan diagram batang.
Cuplikan materi ‘Sistem Pembayaran’ pada slide 7. Bagian peserta pertemuan daring tidak disertakan.
Contoh pada slide menunjukkan penggunaan empat sistem pembayaran: pembayaran di tempat sebesar 20%, perbankan seluler sebesar 64%, pembayaran nanti/cicilan sebesar 2%, dan lainnya sebesar 14%. Empat nilai tersebut berjumlah 100%, sehingga diagram lingkaran sebenarnya tidak salah dari sisi struktur datanya. Namun, pembaca harus membandingkan luas dan sudut juring, terutama untuk membedakan kategori 2% dan 14% yang relatif kecil.
Pilihan perbaikan bukan karena diagram lingkaran selalu buruk, melainkan karena tujuan pesan pada contoh adalah menunjukkan kategori pembayaran yang paling banyak digunakan serta membandingkan besar setiap kategori. Diagram batang horizontal menyediakan titik awal yang sama untuk setiap kategori. Warna juga tidak perlu berbeda untuk seluruh batang.
Saya menyusun kategori dari persentase terbesar ke terkecil, menggunakan batang horizontal dengan panjang berdasarkan persentase, serta memberikan penekanan warna pada kategori terbanyak. Setiap batang diberi label persentase supaya pembaca tidak harus memperkirakan nilainya dari sumbu.
pembayaran <- data.frame(
metode = c("Perbankan seluler", "Pembayaran di tempat",
"Lainnya", "Pembayaran nanti/cicilan"),
persen = c(64, 20, 14, 2)
)
stopifnot(sum(pembayaran$persen) == 100)
pembayaran <- pembayaran %>%
arrange(persen) %>%
mutate(metode = factor(metode, levels = metode),
sorotan = metode == "Perbankan seluler")
pembayaran## metode persen sorotan
## 1 Pembayaran nanti/cicilan 2 FALSE
## 2 Lainnya 14 FALSE
## 3 Pembayaran di tempat 20 FALSE
## 4 Perbankan seluler 64 TRUEggplot(pembayaran, aes(metode, persen, fill = sorotan)) +
geom_col(width = 0.64, show.legend = FALSE) +
geom_text(aes(label = paste0(persen, "%")), hjust = -0.22,
colour = "#17364B", fontface = "bold", size = 4.4) +
coord_flip() +
scale_fill_manual(values = c("FALSE" = warna_netral, "TRUE" = warna_jingga)) +
scale_y_continuous(limits = c(0, 72), breaks = seq(0, 70, 10),
labels = function(x) paste0(x, "%"),
expand = expansion(mult = c(0, 0))) +
labs(title = "Perbankan seluler menjadi pilihan terbanyak",
subtitle = "Proporsi menurut metode pembayaran pada contoh slide 7",
x = NULL, y = "Persentase",
caption = "Sumber angka: label pada slide 7 materi Kuliah 9.") +
tema_visual()
Diagram batang horizontal hasil perbaikan. Angka ditranskripsi dari juring pada slide 7.
Perbankan seluler merupakan metode pembayaran dengan persentase terbesar, yaitu 64%. Pembayaran di tempat berada pada urutan kedua sebesar 20%, diikuti metode lain sebesar 14%, dan pembayaran nanti/cicilan sebesar 2%. Selisih antara perbankan seluler dan pembayaran di tempat mencapai 44 poin persentase.
Diagram batang memudahkan pembaca mengenali urutan dan selisih antar kategori. Akan tetapi, cuplikan slide tidak menjelaskan ukuran contoh, cara pemilihan responden, atau periode survei. Oleh sebab itu, persentase tersebut hanya diinterpretasikan sesuai contoh pada slide, bukan sebagai estimasi yang dapat digeneralisasi untuk seluruh pengguna sistem pembayaran.
Slide: slide 8–9. Jenis visualisasi: visualisasi besaran data menggunakan diagram batang horizontal yang telah diurutkan.
Slide 8 (kiri) dan slide 9 (kanan) menampilkan alternatif penyajian indikator yang sama.
Slide 8 (kiri) dan slide 9 (kanan) menampilkan alternatif penyajian indikator yang sama.
Slide 8 membandingkan diagram batang tegak dengan diagram batang horizontal untuk 34 provinsi. Ketika kategori cukup banyak, label provinsi pada grafik tegak menjadi rapat dan sulit dibaca. Slide 9 sudah memperbaiki hal tersebut dengan menggunakan batang horizontal dan menunjukkan versi yang disusun menurut besar nilainya. Jadi, saya tidak menganggap kedua slide sebagai visualisasi yang seluruhnya keliru. Slide 8–9 justru memperlihatkan tahapan perbaikan yang dijelaskan dalam perkuliahan.
Pengembangan yang saya lakukan adalah memperjelas fokus pembacaan pada grafik yang telah diurutkan. Grafik dengan 34 provinsi masih cukup padat jika seluruh batang dan label diperlakukan sama. Saya menambahkan garis median dan menggunakan warna khusus untuk tiga provinsi tertinggi dan tiga provinsi terendah agar posisi wilayah ekstrem mudah dikenali, tanpa menghilangkan provinsi lainnya.
Berbeda dari dua contoh sebelumnya, nilai pada
bagian ini diambil langsung dari objek chart yang tertanam pada
berkas PowerPoint perkuliahan, bukan diketik melalui pembacaan gambar.
Data tersebut mengikuti keterangan pada slide sebagai situasi
tahun 2019. Berkas CSV disertakan di folder data
agar proses pembuatan grafik dapat diulang.
komputer <- read.csv("data/penggunaan_komputer_2019.csv",
stringsAsFactors = FALSE, fileEncoding = "UTF-8")
stopifnot(nrow(komputer) == 34, !anyNA(komputer$persentase))
komputer <- komputer %>% arrange(desc(persentase))
median_komputer <- median(komputer$persentase)
# Menentukan tiga pengamatan terbesar dan tiga terkecil berdasarkan data.
tiga_teratas <- head(komputer$provinsi, 3)
tiga_terbawah <- tail(komputer$provinsi, 3)
komputer <- komputer %>%
mutate(kelompok = case_when(
provinsi %in% tiga_teratas ~ "Tiga tertinggi",
provinsi %in% tiga_terbawah ~ "Tiga terendah",
TRUE ~ "Provinsi lainnya"
),
# Faktor dibalik supaya nilai tertinggi tampil pada bagian atas grafik.
provinsi_tampil = factor(provinsi, levels = rev(provinsi)))
cat("Jumlah provinsi:", nrow(komputer), "\n")## Jumlah provinsi: 34cat("Median persentase:", angka_id(median_komputer), "%\n")## Median persentase: 14,20 %komputer %>% select(provinsi, persentase) %>% head(6)## provinsi persentase
## 1 DKI JAKARTA 23.51
## 2 DI YOGYAKARTA 23.35
## 3 KEP. RIAU 20.72
## 4 KALIMANTAN TIMUR 19.42
## 5 BALI 18.62
## 6 KALIMANTAN UTARA 18.02Panjang batang tetap mewakili persentase dan kategori diurutkan dari terbesar ke terkecil. Saya mempertahankan seluruh pengamatan, tetapi hanya menonjolkan dua kelompok nilai ekstrem dengan warna berbeda. Garis putus-putus menunjukkan median sebagai titik pembanding. Pilihan ini memperkuat signal tanpa mengurangi informasi mengenai keragaman antarprovinsi.
ggplot(komputer, aes(x = provinsi_tampil, y = persentase, fill = kelompok)) +
geom_col(width = 0.73) +
geom_hline(yintercept = median_komputer, linetype = "dashed",
colour = "#536E7E", linewidth = 0.65) +
geom_text(aes(label = angka_id(persentase)), hjust = -0.13,
size = 3.2, colour = "#253D4C") +
coord_flip(clip = "off") +
scale_fill_manual(values = c("Tiga tertinggi" = warna_jingga,
"Tiga terendah" = "#5683A0",
"Provinsi lainnya" = "#B9D8D9")) +
scale_y_continuous(limits = c(0, 27), breaks = seq(0, 25, 5),
labels = function(x) paste0(x, "%"),
expand = expansion(mult = c(0, 0))) +
labs(title = "Persentase penggunaan komputer antarprovinsi",
subtitle = "34 provinsi, situasi tahun 2019; diurutkan menurut persentase",
x = NULL, y = "Persentase", fill = NULL,
caption = paste0("Garis putus-putus: median ", angka_id(median_komputer),
"%. Sumber angka: objek grafik pada slide 8–9 (bersumber BPS menurut slide).")) +
tema_visual(12) +
theme(axis.text.y = element_text(size = 9),
legend.position = "bottom",
panel.grid.major.x = element_line(colour = "#E8EEF1"))
Diagram batang terurut dengan sorotan pada provinsi tertinggi dan terendah; seluruh 34 provinsi tetap diperlihatkan.
Nilai tertinggi terdapat pada DKI Jakarta (23,51%), diikuti Daerah Istimewa Yogyakarta (23,35%) dan Kepulauan Riau (20,72%). Sebaliknya, Papua (8,20%), Lampung (9,94%), dan Kalimantan Barat (10,45%) termasuk tiga nilai terendah. Rentang antara nilai tertinggi dan terendah sebesar 15,31 poin persentase.
Grafik menunjukkan bahwa persentase penggunaan komputer berbeda cukup besar antarprovinsi pada tahun yang disajikan. Visualisasi ini tidak menguji penyebab perbedaan dan tidak menjelaskan kondisi setelah 2019. Provinsi yang tampak tinggi atau rendah perlu ditafsirkan berdasarkan indikator dan periode yang sama, bukan sebagai peringkat kemampuan digital secara umum.
Slide slide 27, bagian Visualisasi Ketidakpastian. Jenis visualisasi: titik dan selang ketidakpastian (point-range plot).
Slide 27 membandingkan diagram batang tanpa dan dengan error bar.
Slide 27 sudah mengajarkan hal penting: dua grafik yang memiliki rataan serupa dapat menyampaikan informasi berbeda ketika salah satunya dilengkapi error bar. Pada contoh persentase petani berlahan kecil di Kamboja, pembaca perlu mempertimbangkan ketidakpastian di sekitar nilai pendugaan, bukan sekadar membandingkan tinggi batang.
Perbaikannya bersifat penajaman tampilan, bukan koreksi kesalahan slide. Jika sasaran utama adalah membandingkan pendugaan antartahun dan ketidakpastiannya, batang dari nol dapat diganti dengan titik dugaan dan garis selang. Dengan cara itu, unsur visual yang paling diperhatikan adalah posisi titik dan lebar selangnya.
Batas data: slide 27 menampilkan contoh grafik sebagai gambar, tetapi data mentah, galat baku, dan taraf selangnya tidak tersedia dalam bahan yang dilampirkan. Angka dalam contoh berikut sengaja dibuat ilustratif untuk memperagakan rancangan grafik. Angka ini bukan hasil pengolahan ulang atau angka resmi tentang Kamboja.
Saya menggunakan empat nilai ilustratif yang mendekati kisaran gambar, kemudian menambahkan batas bawah dan batas atas ilustratif. Diagram yang baru memperlihatkan titik dugaan serta rentang ketidakpastiannya secara langsung. Jenis selang belum saya sebut sebagai selang kepercayaan 95%, sebab tidak ada informasi mengenai prosedur pendugaan, rancangan contoh, ataupun taraf keyakinan pada data yang digunakan dalam peragaan ini.
# DATA ILUSTRATIF, hanya untuk memperagakan point-range plot.
ketidakpastian <- data.frame(
tahun = factor(2012:2015),
dugaan = c(42.0, 41.1, 40.4, 39.8),
batas_bawah = c(38.7, 37.8, 37.0, 36.2),
batas_atas = c(45.3, 44.4, 43.8, 43.4)
)
stopifnot(all(ketidakpastian$batas_bawah <= ketidakpastian$dugaan),
all(ketidakpastian$dugaan <= ketidakpastian$batas_atas))
ketidakpastian## tahun dugaan batas_bawah batas_atas
## 1 2012 42.0 38.7 45.3
## 2 2013 41.1 37.8 44.4
## 3 2014 40.4 37.0 43.8
## 4 2015 39.8 36.2 43.4ggplot(ketidakpastian, aes(x = tahun, y = dugaan)) +
geom_errorbar(aes(ymin = batas_bawah, ymax = batas_atas),
width = 0.12, linewidth = 1.0, colour = warna_biru) +
geom_point(size = 3.6, colour = warna_jingga) +
geom_text(aes(label = paste0(angka_id(dugaan, 1), "%")),
vjust = -1.9, size = 4, colour = "#17364B", fontface = "bold") +
scale_y_continuous(limits = c(30, 50), breaks = seq(30, 50, 5),
labels = function(x) paste0(x, "%")) +
labs(title = "Titik dugaan dan rentang ketidakpastian",
subtitle = "Contoh ilustratif berdasarkan konsep pada slide 27",
x = "Tahun", y = "Persentase",
caption = "Catatan: angka dan batas selang dibuat untuk peragaan, bukan pendugaan dari data Kamboja.") +
tema_visual()
Peragaan point-range plot menggunakan data ilustratif. Panjang garis menunjukkan rentang ketidakpastian yang diasumsikan untuk keperluan peragaan.
Pada data ilustratif, nilai dugaan cenderung sedikit menurun dari tahun 2012 sampai 2015. Namun, rentang ketidakpastian antar tahun tampak saling bertumpang tindih. Kondisi tersebut mengingatkan bahwa perbedaan angka dugaan tidak otomatis berarti perbedaan yang meyakinkan secara statistik. Keterkaitan antara selang yang bertumpang tindih dan pengujian perbedaan juga tidak dapat ditentukan hanya dari gambar; kesimpulan formal tetap memerlukan metode pendugaan dan pengujian yang sesuai.
Slide : 10. Ini merupakan penyempurnaan contoh, bukan rekonstruksi data kasus dunia yang ditampilkan pada gambar.
Slide 10: grafik kasus harian dan rataan bergerak digunakan sebagai pengantar signal versus noise.
Dalam deret waktu, perubahan harian yang berfluktuasi dapat menutupi kecenderungan umum. Pada gambar sumber, informasi harian, rataan bergerak, teks kecil, serta legenda tampil sekaligus. Pembaca perlu membedakan keragaman jangka pendek dari kecenderungan umum, bukan menyamakan rataan bergerak dengan data yang lebih benar.
Saya membuat contoh terpisah dengan garis harian berwarna netral dan rataan bergerak tujuh pengamatan yang lebih tegas. Angka berikut simulasi, tidak berasal dari data kasus yang dipakai pada slide 10. Dengan demikian, perbaikan yang diperagakan adalah cara mengarahkan perhatian, bukan mengubah informasi epidemiologis dari grafik asli.
set.seed(2581)
hari <- seq_len(90)
tren <- 20 + 0.42 * hari + 15 * sin(hari / 18)
series_harian <- pmax(0, round(tren + rnorm(90, sd = 9)))
series_halusan <- vapply(hari, function(i) if (i < 7) NA_real_ else
mean(series_harian[(i - 6):i]), numeric(1))
tren_ilustrasi <- data.frame(hari, series_harian, series_halusan)ggplot(tren_ilustrasi, aes(hari)) +
geom_line(aes(y = series_harian), colour = "#C3CCD4", linewidth = 0.65) +
geom_line(aes(y = series_halusan), colour = warna_biru, linewidth = 1.3, na.rm = TRUE) +
labs(title = "Rataan bergerak membantu membaca kecenderungan",
subtitle = "Garis abu-abu: pengamatan harian; garis biru: rataan bergerak 7 hari",
x = "Urutan hari", y = "Nilai pengamatan (ilustrasi)",
caption = "Angka simulasi untuk menjelaskan konsep pada slide 10, bukan data sumber.") + tema_visual()
Peragaan signal–noise memakai data simulasi, bukan angka kasus pada slide 10.
Pada data ilustratif, pengamatan harian naik-turun di sekitar kecenderungan yang lebih halus. Garis rataan bergerak membuat perubahan umum lebih mudah dibaca, tetapi juga dapat meredam puncak dan menimbulkan keterlambatan respons terhadap perubahan. Pada kasus nyata, keduanya tetap perlu ditafsirkan sesuai tujuan analisis.
Slide : 18. Grafik batang dalam materi dosen sudah sesuai untuk membandingkan negara tujuan. Ada satu masalah istilah: sumbu vertikal berbunyi “Berat Bersih (ribu ton)”, sedangkan keterangan gambar menyebut “nilai ekspor”. Berat dan nilai ekspor bukan besaran yang sama. Masalah lainnya adalah ukuran label ketika gambar ditempatkan kecil pada slide.
Slide 18: grafik besaran ditempatkan dalam bidang yang relatif kecil.
Label negara, sumbu, satuan, dan sumber menjadi kecil pada proyektor. Selain itu, istilah nilai ekspor dapat menimbulkan kesan bahwa sumbu menunjukkan besaran uang, padahal angka merupakan berat bersih ekspor dalam ribu ton. Bentuk diagram batang sendiri sudah tepat untuk perbandingan besaran.
Saya memperbesar gambar grafik asli yang tertanam dalam PowerPoint, bukan menyalin atau memperkirakan ulang tinggi batang. Dalam uraian dan keterangan grafik, saya menggunakan istilah yang mengikuti sumbu, yakni berat bersih ekspor (ribu ton), bukan nilai ekspor. Perbaikan grafis menjaga negara, batas sumbu, dan sumber seperti gambar asal. Untuk mengganti label yang tercetak di dalam grafik secara sempurna, diperlukan berkas grafik asli yang dapat diedit atau data numeriknya.
Gambar asli yang diekstrak dan disajikan lebih besar; tidak ada nilai ekspor yang diubah.
Gambar memperlihatkan bahwa Amerika Serikat menempati urutan teratas dalam berat bersih ekspor kopi ke negara-negara tujuan pada contoh tahun 2018, sementara berat pada beberapa negara tujuan lain lebih kecil. Karena slide hanya memuat gambar, laporan ini tidak mencantumkan angka rinci yang tidak tertulis dan tidak mengklaim melakukan analisis ulang ekspor kopi.
Slide : 19. Slide ini berisi histogram, kurva kerapatan, diagram biola, dan boxplot sebagai contoh jenis visualisasi, bukan satu grafik yang salah.
Slide 19: beberapa bentuk visualisasi sebaran ditunjukkan bersama.
Ukuran setiap contoh relatif kecil sehingga informasi tentang bentuk sebaran, posisi pusat, kemencengan, serta pencilan tidak langsung terbaca. Keempat grafik juga tidak dapat dibandingkan secara langsung bila peubah dan datanya berbeda.
Saya menggunakan satu peubah numerik ilustratif yang sama untuk histogram dan boxplot, dengan label jelas. Dengan begitu, pembaca bisa melihat bahwa keduanya menceritakan aspek sebaran yang berbeda.
set.seed(2582)
sebaran_simulasi <- data.frame(nilai = rgamma(320, shape = 3.8, scale = 2.2))ggplot(sebaran_simulasi, aes(nilai)) +
geom_histogram(binwidth = 1.8, fill = warna_biru, colour = "white", linewidth = 0.3) +
geom_vline(xintercept = median(sebaran_simulasi$nilai), linetype = "dashed", colour = warna_jingga, linewidth = .8) +
labs(title = "Histogram menunjukkan bentuk dan kemencengan sebaran",
subtitle = "Garis putus-putus menandai median",
x = "Nilai peubah (simulasi)", y = "Frekuensi",
caption = "Data simulasi; bukan pengamatan dari gambar pada slide 19.") + tema_visual()
Histogram untuk membaca bentuk sebaran. Data dibangkitkan khusus untuk peragaan.
ggplot(sebaran_simulasi, aes(x = nilai, y = "")) +
geom_boxplot(fill = "#83C4C3", colour = warna_biru, outlier.colour = warna_jingga, width = .35) +
labs(title = "Boxplot menonjolkan ringkasan lima angka dan pencilan",
x = "Nilai peubah (simulasi)", y = NULL,
caption = "Menggunakan data simulasi yang sama dengan histogram di atas.") + tema_visual() +
theme(axis.text.y = element_blank(), axis.ticks.y = element_blank())
Boxplot untuk melihat median, kuartil, dan pengamatan ekstrem dari data simulasi yang sama.
Histogram lebih jelas untuk memahami pola frekuensi dan kemencengan. Boxplot lebih ringkas untuk median, kuartil, rentang, dan pencilan menurut aturan whisker yang digunakan. Tidak ada satu grafik yang selalu lebih baik; pilihannya bergantung pada informasi yang ingin ditonjolkan.
Slide : 20–21. Tiga cara menyajikan komposisi yang ditunjukkan dosen semuanya dapat digunakan, tetapi memiliki ketepatan pembacaan berbeda.
Slide 20: diagram lingkaran, batang bertumpuk, dan diagram batang untuk komposisi.
Slide 21: ilustrasi efektivitas berbagai diagram komposisi.
Bila penekanannya adalah membandingkan besar persentase tiap kelompok, diagram batang dengan titik awal sama memudahkan pembaca menentukan selisih dibanding luas juring atau segmen bertumpuk. Pada slide 20–21, contoh diletakkan berdekatan dengan label/legenda yang kecil.
Sebagai peragaan, saya membuat ulang satu komposisi ilustratif yang berjumlah 100% dalam bentuk batang terurut dan label langsung. Proporsinya bukan hasil pembacaan angka dari slide dosen.
komposisi_simulasi <- data.frame(kategori = c("Kelompok A", "Kelompok B", "Kelompok C"),
persen = c(52, 33, 15))
stopifnot(sum(komposisi_simulasi$persen) == 100)
komposisi_simulasi$kategori <- factor(komposisi_simulasi$kategori, levels = rev(komposisi_simulasi$kategori))ggplot(komposisi_simulasi, aes(x = kategori, y = persen)) +
geom_col(fill = warna_biru, width = .62) +
geom_text(aes(label = paste0(persen,"%")), hjust = -.24, fontface="bold", colour="#17364B", size=4.2) +
coord_flip() + scale_y_continuous(limits=c(0,60),breaks=seq(0,60,10),labels=function(x) paste0(x,"%")) +
labs(title="Posisi pada sumbu yang sama memudahkan perbandingan kategori",x=NULL,y="Persentase",caption="Data ilustratif; struktur total 100% digunakan untuk peragaan.") + tema_visual()
Contoh batang kategori dengan persentase ilustratif; tidak merekonstruksi data etnis dari slide 20.
Pada data ilustratif, Kelompok A menyumbang 52% dan lebih besar daripada dua kelompok lain. Grafik batang menyampaikan urutan dan selisih persentasenya secara langsung. Sementara itu, diagram lingkaran tetap dapat dipakai jika tujuannya hanya menunjukkan bagian-bagian dari satu total dan jumlah kategori sedikit.
Slide : 22. Contoh visualisasi menjelaskan komposisi surat utang menurut masa jatuh tempo sepanjang waktu.
Slide 22: komposisi menurut periode waktu.
Pada grafik komposisi 100%, perubahan komponen tengah sulit dibandingkan bila jumlah segmen dan periode terlalu banyak. Warna dan legenda yang kecil juga menyulitkan pembaca mengenali kelompok mana yang meningkat.
Saya menggunakan empat kategori dan delapan periode pada data simulasi untuk mencontohkan grafik area bertumpuk 100%. Perbaikan terletak pada pengurangan kategori, legenda singkat, dan keterbacaan perubahan; bukan pada klaim perubahan komposisi surat utang sebenarnya.
tahun_komposisi <- 2015:2022
komposisi_waktu <- data.frame(
tahun = rep(tahun_komposisi, each=4),
kelompok = factor(rep(c("< 1 tahun","1–5 tahun","5–10 tahun","> 10 tahun"), times=8),
levels = c("< 1 tahun","1–5 tahun","5–10 tahun","> 10 tahun")),
persen = as.vector(t(rbind(
seq(17, 11, length.out=8), seq(31, 28, length.out=8),
seq(29, 32, length.out=8), seq(23, 29, length.out=8)
)))
)
stopifnot(all(abs(tapply(komposisi_waktu$persen, komposisi_waktu$tahun, sum)-100)<1e-8))## Error in (function(inputFile, encoding) {: all(abs(tapply(komposisi_waktu$persen, komposisi_waktu$tahun, .... is not TRUEggplot(komposisi_waktu,aes(x=tahun,y=persen,fill=kelompok)) +
geom_area(colour="white",linewidth=.3,alpha=.93) +
scale_fill_manual(values=c("#215F86","#48A7A2","#F0AC62","#C9D6DF")) +
scale_x_continuous(breaks=tahun_komposisi) +
scale_y_continuous(limits=c(0,100), breaks=seq(0,100,25),labels=function(x)paste0(x,"%")) +
labs(title="Perubahan proporsi lebih mudah dilihat menurut waktu",x="Tahun (ilustrasi)",y="Persentase dari total",fill="Masa jatuh tempo",caption="Data simulasi dan kategori disederhanakan untuk peragaan cara membaca komposisi.") +
tema_visual() + theme(legend.position="bottom",panel.grid.major.y=element_line(colour="#EFF2F5"))## Error in `geom_area()`:
## ! Problem while converting geom to grob.
## ℹ Error occurred in the 1st layer.
## Caused by error in `unit()`:
## ! 'x' and 'units' must have length > 0Contoh ini memperlihatkan pergeseran proporsi antarkelompok. Namun, karena seluruh segmen dibagi terhadap total 100%, grafik tidak menunjukkan perubahan jumlah surat utang secara absolut. Dalam penerapan nyata, proporsi perlu dilengkapi informasi total jika besaran total juga penting.
Slide : 23. Treemap dan mosaic plot memang cocok untuk membaca susunan dan kombinasi kategori, tetapi bisa kurang efektif untuk membuat peringkat sederhana.
Slide 23: contoh treemap dan mosaic plot pada materi komposisi.
Luas petak memerlukan perkiraan dua dimensi; label kategori kecil juga dapat bertumpuk. Jika pertanyaan utama adalah kategori mana paling tinggi atau paling rendah, perbandingan menggunakan panjang batang lebih mudah.
Saya memberi contoh alternatif berdasarkan data kategori ilustratif. Bukan berarti treemap harus selalu diganti, melainkan jenis visualisasi disesuaikan dengan tujuan pembacaan.
kategori_simulasi <- data.frame(kategori = c("A", "B", "C", "D", "E", "F"),
jumlah=c(420,300,170,125,95,60))
kategori_simulasi <- kategori_simulasi %>% arrange(jumlah)
kategori_simulasi$kategori <- factor(kategori_simulasi$kategori,levels=kategori_simulasi$kategori)ggplot(kategori_simulasi,aes(kategori,jumlah)) +
geom_col(fill=warna_biru,width=.66) +
geom_text(aes(label=jumlah),hjust=-.15,size=4,colour="#193D55") +
coord_flip() + scale_y_continuous(limits=c(0,480),expand=expansion(mult=c(0,0))) +
labs(title="Batang terurut memudahkan pemeringkatan besaran",x="Kategori ilustratif",y="Jumlah (simulasi)",caption="Angka contoh bukan data perdagangan/telekomunikasi pada slide 23.") + tema_visual()
Contoh batang terurut untuk tujuan pemeringkatan kategori; angka simulasi.
Kategori A pada data ilustratif mempunyai jumlah terbesar. Urutannya terbaca tanpa membandingkan luas kotak. Untuk melihat proporsi suatu hierarki atau silang antardua peubah kategori, treemap dan mosaic plot tetap memiliki keunggulan yang tidak diberikan grafik batang sederhana.
Slide : 24. Contoh plot tebaran sudah sesuai untuk memperlihatkan hubungan dua peubah numerik.
Slide 24: beberapa contoh plot tebaran hubungan dua peubah numerik.
Titik yang saling menumpuk dapat menyembunyikan jumlah pengamatan pada daerah padat. Garis tren juga perlu dibedakan dari titik asli agar tidak memberikan kesan model selalu tepat.
Dengan data ilustratif, saya menambahkan transparansi pada titik dan garis tren linear yang ditekankan secukupnya. Label sumbu dibuat eksplisit. Penyajian ini tidak bermaksud membuktikan hubungan sebab-akibat.
set.seed(2583)
tebaran_simulasi <- data.frame(x = runif(180,5,45))
tebaran_simulasi$y <- 75 - 1.15 * tebaran_simulasi$x + rnorm(180,0,11)ggplot(tebaran_simulasi,aes(x,y)) +
geom_point(size=1.9,alpha=.38,colour=warna_toska) +
geom_smooth(method="lm",se=FALSE,colour=warna_jingga,linewidth=1.1) +
labs(title="Hubungan negatif antara dua peubah pada contoh simulasi",
subtitle="Transparansi membantu melihat daerah pengamatan yang rapat",
x="Peubah penjelas (simulasi)",y="Peubah respons (simulasi)",
caption="Data simulasi; garis merupakan ringkasan hubungan linear, bukan bukti kausalitas.") + tema_visual()
Plot tebaran, transparansi titik, dan garis regresi untuk data ilustratif.
Pada contoh simulasi terlihat kecenderungan respons yang menurun ketika peubah penjelas meningkat, tetapi titik-titik tetap memiliki keragaman di sekitar garis. Plot memperlihatkan pola hubungan, bukan alasan terjadinya hubungan tersebut.
Slide : 25–26. Kedua slide sudah memperlihatkan visualisasi tren; masalah utamanya ialah banyak grafik/garis kecil ditampilkan secara bersamaan.
Slide 25: beberapa representasi deret waktu ditampilkan bersamaan.
Slide 26: dua grafik multiseri untuk menjelaskan perubahan menurut waktu.
Ketika tujuan pembahasan hanya dua seri, legenda yang jauh dari garis dan banyak warna membuat pembaca terus berpindah perhatian. Menampilkan grafik besar dengan label langsung pada ujung garis dapat membantu.
Saya memakai dua seri ilustratif dengan satuan yang sama, satu panel, garis yang kontras, dan label langsung. Apabila dua seri memiliki satuan berbeda, keduanya sebaiknya tidak dipaksakan ke satu sumbu tanpa penjelasan memadai.
set.seed(2584)
bulan <- 1:24
tren_ganda <- data.frame(
bulan=rep(bulan,2),
seri=rep(c("Seri A","Seri B"),each=24),
nilai=c(30+.6*bulan + 7*sin(bulan/4) + rnorm(24,0,1.3),
44-.25*bulan + 4*cos(bulan/3) + rnorm(24,0,1.3))
)
label_akhir <- tren_ganda %>% filter(bulan==max(bulan))ggplot(tren_ganda,aes(bulan,nilai,colour=seri)) +
geom_line(linewidth=1.05) +
geom_text(data=label_akhir,aes(label=seri),hjust=-.1,show.legend=FALSE,fontface="bold",size=4) +
scale_colour_manual(values=c("Seri A"=warna_biru,"Seri B"=warna_jingga)) +
scale_x_continuous(breaks=seq(0,24,4),limits=c(1,27)) +
labs(title="Label langsung memudahkan mengikuti dua seri",x="Bulan pengamatan (simulasi)",y="Nilai pada satuan yang sama (simulasi)",caption="Data ilustratif; bukan deret waktu pada slide 25–26.") +
tema_visual() + theme(legend.position="none")
Grafik dua seri dengan label langsung pada akhir garis; data ilustratif.
Pada data ilustratif, Seri A cenderung mengalami peningkatan sedangkan Seri B memiliki kecenderungan lebih datar/menurun, dengan fluktuasi berkala. Perbedaan keduanya tampak tanpa harus mencocokkan warna ke legenda berulang kali. Ini menunjukkan manfaat pemilihan garis, posisi, dan warna secara hemat.
Slide : 28. Contoh sudah memperlihatkan ketidakpastian regresi, tetapi interpretasi pembaca lebih kuat jika dibedakan antara ketidakpastian rataan respons dan ketidakpastian nilai individu.
Slide 28: contoh visualisasi ketidakpastian kurva regresi.
Area pita atau selang pada suatu grafik tidak cukup hanya ditampilkan; pembaca perlu mengetahui kuantitas apa yang dilingkupi. Selang untuk rataan respons bersyarat berbeda dari selang prediksi suatu pengamatan baru.
Saya mensimulasikan data mengikuti model regresi linear, kemudian menghitung selang kepercayaan rataan respons dan selang prediksi individual pada taraf 95%. Ini bukan penaksiran ulang data kebakaran hutan pada slide sumber.
set.seed(2585)
data_regresi <- data.frame(x = runif(85,0,10))
data_regresi$y <- 7 + 2.8*data_regresi$x + rnorm(85,0,5.5)
model_regresi <- lm(y~x,data=data_regresi)
grid_regresi <- data.frame(x=seq(0,10,length.out=120))
rataan_regresi <- predict(model_regresi,newdata=grid_regresi,interval="confidence",level=.95)
prediksi_regresi <- predict(model_regresi,newdata=grid_regresi,interval="prediction",level=.95)
interval_regresi <- data.frame(grid_regresi,
fit=rataan_regresi[,"fit"],
ci_lwr=rataan_regresi[,"lwr"],ci_upr=rataan_regresi[,"upr"],
pi_lwr=prediksi_regresi[,"lwr"],pi_upr=prediksi_regresi[,"upr"])ggplot() +
geom_ribbon(data=interval_regresi,aes(x=x,ymin=pi_lwr,ymax=pi_upr),fill="#F4C187",alpha=.50) +
geom_ribbon(data=interval_regresi,aes(x=x,ymin=ci_lwr,ymax=ci_upr),fill=warna_toska,alpha=.42) +
geom_point(data=data_regresi,aes(x=x,y=y),size=1.5,alpha=.50,colour="#44576A") +
geom_line(data=interval_regresi,aes(x=x,y=fit),colour=warna_biru,linewidth=1.1) +
labs(title="Selang prediksi individu umumnya lebih lebar daripada selang rataan",
subtitle="Pita jingga: prediksi individu 95%; pita toska: rataan respons 95%",
x="Peubah penjelas (simulasi)",y="Peubah respons (simulasi)",
caption="Interval dihitung dari model linear pada data simulasi; bukan dari data slide 28.") +
tema_visual()
Selang rataan respons dan prediksi individu pada data simulasi, keduanya 95%.
Lebarnya pita prediksi individual mencerminkan variasi pengamatan baru sekaligus ketidakpastian pendugaan, sedangkan pita rataan respons hanya berfokus pada ketidakpastian fungsi rataan. Karena itu, kedua pita menjawab pertanyaan statistik yang berbeda. Bentuk interval yang tepat juga bergantung pada asumsi model dan tujuan inferensi.
Slide : 29. Slide memuat diagram jejaring dan word cloud; kedua bentuk itu mempunyai tujuan yang berbeda. Diagram jejaring memetakan koneksi, sedangkan word cloud menekankan kata yang sering muncul.
Slide 29: diagram jejaring dan word cloud.
Ukuran huruf pada word cloud tidak mudah dipakai untuk membandingkan frekuensi secara presisi. Letak kata juga tidak menunjukkan urutan yang konsisten. Jika fokusnya kategori kata paling sering muncul, pembaca lebih mudah menggunakan panjang batang.
Saya membuat frekuensi kata ilustratif dan menyajikannya dalam batang horizontal terurut. Diagram jejaring tidak diubah menjadi diagram batang karena yang disampaikan berbeda, yakni struktur keterhubungan antarsimpul.
kata_simulasi <- data.frame(kata=c("pangan","wilayah","data","indikator","akses","harga","gizi"),
frekuensi=c(67,48,43,35,25,18,13))
kata_simulasi <- kata_simulasi %>% arrange(frekuensi)
kata_simulasi$kata <- factor(kata_simulasi$kata,levels=kata_simulasi$kata)ggplot(kata_simulasi,aes(kata,frekuensi)) +
geom_col(fill=warna_biru,width=.7) +
geom_text(aes(label=frekuensi),hjust=-.18,fontface="bold",colour="#17364B") +
coord_flip() + scale_y_continuous(limits=c(0,75),expand=expansion(mult=c(0,0))) +
labs(title="Frekuensi kata lebih mudah dibandingkan pada sumbu yang sama",
x=NULL,y="Frekuensi (simulasi)",caption="Data ilustratif untuk membandingkan rancangan grafik.") + tema_visual()
Alternatif word cloud berupa diagram batang frekuensi kata. Jumlah simulasi, bukan frekuensi kata pada slide 29.
Pada data ilustratif, kata “pangan” memiliki frekuensi tertinggi dan kata “gizi” terendah. Dengan batang terurut, perbedaan antarkata terlihat jelas. Word cloud tetap dapat digunakan untuk ringkasan eksploratif yang menekankan kata dominan, tetapi tidak ideal untuk membandingkan selisih frekuensi.
Slide : 30. Peta tematik sudah sesuai untuk melihat sebaran spasial tingkat kemiskinan, tetapi tampilannya kecil dengan legenda yang sulit dibaca di slide.
Slide 30: peta tematik kemiskinan dan gradasi warna.
Peta tidak tepat diubah menjadi grafik batang bila sasaran utamanya adalah pola geografis. Perbaikan diperlukan pada keterbacaan wilayah, ukuran peta, informasi tahun, dan legenda yang menerangkan arah gradasi. Warna tidak boleh diinterpretasikan sebagai data baru tanpa angka wilayah yang mendasarinya.
Saya memperbesar gambar peta asli yang tertanam pada PowerPoint, tanpa merekonstruksi geometri, angka, atau warna wilayah. Pada penggunaan peta ini, legenda perlu disebutkan eksplisit: berdasarkan keterangan slide, warna yang semakin gelap menunjukkan tingkat kemiskinan semakin tinggi. Informasi ini hendaknya dibaca sebagai persentase kemiskinan 2020, bukan jumlah penduduk miskin.
Peta sumber asli ditampilkan besar untuk memperjelas bentuk wilayah dan gradasi. Tidak ada warna wilayah yang diubah.
Peta memperlihatkan variasi geografis nilai kemiskinan antarprovinsi pada contoh tahun 2020. Gradasi warna memberi petunjuk lokasi yang relatif lebih tinggi atau rendah, tetapi tanpa angka tingkat provinsi tidak tepat menyebut peringkat ataupun besarnya selisih secara presisi. Jika diperlukan perbandingan kuantitatif, peta sebaiknya disertai tabel atau diagram batang berdasarkan data asli.
Secara keseluruhan, perbaikan yang paling mendasar terdapat pada penggunaan diagram lingkaran untuk persentase menurut tanggal (slide 6). Grafik lain lebih banyak memerlukan penyempurnaan tata letak, label, fokus pembacaan, dan pengurangan noise. Menempatkan ulang setiap slide agar menjadi grafik baru tidak selalu lebih baik; beberapa contoh memang disusun untuk membandingkan jenis visualisasi.
Angka pada tiga perbaikan pertama dijaga sesuai yang tersedia dalam materi. Pada slide yang data mentahnya tidak tersedia, data simulasi hanya dipakai untuk memperagakan teknik penyajian dan dipisahkan secara jelas dari angka sumber. Hal ini penting agar visualisasi yang tampak lebih menarik tidak menimbulkan interpretasi empiris yang keliru.