Data Visualization: Mengubah Angka Jadi Cerita
Setelah kita bahas EDA (Exploratory Data Analysis) di Part 5, sekarang kita masuk ke salah satu skill paling krusial buat Data Analyst:
👉 Data Visualization
Di tahap ini, tugas kita bukan lagi sekadar ngolah data, tapi menyampaikan cerita dari data supaya orang lain bisa paham dan ambil keputusan.
Masalahnya?
Banyak chart itu kelihatan keren, tapi misleading.
Dan banyak insight bagus gagal nyampe karena cara jelasin ke stakeholder kurang tepat.
Di part ini, kita bakal bahas:
Jenis chart & kapan dipakai
Kesalahan visualisasi yang sering terjadi
Cara nyampein insight ke non-tech (bos & stakeholder)
1️⃣ Data Visualization Itu Bukan Hiasan
Banyak orang mikir visualisasi = bikin chart warna-warni.
Padahal inti dari data visualization itu adalah:
Membantu otak manusia memahami pola, tren, dan perbandingan dengan cepat.
Kalau chart kamu:
Bikin orang mikir lama
Perlu dijelasin 10 menit
Atau malah bikin salah paham
Berarti visualisasinya belum berhasil.
2️⃣ Pilih Chart yang Tepat (Ini Wajib Tahu)
📊 Bar Chart
Pakai kalau:
Bandingin kategori
Contoh: penjualan per produk, jumlah user per platform
✅ Paling aman dan paling sering dipakai
❌ Jangan kebanyakan kategori (maks 10–12)
📈 Line Chart
Pakai kalau:
Melihat tren waktu
Contoh: penjualan per bulan, traffic harian
✅ Cocok buat time series
❌ Jangan pakai buat data kategori
🥧 Pie Chart (Hati-hati!)
Pakai kalau:
Proporsi sederhana
Maksimal 3–4 kategori
❌ Jangan dipakai kalau datanya banyak
❌ Jangan pakai kalau perbedaannya tipis
Tips pro: sering kali bar chart lebih baik dari pie chart.
📉 Scatter Plot
Pakai kalau:
Mau lihat hubungan dua variabel
Contoh: harga vs penjualan
✅ Cocok buat analisis korelasi
3️⃣ Chart yang Misleading (Ini Sering Banget Terjadi)
❌ Sumbu Y Dipotong
Contoh:
Grafik penjualan naik dari 100 ke 110
Tapi sumbu Y mulai dari 95
Hasilnya?
👉 Kenaikan terlihat dramatis padahal kecil.
✅ Solusi: mulai dari nol atau jelasin konteksnya.
❌ Terlalu Banyak Warna
Semua kategori beda warna
Tidak ada makna warna
Hasilnya?
👉 Mata capek, pesan hilang.
✅ Solusi:
Gunakan 1 warna utama
Highlight hanya poin penting
❌ Chart Tidak Menjawab Pertanyaan
Chart itu harus bisa jawab:
Apa yang mau gue jelasin?
So what-nya apa?
Kalau chart cuma "karena datanya ada", itu red flag 🚩
4️⃣ Cara Nyampein Insight ke Non-Tech (Bos & Stakeholder)
Ini skill yang bikin Data Analyst naik level.
🧠Ingat: Mereka Tidak Peduli Query & Rumus
Bos dan stakeholder biasanya tidak peduli:
SQL query
DAX formula
Python code
Yang mereka peduli:
👉 Dampaknya ke bisnis
🗣️ Gunakan Pola Cerita Sederhana
Pakai pola ini:
1️⃣ Kondisi – Apa yang sedang terjadi?
2️⃣ Insight – Kenapa ini penting?
3️⃣ Action – Harus ngapain?
Contoh:
"Penjualan frozen food turun 15% di weekday. Dari data terlihat jam beli paling rendah di jam kerja. Kita bisa dorong promo lunch package jam 11–13."
Simple. Kena. Bisa dieksekusi.
5️⃣ Dashboard yang Baik = Bisa Dipahami Tanpa Dijelasin
Dashboard yang bagus itu:
Orang lihat → langsung ngerti
Tidak perlu kamu jelasin satu-satu
Checklist dashboard sehat:
Judul jelas
Angka utama (KPI) kelihatan
Chart tidak berlebihan
Insight bisa ditarik dalam < 30 detik
Penutup
Data Visualization bukan soal bikin chart yang cantik.
Ini soal:
Kejelasan
Kejujuran data
Dampak ke keputusan
Kalau kamu bisa:
Analisis data dengan benar
Visualisasi dengan tepat
Komunikasi ke non-tech dengan jelas
👉 Kamu bukan cuma Data Analyst, tapi Business Partner.
Next Part 🚀
Di Part 7, kita bakal bahas:
👉 Tools Data Analyst (Excel, SQL, Python, BI Tools)
👉 Mana yang wajib dikuasai dulu
👉 Learning path realistis buat pemula
Stay hungry. Stay curious. 📊🔥
