Transformasi data

Melalui modifikasi data mentah yang sistematis, sejumlah besar informasi dapat diubah
menjadi wawasan untuk mendukung pengambilan keputusan yang lebih baik. Dari
mengamankan data sensitif hingga memungkinkan analitik tingkat lanjut, transformasi data
menjembatani pengumpulan data mentah dan hasil bisnis yang bermakna. Proses ini
merupakan bagian penting dari siklus hidup data, yang memungkinkan data mentah (yang
mungkin tidak terstruktur atau dari berbagai sumber) menjadi aset yang terstruktur dan siap
untuk diolah lebih lanjut menggunakan teknik analitik dan pembelajaran mesin.
Transformasi data adalah proses terstruktur yang mengonversi data dari format sumbernya ke
format target yang dioptimalkan untuk kasus penggunaan tertentu serta memastikan
kompatibilitas dengan sistem target untuk meningkatkan kualitas data dan kegunaan
[Link] ini mencakup konversi format antar sistem dan modifikasi struktural dalam satu
sistem.
Tujuan utama transformasi data dalam konteks big data meliputi:
a. Meningkatkan Kualitas Data: Membersihkan data dari inkonsistensi, kesalahan,
atau nilai yang hilang untuk memastikan keakuratan analisis.
b. Memenuhi Asumsi Analisis: Mengubah pola atau distribusi data agar memenuhi
asumsi statistik tertentu yang diperlukan oleh model analitik (misalnya, transformasi
logaritma untuk membuat data lebih linier atau homogen).
c. Meningkatkan Kompatibilitas: Memastikan data dari berbagai sumber yang
berbeda dapat diintegrasikan dan digunakan secara konsisten oleh berbagai sistem
atau alat analitik.
d. Optimalisasi Kinerja: Menyusun data ke dalam format yang mengoptimalkan
kecepatan akses dan pemrosesan, yang sangat penting mengingat volume dan
kecepatan big data.
e. Memperoleh Wawasan yang Mendalam: Mengubah data menjadi wawasan yang
jelas dan dapat ditindaklanjuti untuk mendorong keputusan bisnis yang lebih cerdas
dan akurat
Transformasi merupakan langkah penting dalam banyak proses, seperti integrasi data,
migrasi, penyimpanan data, dan pengolahan data. Proses transformasi data dapat berupa:
a. Constructive, di mana data ditambahkan, disalin, atau direplikasi
b. Destructive, di mana catatan dan kolom dihapus
c. Aesthetic, di mana nilai-nilai tertentu distandardisasi, atau
d. Structural, yang mencakup penggantian
Data transformation bekerja dengan tujuan sederhana untuk mengekstrak data dari sumber,
mengubahnya menjadi format yang dapat digunakan, dan kemudian mengirimkan data yang
telah diubah ke sistem tujuan. Fase ekstraksi melibatkan pengambilan data dari berbagai
sumber atau lokasi ke dalam repositori pusat, sehingga data tersebut biasanya masih dalam
bentuk mentah yang tidak dapat digunakan. Untuk memastikan kegunaan data yang
diekstraksi, data tersebut harus diubah menjadi format yang diinginkan melalui serangkaian
langkah. Dalam beberapa kasus, data juga perlu dibersihkan sebelum proses transformasi
dilakukan. Langkah ini mengatasi masalah nilai yang hilang dan ketidakkonsistenan yang
terdapat dalam dataset. Proses transformasi data dilakukan dalam lima tahap.
1. Penemuan Data (Discover)
Langkah pertama adalah mengidentifikasi dan memahami data dalam format aslinya dengan
bantuan alat profiling data. Proses ini mungkin termasuk mengambil data mentah dari API,
SQL database, atau berkas internal dalam format yang berbeda. Dalam mengidentifikasi dan
mengekstrak informasi ini, profesional data memastikan bahwa informasi yang dikumpulkan
komprehensif dan relevan dengan penerapan [Link] ini membantu dalam
memahami bagaimana data perlu diubah agar sesuai dengan format yang diinginkan.
1. Pemetaan (Mapping)
Transformasi direncanakan selama fase pemetaan data. Pemetaan data melibatkan pembuatan
skema atau proses pemetaan untuk memandu proses [Link] ini meliputi penentuan
struktur saat ini, serta transformasi yang diperlukan sebagai akibatnya, kemudian memetakan
data untuk memahami pada tingkat dasar, cara bidang-bidang individu akan dimodifikasi,
digabungkan, atau diagregasi.
2. Pembangkitan kode (Code generation)

Kode yang diperlukan untuk menjalankan proses transformasi dibuat pada langkah ini
menggunakan platform atau alat transformasi data.

3. Pelaksanaan (Eksekusi dan validasi kode)

Data akhirnya dikonversi ke format yang dipilih dengan bantuan kode. Selama fase ini,
transformasi aktual terjadi saat kode diterapkan ke data mentah. Data diekstraksi dari sumber
(sumber-sumber), yang dapat bervariasi dari data terstruktur hingga data streaming, telemetri
hingga file log. Selanjutnya, transformasi dilakukan pada data, seperti agregasi, konversi
format, atau penggabungan, sesuai dengan rencana yang ditetapkan pada tahap pemetaan.
Data yang telah ditransformasi kemudian dikirim ke sistem tujuan, yang dapat berupa dataset
atau data warehouse. Data dan model data yang diubah kemudian divalidasi untuk
memastikan konsistensi dan kebenaran.

4. Ulasan (Review)

Data yang telah diubah dievaluasi untuk memastikan bahwa konversi telah menghasilkan
hasil yang diinginkan dalam hal format data.

Perlu juga dicatat bahwa tidak semua data memerlukan transformasi; terkadang data dapat
digunakan apa adanya.

A. Transformasi data ETL vs transformasi data ELT

ETL (ekstrak, transformasi, muat) dan ELT (ekstrak, muat, transformasi) adalah dua proses
transformasi data yang sering digunakan yang menerapkan teknik jalur data yang sedikit
berbeda. Masing-masing memiliki kelebihan dan kekurangan, tergantung pada ukuran dan
kompleksitas transformasi.

1. Ekstrak, ubah, muat: Transformasi data di area pementasan

Dalam proses ETL, subset data terstruktur yang telah ditentukan sebelumnya diekstrak dari
sumbernya, di mana data tersebut diubah di area pementasan atau server pemrosesan
sekunder sebelum dimuat ke dalam sistem targetnya. ETL lebih cocok untuk penyimpanan
lokal dan kumpulan data yang lebih kecil. Namun, ETL dapat lebih disukai dalam skenario
dengan kebutuhan kualitas dan konsistensi data tertentu, karena langkah-langkah
pembersihan dan validasi data yang lebih ketat dapat diperkenalkan. ETL mungkin juga
diperlukan untuk melindungi data sensitif, seperti informasi yang dilindungi HIPAA, selama
migrasi.

2. Ekstrak, muat, ubah: Mengubah data di cloud

Dalam proses ELT, informasi diekstrak dari sumber data dan dimuat ke dalam sistem target
berbasis cloud, di mana informasi tersebut diubah. Pendekatan ini, karena memanfaatkan
kekuatan komputasi awan, biasanya memungkinkan pemrosesan yang lebih cepat dan
manajemen data yang lebih tangkas. Ini juga dapat digunakan dengan data tidak terstruktur
seperti gambar. Dengan keunggulan komputasi berbasis cloud dan daya penyimpanan, proses
ELT mendapat manfaat dari peningkatan skalabilitas.

Revisi
Revisi memastikan data mendukung tujuan penggunaannya dengan mengorganisirnya secara
terstruktur dan benar. Proses ini dilakukan melalui berbagai metode.

 Normalisasi dataset merevisi data dengan menghilangkan redundansi dalam dataset.

Model data menjadi lebih presisi dan mudah dibaca sambil memakan ruang yang
lebih sedikit. Proses ini, bagaimanapun, memerlukan banyak pemikiran kritis,
penyelidikan, dan rekayasa balik.
 Pembersihan data memastikan kemampuan pemformatan data.
 Konversi format mengubah tipe data untuk memastikan kompatibilitas.

 Penghapusan duplikat mengidentifikasi dan menghapus duplikat.
 Kolom yang berulang dan tidak terpakai dapat dihapus untuk meningkatkan
kinerja dan keterbacaan keseluruhan dataset.

B. Transformasi data mencakup dua kategori utama

1. Data Cleaning
Pembersihan data berfokus pada perbaikan inkonsistensi dan kesalahan dalam data mentah
untuk memastikan akurasi dan keandalan untuk pemrosesan hilir. Perbaikan ini mencakup
standarisasi format, penanganan nilai yang hilang, penghapusan duplikat, dan penerapan
aturan bisnis untuk menjaga kualitas data di seluruh alur proses.
 a. Standarisasi format tanggal melibatkan konversi berbagai representasi data ke dalam
format yang konsisten, seperti mengubah "15/03/2024," "15-03-2024," dan "15 Maret
2024" menjadi standar ISO 8601 "2024-03-15."
b. Penanganan nilai yang tidak konsisten menangani variasi dalam cara nilai nol atau
hilang direpresentasikan dengan mengubah variasi teks seperti "N/A," "NA," atau
"null" menjadi NULLnilai basis data yang tepat untuk pemrosesan yang konsisten.
c. Penghapusan rekaman duplikat mengidentifikasi dan menghilangkan entri data yang
berlebihan, sering kali menggunakan pengenal unik atau kombinasi bidang untuk
memastikan integritas dan keakuratan data.
d. Strukturisasi kunci mengubah nilai dengan makna bawaan menjadi identifikasi
generik yang digunakan sebagai kunci unik.
e. Manajemen nilai yang hilang menerapkan metode statistik atau aturan bisnis untuk
menghapus catatan yang tidak lengkap atau mengisi kesenjangan dengan nilai
terhitung berdasarkan pola data yang ada.
f. Validasi data memvalidasi catatan dan menghapus yang tidak lengkap.

2. Manipulasi
Ini melibatkan pembuatan nilai baru dari nilai yang sudah ada atau mengubah data saat ini
melalui perhitungan. Manipulasi juga digunakan untuk mengubah data tidak terstruktur
menjadi data terstruktur yang dapat digunakan oleh algoritma pembelajaran mesin.
a. Derivasi, yang merupakan perhitungan antar kolom
b. Ringkasan yang menggabungkan nilai-nilai
c. Pivoting, yang melibatkan konversi nilai kolom menjadi baris dan sebaliknya
d. Pengurutan, pengelompokan, dan pengindeksan data untuk meningkatkan kinerja
pencarian
e. Skalasi, normalisasi, dan standarisasi yang membantu membandingkan angka yang
berbeda dengan menempatkannya pada skala yang konsisten
f. Vektorisasi yang membantu mengubah data non-numerik menjadi array angka yang
sering digunakan dalam aplikasi pembelajaran mesin

3. Pemisahan
Proses ini melibatkan pembagian nilai data menjadi bagian-bagiannya untuk analisis yang
lebih rinci. Pemisahan melibatkan pembagian kolom tunggal yang berisi beberapa nilai
menjadi kolom-kolom terpisah yang masing-masing berisi nilai tersebut. Hal ini
memungkinkan penyaringan berdasarkan nilai-nilai tertentu.

4. Penggabungan/integrasi
Catatan dari berbagai tabel dan sumber digabungkan untuk mendapatkan gambaran yang
lebih komprehensif tentang aktivitas dan fungsi suatu organisasi. Proses ini menggabungkan
 data dari beberapa tabel dan kumpulan data, serta menggabungkan catatan dari berbagai
tabel.

5. Penghausan data
Proses ini menghilangkan data yang tidak bermakna, berisik, atau terdistorsi dari kumpulan
data. Dengan menghilangkan nilai-nilai yang menyimpang, tren dapat diidentifikasi dengan
lebih mudah.

6. Agregasi data
Agregasi data menggabungkan titik-titik data individual ke dalam bentuk ringkasan yang
mengungkapkan pola dan wawasan yang tidak terlihat dalam data granular. Langkah
transformasi penting ini mengurangi volume data sekaligus mempertahankan signifikansi
statistik, memungkinkan analisis dan pelaporan yang efisien lintas periode waktu, wilayah
geografis, dan dimensi bisnis lainnya.
a. Time-based aggregation mengelompokkan titik data ke dalam interval waktu
tertentu. Misalnya, mengonversi transaksi penjualan individual menjadi ringkasan
harian yang menampilkan total pendapatan dan jumlah pesanan per hari.
b. Spatial aggregation menggabungkan titik data dari berbagai lokasi geografis, seperti
menggabungkan penjualan tingkat toko menjadi metrik kinerja regional atau
menggabungkan pembacaan stasiun cuaca di seluruh kota.
c. Statistical aggregation melakukan operasi matematika di seluruh kumpulan data
untuk menghasilkan metrik yang bermakna, seperti menghitung rata-rata pergerakan
harga saham atau menghitung deviasi standar pembacaan sensor.

7. Diskretisasi

Dengan menggunakan teknik ini, label interval dibuat pada data kontinu untuk meningkatkan
efisiensi dan memudahkan analisisnya. Algoritma pohon keputusan digunakan dalam proses
ini untuk mengubah dataset besar menjadi data kategorikal.

8. Generalisasi
Atribut data tingkat rendah diubah menjadi atribut tingkat tinggi dengan menggunakan
konsep hierarki dan menciptakan lapisan data ringkasan berturut-turut. Hal ini membantu
dalam menciptakan gambaran data yang jelas.
9. Konstruksi atribut
Dalam teknik ini, set atribut baru dibuat dari set atribut yang sudah ada untuk memudahkan
proses penambangan data.
C. Alat-alat transformasi data
Meskipun memungkinkan untuk melakukan transformasi data hanya dengan mengerahkan
teknisi internal, banyak layanan pihak ketiga yang membantu memfasilitasi proses konversi
dan migrasi. Beberapa yang paling umum termasuk:
 Alat-alat ETL dan ELT: Alat bantu seperti Apache NiFi dan Informatica
memfasilitasi proses ETL atau ELT yang plug-and-play.
 Platform integrasi data: Sejumlah alat seperti IBM Cloud Pak for Data mendukung
integrasi data dan pemrosesan real-time.
 Alat bantu Data preparation: Alat bantu ini dirancang khusus untuk pembersihan
dan transformasi data sebelum melakukan transformasi atau migrasi data.
 Bahasa pemrograman: Bahasa pemrograman seperti Python dan R, dengan pustaka
seperti panda sumber terbuka, memberikan kemampuan yang kuat untuk transformasi
data.

D. Mengapa Transformasi Data Penting?

Dampak transformasi data melampaui pemrosesan data dasar:
 Tim keamanan mengandalkan transformasi untuk menyembunyikan informasi
sensitif.
 Tim analitik menggunakan transformasi untuk menciptakan metrik yang bermakna.
 Ilmuwan data bergantung pada data yang bersih dan telah ditransformasi untuk model
yang akurat.
 Tim bisnis membutuhkan data yang telah diubah untuk pelaporan dan wawasan.
Transformasi data mengatasi tantangan fundamental dalam manajemen data melalui dua
aspek utama: kegunaan praktis dan kebutuhan operasional. Meskipun data mentah
mengandung informasi berharga, potensinya tetap terkunci hingga proses transformasi yang
tepat mengubahnya menjadi format yang dapat digunakan, menstandarkan strukturnya, dan
memastikan keamanannya.
 Visualisasi data

Visualisasi data adalah representasi grafis dari informasi dan data. Dengan menggunakan
elemen- elemen visual seperti grafik, peta, dan grafik, visualisasi data menyajikan
informasi yang kompleks dengan cara yang intuitif, mudah dipahami, dan dapat diakses,
sehingga memungkinkan pengguna untuk melihat pola, tren, dan wawasan dari kumpulan
data besar dengan cepat. Visualisasi data mencakup berbagai alat dan teknik yang
diaplikasikan untuk data mentah untuk menciptakan representasi visual.
1. Tujuan Visualisasi Data
a. Pemahaman Cepat dan Intuitif: Di dunia yang penuh dengan data yang
berlebihan, kebutuhan untuk memahami informasi dengan cepat menjadi sangat
penting. Visualisasi memungkinkan individu untuk dengan segera mengidentifikasi
pola dan hubungan dalam data yang mungkin sulit atau memakan waktu jika dilihat
dalam bentuk mentah.
b. Penemuan Wawasan Baru: Ketika data disajikan dalam bentuk visual, seringkali
wawasan dan pola baru muncul yang mungkin tidak langsung terlihat dalam bentuk
tabel atau teks biasa.
c. Pengambilan Keputusan yang Lebih Baik: Dengan visualisasi, pengambil keputusan
dapat melihat variasi, tren, dan outlier dalam sekilas, memungkinkan mereka untuk
membuat keputusan yang lebih tepat berdasarkan data yang ada.
d. Komunikasi Efektif: Grafik, bagan, dan visual lainnya dapat membantu
menceritakan cerita yang kompleks kepada audiens yang beragam, menjadikannya
sebagai alat komunikasi yang sangat efektif.
e. Penyederhanaan Informasi yang Kompleks: Sebuah dataset besar atau sebuah
penelitian yang rumit dapat disederhanakan menjadi visual yang lebih mudah
dipahami, memungkinkan audiens dari berbagai latar belakang untuk memahami inti
dari informasi tersebut.
f. Stimulasi Keterlibatan Audiens: Presentasi visual yang menarik dapat
menstimulasi ketertarikan dan keterlibatan audiens, menjadikannya lebih
berinvestasi dalam informasi yang disajikan.
Pada dasarnya visualisasi data bukan hanya tentang estetika atau membuat informasi
tampak "cantik". Lebih dari itu, ini adalah tentang mengkonversi data dan informasi
menjadi wawasan, memfasilitasi pemahaman yang lebih dalam, dan akhirnya, mendorong
tindakan berdasarkan wawasan tersebut. Sebagai alat strategis, visualisasi data memainkan
peran kunci dalam dunia digital saat ini, di mana kecepatan, kejelasan, dan inovasi sangat
dihargai.

2. Jenis-jenis Visualisasi Data

Ada banyak jenis visualisasi data yang
berbeda, termasuk:
a. Diagram: Sebuah representasi visual dari data yang menunjukkan hubungan
antara berbagai elemen.
 b. Grafik: Sebuah representasi visual dari data yang menunjukkan perubahan nilai
seiring waktu atau dengan variabel lain.
c. Peta: Sebuah representasi visual dari data yang menunjukkan lokasi geografis.
d. Tabel: Sebuah representasi visual dari data yang menunjukkan data dalam format
kolom dan baris.
e. Animasi: Sebuah representasi visual dari data yang berubah seiring waktu.

3. Prinsip-prinsip Visualisasi Data

Ada beberapa prinsip dasar yang harus diikuti untuk membuat visualisasi data yang
efektif, termasuk:

a. Kejelasan: Visualisasi data harus mudah dipahami oleh audiens yang ditargetkan.
b. Akurasi: Visualisasi data harus akurat dan mencerminkan data yang mendasarinya.
c. Efisien: Visualisasi data harus menggunakan elemen visual secara
efektif untuk mengkomunikasikan informasi.
d. Kebaruan: Visualisasi data harus menarik perhatian dan mendorong audiens untuk
terlibat.

4. Visualisasi Data di Masa Depan

Visualisasi data akan terus berkembang di masa depan karena pertumbuhan data yang
eksponensial. Visualisasi data akan menjadi lebih interaktif dan kompleks, dan akan
digunakan untuk menganalisis data dari berbagai sumber.

5. Tingkatan Visualisasi Data

Dalam dunia visualisasi data, ada berbagai tingkatan yang mencerminkan kompleksitas,
kedalaman analisis, dan tujuan komunikasi. Mengenali tingkatan-tidakatan ini dapat
membantu individu dan organisasi memilih pendekatan visualisasi yang paling sesuai
dengan kebutuhan mereka.

a. Visualisasi Dasar (Descriptive Visualization)

Tujuan: Menampilkan data untuk pemahaman awal dan eksplorasi singkat.
Tujuannya adalah untuk menggambarkan data secara sederhana dan ringkas.
Visualisasi ini biasanya digunakan untuk menggambarkan data dasar, seperti
jumlah, rata-rata, dan persentase.
Contoh: Grafik batang, grafik lingkaran, histogram, dan
scatter plots.
Penerapan: Sebuah perusahaan mungkin menggunakan grafik batang untuk
menampilkan penjualan bulanan atau menggunakan grafik lingkaran untuk
memahami distribusi demografis pelanggannya.
b. Visualisasi Tematik (Thematic Visualization)
 Tujuan: Menampilkan data dalam konteks geografis atau spasial. Tujuannya adalah
untuk menyampaikan pesan atau tema tertentu dari data.
Contoh: Peta koreoplet, peta titik,
dan heatmap.
Penerapan: Sebuah perusahaan logistik mungkin menggunakan heatmap untuk
menunjukkan distribusi permintaan pengiriman di suatu wilayah.
c. Visualisasi Eksploratif (Exploratory Visualization)
Tujuan: Mencari pola, tren, hubungan yang tersembunyi, atau anomali dalam set
data besar atau kompleks.
Contoh: Scatter plot matrix, parallel coordinates,
dan tree maps.
Penerapan: Seorang analis keuangan mungkin menggunakan scatter plot matrix
untuk memahami hubungan antara berbagai faktor makroekonomi.

d. Visualisasi Inferensial (Inferential Visualization)

Tujuan: Menggunakan data untuk menguji hipotesis, membuat kesimpulan
atau hipotesis. Contoh: Box plots, violin plots, dan Q-Q plots.
Penerapan: Sebuah perusahaan farmasi mungkin menggunakan box plot untuk
membandingkan efikasi dua obat berbeda dalam uji klinis.

e. Visualisasi Prediktif (Predictive Visualization)

Tujuan: Memvisualisasikan prediksi atau proyeksi berdasarkan model analitik.
Visualisasi ini biasanya digunakan untuk membuat model atau simulasi untuk
memperkirakan masa depan.
Contoh: Grafik deret waktu dengan interval kepercayaan, peta
panas prediksi.
Penerapan: Perusahaan ritel mungkin menggunakan visualisasi deret waktu untuk
memprediksi tren penjualan untuk kuartal berikutnya.

f. Visualisasi Interaktif (Interactive Visualization)

Tujuan: Memungkinkan pengguna untuk berinteraksi dengan data dan menjelajahi
berbagai dimensi, sudut pandang, atau skenario. Visualisasi ini biasanya digunakan
untuk memberikan pengalaman yang lebih mendalam dan menarik bagi pengguna.
Contoh: Dashboards interaktif, visualisasi berbasis drag-and-drop,
dan simulasi.
Penerapan: Sebuah organisasi mungkin memiliki dashboard interaktif yang
memungkinkan eksekutif untuk menjelajahi data keuangan dari berbagai divisi atau
wilayah.
Masing-masing tingkatan visualisasi data menawarkan cara yang unik untuk memahami,
menganalisis, dan berkomunikasi tentang data. Memilih tingkat yang tepat tergantung pada
tujuan, audiens, dan kompleksitas data yang kita miliki. Di era digital saat ini, kemampuan
untuk memahami dan memanfaatkan berbagai tingkatan visualisasi data menjadi
keterampilan yang semakin penting.
 Fenomena dalam bentuk representasi data dan grafik

1. Konsep Fenomena
Fenomena adalah kejadian atau peristiwa yang bisa diamati di dunia nyata. Dalam
konteks sistem informasi, fenomena bisa berupa perilaku pengguna aplikasi, tren
penjualan, penyebaran penyakit, cuaca, atau aktivitas jaringan.
Data adalah hasil pengukuran, pencatatan, atau observasi terhadap fenomena tersebut.
Contoh:
a. Fenomena: Lonjakan penjualan e-commerce saat Harbolnas.
b. Data: Jumlah transaksi per jam, jumlah pengunjung, kategori produk terlaris.
Jadi, fenomena adalah realitas, dan data adalah abstraksi dari realitas.

2. Transformasi Fenomena Menjadi Data

Untuk bisa dianalisis, fenomena harus diabstraksikan menjadi data yaitu
direpresentasikan dengan simbol, angka, atau kategori.
Tahap Aktivitas Contoh
Observasi Mengamati fenomena Aktivitas pengguna
aplikasi
Pengumpulan Mengambil data mentah Log server, data klik
Pengolahan Membersihkan, mengubah Menghapus duplikasi,
format normalisasi
Analisis Menemukan pola dan Pola perilaku jam
makna sibuk
Representasi Menampilkan hasil dalam Grafik garis, diagram
bentuk visual batang

3. Tipe representasi sekaligus narasi penggunaannya.

 Tabel
Tabel adalah bentuk paling dasar dari representasi data, biasanya berupa baris dan
kolom. Setiap baris mewakili satu entitas (misalnya pelanggan, transaksi), dan setiap
kolom mewakili atribut (misalnya nama, umur, jumlah pembelian). Kalau membutuh
menampilkan angka persis atau detail individual.
Contoh: Laporan transaksi keuangan harian.
 Time series (line chart)
Grafik garis menampilkan perubahan nilai terhadap waktu (time series). Titik-titik
data dihubungkan dengan garis untuk menunjukkan arah tren.. Misal: “Setiap Senin
pagi trafik crash 30% kemungkinan besar karena jadwal upload tugas mingguan.”
Gunakan untuk deteksi tren, seasonal pattern, dan sudden spikes (anomali).
 Diagram batang (bar chart)
Diagram batang menggunakan batang vertikal atau horizontal untuk membandingkan
nilai antar kategori.
Digunakan untuk membandingkan kategori seperti:
1. Penjualan berdasarkan jenis produk.
 2. Jumlah serangan DDoS berdasarkan tipe protokol.
Contoh:
Perbandingan jumlah pengguna berdasarkan sistem operasi: Android, iOS, Web.
 Diagram Lingkaran (Pie Chart)
Pie chart menunjukkan proporsi bagian terhadap keseluruhan dalam bentuk irisan
lingkaran. Kalau kamu ingin menampilkan komposisi atau proporsi, misalnya:
1. Persentase sumber trafik web (organik, iklan, sosial).
2. Proporsi jenis serangan pada dataset DDoS.
Contoh:
Distribusi pengguna berdasarkan gender: 60% laki-laki, 40% perempuan.

 Histogram
Mirip diagram batang, tapi mewakili distribusi frekuensi dari data kontinu
(misalnya umur, waktu respon, ukuran paket). Kalau kamu ingin melihat pola sebaran
nilai, seperti:
1. Distribusi waktu respon server.
2. Distribusi ukuran file yang diunduh.
Contoh:
Histogram waktu respon API dalam milidetik.

 Heatmap (matriks waktu vs hari)

Narasi: memperlihatkan intensitas di ruang dua dimensi. Misal: “Heatmap login
menunjukkan mahasiswa aktif pagi hari dan sangat aktif malam hari pada Kamis —
mungkin karena deadline.” Heatmap bagus untuk pola periodik.
 Boxplot
ringkas distribusi dan outlier. Misal: “Waktu respon server mayoritas 200–300 ms,
tapi ada outlier 5–10 detik yang memicu komplain.” Boxplot membantu keputusan
apakah beberapa outlier layak diinvestigasi.
 Network graph
untuk menggambarkan hubungan. Misal: “Dalam analisis plagiarisme, network graph
menghubungkan dokumen yang mirip — cluster besar menandakan potensi
sinkronisasi jawaban.” Jaringan juga berguna untuk model hubungan antar-device
atau antar-node di infrastruktur.
 Choropleth / peta
untuk fenomena geospasial. Misal: “Sebaran akses pengguna regional menunjukkan
akses mobile lebih rendah di daerah X — bisa terkait kualitas internet.” Peta memberi
konteks lokasi.
 Scatter plot dan regressi sederhana
untuk melihat hubungan dua variabel. Misal: “Scatter durasi belajar vs nilai tugas
memperlihatkan korelasi positif lemah. Artinya durasi sendiri tidak cukup
menjelaskan performa.”
Pemilihan representasi data
Tujuan Analisis Jenis Grafik yang Direkomendasikan
Melihat tren waktu Grafik garis
Membandingkan antar kategori Diagram batang
Melihat komposisi Pie chart
Melihat distribusi Histogram
Melihat hubungan antar variabel Scatter plot
Menganalisis spasial Heatmap / Map chart