Dalam rangka menciptakan visualisasi data yang efektif, penting juga untuk menghindari beberapa kesalahan umum, seperti membuat visualisasi yang sulit dipahami, mengabaikan konteks, atau menggunakan grafik yang tidak sesuai dengan data. Oleh karena itu, sebelum membuat visualisasi data, pastikan untuk mempertimbangkan tujuan, konteks, dan audiens yang dituju. Dengan melakukan hal ini, visualisasi data Anda akan lebih efektif dan dapat menjadi alat yang berguna dalam proses pengambilan keputusan.
Kesalahan Umum dalam Data Storytelling
Dalam membuat visualisasi data, tujuan utama yang harus diingat adalah memudahkan pemirsa, terutama masyarakat awam, untuk memahami data dengan mudah. Oleh karena itu, penggunaan warna-warna yang berlebihan atau sulit dibedakan dan hiasan yang tidak perlu sebaiknya dihindari. Terkadang, visualisasi yang terlalu berlebihan hanya memanjakan mata namun tidak memberikan nilai tambah pada pemahaman data oleh masyarakat. Sebagai contoh, pie chart dalam bentuk 3D sebaiknya dihindari karena tidak memberikan nilai tambah pada pemahaman data.
Dari penelitian yang dilakukan Wakeling, dkk pada tahun 2015, ada beberapa hal yang ditemukan mengenai visualisasi data, antara lain:
- Akurasi interpretasi data dalam bentuk tabel rendah
- Jenis-jenis grafik yang familiar dan sederhana seperti diagram batang, diagram garis, dan pie chart diinterpretasikan lebih akurat dari pada yang kurang familiar dan lebih canggih, seperti stacked bar dan Sankey diagram
- Jenis-jenis grafik yang familiar dan sederhana diinterpretasikan paling cepat
- Kepercayaan diri pemirsa yang melihat visualisasi data berkaitan dengan seberapa sering dia melihat jenis visualisasi yang serupa. Jika mereka sering melihatnya, maka mereka akan lebih percaya diri dengan interpretasi mereka, meski itu tidak menjamin bahwa data akan diinterpretasikan dengan benar.
Terlepas dari kekurangan-kekurangan visualisasi data yang lebih canggih, ini tidak berarti mereka tidak berguna. Visualisasi yang lebih canggih seperti heat map dapat menunjukkan lebih banyak dimensi dalam satu grafik daripada yang dilakukan visualisasi sederhana. Akibatnya, informasi yang lebih banyak akan dapat dimuat dalam satu visualisasi tersebut. Konsekuensinya, pemirsa akan memproses informasi dengan lebih lambat dan membuat kesalahan interpretasi dari visualisasi tersebut.
Dalam hal ini, kesederhanaan dan kejelasan adalah kunci dalam membuat visualisasi data yang efektif. Menghindari elemen yang tidak perlu dan menggunakan jenis grafik yang familiar dapat meningkatkan akurasi interpretasi data dan memudahkan pemirsa untuk memahami data yang disajikan. Namun, untuk data yang lebih kompleks, visualisasi data yang lebih canggih mungkin diperlukan untuk memuat informasi yang lebih banyak dalam satu grafik. Oleh karena itu, pemilihan jenis visualisasi data yang tepat dan sesuai dengan tujuan yang ingin dicapai sangatlah penting dalam membuat visualisasi data yang efektif dan mudah dipahami.
Contoh Data Storytelling
Sebagai seorang generasi Z, tentunya kita sudah tidak asing lagi dengan Spotify Wrapped yang muncul di akhir tahun di media sosial. Fitur ini pertama kali diperkenalkan oleh Spotify pada tahun 2017 dan memungkinkan pengguna untuk melihat kompilasi dari artis dan lagu yang sering didengarkan, total waktu yang dihabiskan untuk mendengarkan artis favorit, waktu yang dihabiskan untuk mendengarkan di Spotify, serta genre yang paling sering didengarkan. Pengguna bahkan dapat melihat lagu apa yang paling sering mereka dengarkan, berapa kali mereka memainkannya, dan kapan mereka paling sering mendengarkannya.
Pada tahun 2022, Spotify menambahkan fitur baru pada Spotify Wrapped. Fitur baru ini mencakup "listening personality" pengguna, di mana pengguna dapat mengetahui jenis orang seperti apa dirinya melalui lagu-lagu yang telah didengarkan. Fitur lainnya adalah "audio day", di mana pengguna dapat melihat bagaimana selera musiknya berubah sepanjang hari dengan deskripsi musik yang didengarkan saat pagi, siang, dan sore hari.
Dengan menggunakan algoritma dan kecerdasan buatan, Spotify mampu membuat grafik yang disesuaikan untuk setiap pengguna berdasarkan data mereka. Spotify menggunakan penyaringan kolaboratif untuk mengidentifikasi sesama pengguna dengan selera serupa, pemrosesan bahasa alami untuk menguraikan lirik lagu, judul daftar putar, dan sebagainya, serta menganalisis pola lirik yang didengarkan. Selain itu, Spotify menggunakan model audio untuk mengidentifikasi karakteristik khusus dari lagu yang didengarkan pengguna, seperti tempo dan nada. Jika pola tertentu telah terbentuk, maka lagu-lagu tersebut dapat ditambahkan ke daftar putar yang dapat disesuaikan oleh pengguna.
Model-model ini membantu Spotify membuat Discover Weekly dan Today's Top Hits, juga fitur "Your Missed Hits" di mana pengguna dapat mengetahui lagu yang mungkin mereka lewatkan meski dinikmati tahun lalu.
