just try

Foundation for a Science of Data Visualization

Tujuan dari visualisasi Informasi 

    Tujuan dari visualisasi data adalah bagaimana dapat mengelola data dalam jumlah yang besar ini dan bagaimana sistem komputer membantu kita dalam tugas mengelola data yang besar : 

-> Visual Data membantu menangani banjir informasi dengan cara mengintegrasikan manusia dalam proses analisis data. 

-> Visual Data memungkinkan pengguna untuk mendapatkan wawasan yang dalam tentang data, kesimpulan dari data gambar dan langsung berinteraksi dengan data. 

Keuntungandalam Visualisasi Informasi 

-> Eksplorasi visual data dapat dengan mudah mengangani data yang sangat besar, sangat homogen dan noisy sejumlah data. 

-> Eksplorasi visual data tidak membutuhkan pemahaman tentang matematika yang kompleks dan logika statistik. 

-> Teknik visualisasi memberikan gambaran kualitatif yang berguna untuk analisis kuantitatif lebih lanjut 

-> Memberikan perspektif baru pada data. 

-> Memungkinkan viewer untuk cepat memahami "gambaran umum“. 

-> Dapat digunakan untuk mencari nilai yang hilang di antara beberapa titik data yang telah diketahui. 

-> Dapat dibuat "user friendly“ 

-> Cepat menciptakan atau memodifikasi kumpulan data dengan memanipulasi objek grafis pada layar komputer. 

-> Mudah untuk menemukan kesalahan dalam inkonsistensi data dalam jumlah besar 

Tipe dari data 

-> Jika tujuan dari visualisasi adalah mengubah data perseptual ke dalam format visual yang efisien, dan jika kita ingin membuat statement tentang data yang umum, kita harus mampu mengatakan sesuatu tentang jenis data yang dapat di visualisasikan. 

-> Menurut Bertin (1977), Sebuah ide yang digunkan untuk membagi data ke dalam entitas dan relational. 

-> Ada dua bentuk data : 

1. Data Nilai. 

2. Struktur Data. 

-> ENTITAS Sebuah objek yang ingin divisualisasikan / objek yang menarik 

-> RELATIONSHIPS Relationships membentuk struktur dari entitas relationship 

-> ATTRIBUT Properti dari entitas atau relationship yang tidak dapat berdiri secara independen  

Attribute Quality 

    Attribute quality sering digunakan untuk menggambarkan metode visualisasi data dengan dan menerangkan kualitas attribut itu sendiri Sebuah cara yang berguna untuk mempertimbangkan kualitas data adalah taksonomi Skala nomor ditetapkan oleh statistik SS Stevens (1946). Menurut Stevens, ada empat tingkat pengukuran : Nominal, Ordinal, Interval dan skala ratio. 

-> Nominal adalah Fungsi pelebelan. 

-> Ordinal kategori meliputi nomor yang digunakan mengorder hal-hal dalam urutan. 

-> Interval adalah suatu pengukuran untuk mendapatkan kesenjangan nilai antar data. 

-> Ratio adalah dengan skala rasio, kita memiliki kekuatan ekspresif penuh terhadap bilangan real.  

DATA SOURCES  

Sumber dari Data : 

1. Survey 

2. Eksperiment 

3. Observasi Sebagai bagian dari operasi harian suatu organisasi, data merupakan kumpulan dari alasan varietas. 

 

DATA UNDERSTANDING 

    Data Tables Continuous and Discrete Variables Sebuah kategorisasi awal yang berguna untuk mendefinisikan setiap variabel yang dapat diambil dalam hal ini adalah jenis nilai, berikut ini adalah daftar istilah deskriptif untuk kategori variabel: 

-> Konstan: Sebuah variabel dimana setiap nilai data adalah sama. 

-> Dikotomis: Sebuah variabel di mana hanya ada dua nilai. 

-> Diskrit : variabel yang hanya dapat mengambil nilai-nilai tertentu (baik teks atau angka). 

-> Kontinu: Sebuah variabel yang memiliki nilai numerik yang tak terbatas dalam kisaran tertentu. 

3 Analisis Data Preparation : 

1. Cleaning the Data. 

    Hal ini bermanfaat untuk memahami akurasi data yang dikumpulkan serta mengoreksi kesalahan apapun. 

2. Removing Variables. 

    Korelasi antara beberapa variabel dapat mengidentifikasi variabel-variabel yang tidak memberikan informasi tambahan untuk analisis dapat dihilangkanya dapat dihilangkan 

3. Data Transformations. 

    Data transformation penting untuk mempertimbangkan penerapan transformasi matematis tertentu untuk data, karena banyak data analisis akan mengalamai kesulitan untuk memahami data dalam bentuk baku. Beberapa transformasi data yang harus dipertimbangkan termasuk normalisasi, value mapping, discretization, dan agregasi.