El biplot HJ es una técnica de análisis multivariante que nos permite representar tanto individuos como variables en un espacio de dimensiones reducidas. Para adaptar este enfoque a conjuntos de datos masivos, es necesario implementar nuevas técnicas capaces de reducir la dimensionalidad de los datos y mejorar la interpretación. Por ello, proponemos un enfoque moderno para obtener el biplot HJ llamado biplot HJ de red elástica, que aplica la penalización de red elástica para mejorar la interpretación de los resultados. Es un algoritmo novedoso en el sentido de que es el primer intento dentro de la familia de biplots en el que se utilizan métodos de regularización para obtener cargas modificadas y optimizar los resultados. Como complemento al método propuesto, y para brindarle soporte práctico, se ha desarrollado un paquete en el lenguaje R llamado SparseBiplots. Este paquete cubre un vacío que existe en el contexto del biplot HJ a través de técnicas penalizadas, ya que además de la red elástica, también incluye el ridge y el lasso para obtener el biplot HJ. Para completar el estudio, se realiza una comparación práctica con el biplot HJ estándar y el biplot disjunto, y se analizan algunos resultados comunes a estos métodos.