Bagan, grafik, dan peta adalah alat yang menarik dan persuasif untuk berkomunikasi wawasan dan informasi. Mereka juga, ketika dikerahkan dengan buruk atau dengan niat jahat, sumber kebingungan, misinformasi, dan ketidakbenaran.
Diagram sebagai seni, bukan sains
Praktisi ML sering memvisualisasikan set data pelatihan potensial untuk memahami kegunaannya untuk model, serta output model untuk memahami performa.
Selalu tanyakan tentang konteks, audiens, dan tujuan data yang dimaksudkan visualisasi, baik yang Anda buat atau membacanya. Ketiga faktor ini adalah kunci untuk komunikasi grafis. Bagan yang sama bisa berguna dan berwawasan luas, atau menyesatkan dan berlebihan, dalam konteks yang berbeda.1 Penonton yang dituju, dan tingkat literasi data dan grafik audiens, akan bervariasi. Desain dapat membantu atau hambatan. Misalnya, diagram yang sangat indah bisa terlalu berliku-liku untuk mengkomunikasikan informasi dengan jelas.
Tidak ada aturan yang ketat dan cepat mengenai cara membuat bagan yang sempurna, hanya pedoman dan praktik terbaik kami. Memvisualisasikan data merupakan seni sains. Tetapi ketika memvisualisasikan data, berusahalah, di atas segalanya, untuk kejelasan dan kejujuran. Berikan informasi yang cukup untuk berkomunikasi dengan jelas dan akurat, dan tidak terlalu banyak informasi yang membuat penonton kewalahan.
Perancah, konten, dan gerakan menyesatkan
Alberto Cairo, dalam artikel How Charts Lie, membagi visualisasi data menjadi dua bagian: scaffolding dan konten.
Perancah diagram mencakup judul, sumbu, legenda, label, dan sumber data, jika diberikan.
Konten meliputi encoding visual data dan teks singkat anotasi. Metode untuk mengenkode data secara visual biasanya mencakup:
- panjang, seperti pada diagram batang
- posisi, seperti pada diagram pencar
- sudut proporsional, luas, dan busur dalam diagram lingkaran
- warna dan rona
- lebar dan ketebalan lebih jarang2
Semua elemen ini dapat digunakan untuk menyesatkan. Memulai diagram batang dari angka bukan nol garis dasar, atau memotong batang terpanjang, dapat menimbulkan persepsi yang tidak akurat, bahkan jika tujuannya adalah untuk menghemat ruang. Lihat karya Sarah Leo esai kesalahan visualisasi data dalam Economist untuk beberapa contoh.
Rasio aspek yang tidak sesuai dapat membuat perubahan kecil tampak sangat besar, atau perubahan besar tampak sangat kecil. Kairo menyarankan untuk memilih yang sama dengan perubahan proporsional yang sedang digambarkan, misalnya 3:1 untuk 30% berubah, sambil juga memberi saran untuk memperhatikan konteks dengan seksama, karena ada banyak pengecualian penting pada aturan tersebut. Rata-rata fluktuasi yang relatif kecil kenaikan 2C dari 100C, misalnya, adalah sangat signifikan dan akan diperkecil dalam diagram dengan aspek 50:1 rasio aspek.3
Menggunakan rotasi bagan 3D dan efek 3D lainnya untuk dampak visual, sebagai ganti dibandingkan untuk merepresentasikan data 3D, sangat mungkin menyesatkan. Begitu juga penggambaran objek 3D yang menggantikan batang pada diagram batang. Jika data dikodekan hanya berdasarkan panjang, seperti pada diagram batang standar, pembaca mungkin menginterpretasikan objek yang lebih besar secara proporsional sebagai memiliki volume lebih besar, sehingga nilainya lebih tinggi dari yang sesuai.4 Desainer yang menggunakan 2D representasi data, seperti balon, dan mengenkode data berdasarkan radius atau diameter daripada berdasarkan area, juga akan menimbulkan proporsi yang menyesatkan.5 2D representasi seperti bagan pai dapat menyulitkan untuk membandingkan segmen satu sama lain. Diagram lingkaran juga menyiratkan bahwa semua segmen menjumlahkan menjadi keseluruhan, mungkin itu masalahnya, atau mungkin juga tidak.
Warna adalah subjeknya sendiri. Secara umum:
- Gunakan 6 pembagian warna atau kurang, karena itu adalah batas yang kebanyakan orang dapat ditangani tanpa kebingungan.
- Hindari berbagai pilihan warna spektral, karena orang yang berbeda memesannya secara berbeda.6
- Jika memungkinkan, pilih nuansa dari satu rona, yang lebih dapat dibedakan dalam skala abu-abu.
- Waspadai berbagai jenis buta warna.
Referensi
Kairo, Alberto. Cara Diagram Berbohong: Menjadi Lebih Cerdas tentang Informasi Visual. NY: W.W. Norton, 2019.
Huff, Darrell. Cara Berbohong dengan Statistik. NY: W.W. Norton, 1954.
Monmonier, Mark. How to Lie with Maps, edisi ke-3. Chicago: U of Chicago P, 2018.
Referensi gambar
“Diagram contoh struktur Throughput Accounting.” TAUser, 2008. FDL GNU. Sumber
"GWP (MTCO2E) untuk semua jenis kendaraan selama siklus hidup." B2.Team.Leader, 2006. Sumber
