Diagram, grafik, dan peta adalah alat yang menarik dan persuasif untuk mengomunikasikan insight dan informasi. Selain itu, jika dikerahkan dengan buruk atau dengan niat jahat, mereka juga menjadi sumber kebingungan, misinformasi, dan ketidakbenaran.
Diagram sebagai seni, bukan sains
Praktisi ML sering memvisualisasikan potensi set data pelatihan untuk memahami kegunaannya bagi model, serta output model untuk memahami performa.
Selalu tanyakan konteks, audiens, dan tujuan visualisasi data yang dimaksud, baik Anda membuatnya maupun membacanya. Ketiga faktor ini adalah kunci untuk komunikasi grafis. Diagram yang sama bisa saja berguna dan informatif, atau menyesatkan dan berlebihan, dalam konteks yang berbeda.1 Audiens yang dituju, serta tingkat literasi data dan grafik audiens, akan bervariasi. Desain dapat membantu atau menghambat. Misalnya, diagram yang sangat indah dapat terlalu rumit untuk menyampaikan informasi dengan jelas.
Tidak ada aturan baku tentang cara membuat diagram yang sempurna, hanya panduan dan praktik terbaik. Visualisasi data adalah seni sekaligus sains. Tetapi ketika memvisualisasikan data, berusahalah, di atas segalanya, untuk kejelasan dan kejujuran. Berikan informasi yang cukup untuk berkomunikasi dengan jelas dan akurat, dan jangan terlalu banyak informasi sehingga membuat penonton kewalahan.
Scaffolding, konten, dan tindakan yang menyesatkan
Alberto Cairo, dalam How Charts Lie, membagi visualisasi data menjadi dua bagian: scaffolding dan content.
Scaffolding diagram mencakup judul, sumbu, legenda, label, dan sumber data, jika diberikan.
Konten mencakup encoding visual data dan anotasi tekstual singkat. Metode untuk mengenkode data secara visual biasanya mencakup:
- panjang, seperti dalam diagram batang
- posisi, seperti pada diagram pencar
- sudut proporsional, luas, dan busur dalam diagram lingkaran
- warna dan rona
- lebih jarang, lebar dan ketebalan2
Semua elemen ini dapat digunakan untuk menyesatkan. Memulai diagram batang pada dasar pengukuran yang bukan nol, atau memotong batang terpanjang, dapat menciptakan persepsi yang tidak akurat, meskipun tujuannya adalah untuk menghemat ruang. Lihat esai karya Sarah Leo tentang kesalahan visualisasi data dalam artikel Economist untuk mengetahui beberapa contohnya.
Rasio aspek yang tidak sesuai dapat membuat perubahan kecil tampak sangat besar, atau perubahan besar tampak sangat kecil. Cairo menyarankan untuk memilih rasio aspek yang cocok dengan perubahan proporsional yang digambarkan, misalnya 3:1 untuk perubahan 30%, tetapi juga menyarankan untuk memperhatikan konteks dengan cermat, karena ada banyak pengecualian penting untuk aturan ini. Fluktuasi yang relatif kecil pada suhu global rata-rata, misalnya peningkatan 2C dari 100C, sangatlah signifikan dan akan dikecilkan dalam diagram dengan rasio aspek 50:1.3
Menggunakan rotasi diagram 3D dan efek 3D lainnya untuk dampak visual, bukan untuk merepresentasikan data 3D, sangat mungkin menyesatkan. Begitu juga dengan penggambaran objek 3D yang menggantikan batang dalam diagram batang. Jika data hanya dienkode berdasarkan panjang, seperti pada diagram batang standar, pembaca dapat menafsirkan objek yang lebih besar secara proporsional sebagai objek yang memiliki volume lebih besar, dan oleh karena itu, nilai yang lebih tinggi, daripada yang sesuai.4 Desainer yang menggunakan representasi 2D data, seperti balon, dan mengenkode data menurut radius atau diameter, bukan menurut area, juga akan membuat proporsi yang menyesatkan seperti diagram 2.5 dapat membuat proporsi yang menyesatkan seperti diagram lain.5 Diagram lingkaran juga menyiratkan bahwa semua segmen bertambah menjadi keseluruhan, yang mungkin sesuai atau tidak.
Warna adalah subjeknya sendiri. Secara umum:
- Gunakan 6 pembagian warna atau kurang, karena itu adalah batas yang dapat ditangani oleh sebagian besar orang tanpa kebingungan.
- Hindari berbagai pilihan nuansa spektrum, karena orang yang berbeda akan mengurutkannya dengan cara yang berbeda.6
- Jika memungkinkan, pilih nuansa dari satu hue, yang lebih mudah dibedakan dalam hitam putih.
- Waspadai berbagai jenis buta warna.
Referensi
Kairo, Alberto. How Charts Lie: Getting Smarter about Visual Information. NY: W.W. Norton, 2019.
Huff, Darrell. How to Lie with Statistics. 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
