Mata Pikiran – Pandangan Psikologi Visualisasi Data

Visualisasi data adalah cara yang bagus untuk menceritakan kisah tentang data. Tapi apa cara terbaik untuk melakukannya? Pemahaman tentang persepsi dan kognisi manusia dapat membantu desainer melakukannya secara efektif.

Orang-orang telah menggunakan visual untuk membantu menceritakan kisah dan mengilustrasikan jawaban atas pertanyaan penting selama ribuan tahun. Contoh paling awal dari visualisasi data mungkin adalah peta dari sekitar 27.000 tahun yang lalu, dan untuk waktu yang lama, visualisasi data jarang terlihat selain geografi.

Apakah otak kita dibangun secara unik untuk mengenali pola dan koneksi? Saat ini, kita hidup di zaman keemasan visualisasi data. Mengkomunikasikan data secara efektif dapat terbukti menantang, dan meskipun grafik dapat membantu kita memahami data yang kompleks dan bahkan melihatnya dari perspektif baru, dalam hal mentransmisikan pesan dengan benar kepada audiens atau membuat keputusan bisnis berdasarkan data, visualisasi mungkin menjadi cara yang sangat penting. untuk mencapainya. Tapi apa yang ada di balik kekuatan visualisasi data?

Konteks Historis Desain Visualisasi Data

Visualisasi data memiliki sejarah panjang dan membuat kemajuan yang signifikan antara abad ke-17 dan ke-19. Ide untuk menyajikan data kuantitatif secara grafis muncul pada abad ke-18 ketika Rene Descartes menemukan sistem koordinat dua dimensi untuk menampilkan nilai operasi matematika. Sistem itu ditingkatkan ketika William Playfair memelopori bentuk grafis seperti yang kita kenal sekarang. Dia dipuji karena telah menemukan diagram garis dan batang, dan kemudian diagram lingkaran dan diagram lingkaran.

Selama bertahun-tahun, menggunakan grafik kuantitatif menjadi lebih luas. Metodologi dan efektivitas mereka meningkat secara signifikan pada paruh kedua abad ke-20 dengan diterbitkannya buku The Semiology of Graphics karya Jacques Bertin. Karyanya sangat penting karena ia menemukan bahwa untuk menyajikan informasi secara intuitif, jelas, dan efisien, persepsi visual dioperasikan menurut aturan dan pola yang dapat diikuti.

Bertin mempelajari efektivitas berbagai jenis grafik. Pada contoh di bawah ini, diagram lingkaran menunjukkan produksi berbagai jenis daging di beberapa negara. Bertin menganggap ini sebagai "tidak berguna." Di tengah—dengan menggunakan visualisasi matriks, pola tingkat tinggi menjadi lebih langsung terlihat. Dan di sebelah kanan, karena negara dan produksi daging tidak memiliki tatanan alami, banyak matriks lain dapat diproduksi—termasuk contoh yang ditunjukkan—yang memberikan lebih banyak kejelasan. Dalam skenario ini, penataan ulang kategori secara signifikan meningkatkan penyajian data.

Apa Hubungan Psikologi dengan Visualisasi Data?

Persepsi visual adalah kemampuan untuk melihat, menafsirkan, dan mengatur lingkungan kita. Visualisasi data bisa sangat efektif karena memanfaatkan kemampuan alami otak manusia. Ini cepat dan efisien.

John Tukey, seorang ahli matematika dan ahli statistik teoretis Amerika yang berpengaruh, mengatakan: "Nilai terbesar dari sebuah gambar adalah ketika gambar itu memaksa kita untuk memperhatikan apa yang tidak pernah kita harapkan untuk dilihat."

Kognisi, yang ditangani oleh korteks serebral, jauh lebih lambat dan membutuhkan lebih banyak upaya untuk memproses informasi. Menyajikan data secara visual mempercepat persepsi kita dan membantu mengurangi beban kognitif.

Pada contoh di bawah, tabel memungkinkan kita melihat angka yang tepat. Namun, bisakah kita dengan cepat menemukan angka tertinggi dan terendah untuk sumber daya air terbarukan? Tidak mudah, tetapi data yang sama menjadi lebih jelas dan lebih mudah dipahami ketika disajikan secara visual dalam diagram batang di sebelah kanan.

Pengaruh yang mendominasi persepsi visual dibandingkan dengan indra lain dengan tepat diilustrasikan dalam contoh oleh fisikawan Denmark Tor Norretranders. Dia mendemonstrasikan kekuatan visual dengan mengubah kapasitas indera manusia menjadi keluaran komputer standar. Penglihatan keluar di atas karena memiliki bandwidth yang sama dengan jaringan komputer. Kapasitas salurannya 10 kali lebih tinggi dari sentuhan dan 100 kali lebih kuat dari pendengaran atau penciuman. Kotak kecil di sudut kanan bawah adalah tempat kita secara kognitif menyadari pengalaman sensorik.

Pemrosesan Pra-perhatian

Pemrosesan visual tidak hanya mendominasi input sensorik, jumlah data dan kecepatan yang kita proses jauh lebih tinggi daripada yang kita sadari. Fenomena ini dikenal sebagai "pemrosesan pra-perhatian." Ini bawah sadar dan cepat. Dibutuhkan 200-500 milidetik bagi mata untuk mengirimkan dan otak untuk memproses properti pra-perhatian dari stimulus visual (itu jauh lebih cepat daripada bagaimana otak dapat memproses data spreadsheet).

“Pemrosesan pra-perhatian adalah akumulasi bawah sadar informasi dari lingkungan. Semua informasi yang tersedia diproses dengan penuh perhatian. Kemudian, otak menyaring dan memproses apa yang penting. Informasi yang memiliki arti-penting tertinggi (stimulus yang paling menonjol) atau relevansi dengan apa yang dipikirkan seseorang dipilih untuk analisis lebih lanjut dan lebih lengkap dengan pemrosesan sadar (perhatian). – dari Wikipedia

Pemrosesan pra-perhatian adalah anugerah bagi desainer karena penerapannya yang terampil memungkinkan orang untuk memahami apa yang disajikan dengan lebih cepat. Seorang desainer yang sangat kompeten dapat membantu seseorang melihat visualisasi data menyerap lebih banyak informasi lebih cepat dan dengan sedikit usaha, karena meringankan pemrosesan sadar dan mengurangi beban memori.

Keuntungan dari pemrosesan pra-perhatian:

• Cepat/Otomatis
• Emosional
• Impuls/Penggerak
• kebiasaan
• Keyakinan
• Stereotip
• Alam bawah sadar

Banyak variabel visual memicu respons pra-perhatian. Dengan mempelajari elemen visual apa yang secara otomatis ditekankan dan kemudian menggabungkannya ke dalam dasbor, kita dapat merancang visualisasi yang menceritakan kisah data secara efektif.

Variabel Visual

Diperkenalkan oleh Jacques Bertin, variabel visual adalah perbedaan antara elemen seperti yang dirasakan oleh mata manusia. Dipelajari untuk waktu yang lama, variabel-variabel ini menyediakan sarana untuk memahami bagaimana otak manusia memproses dan menavigasi informasi visual. Set asli "variabel retina" terdiri dari tujuh variabel: posisi, ukuran, bentuk, nilai, rona warna, orientasi, dan tekstur.

Bagan di bawah ini menunjukkan contoh variabel visual yang berguna untuk menunjukkan perbedaan kualitatif atau kuantitatif—menurut Bertin. Mereka juga mendemonstrasikan cara menampilkan atribut melalui titik, garis, atau area.

Sebuah studi tahun 1984 oleh William Cleveland dan Robert McGill memberi peringkat aspek paling umum yang dimiliki dua bentuk berdasarkan seberapa mudah otak manusia mendeteksi perbedaan di antara mereka. Mereka mengurutkan fitur visual berikut dari yang paling akurat hingga yang paling tidak akurat:

Posisikan Sepanjang Skala Umum

Karena kami berbagi sistem referensi spasial yang sama, posisi adalah fitur termudah untuk dikenali dan dievaluasi terkait dengan elemen dalam ruang.

Contoh: Grafik batang, Plot sebar

Posisi Sepanjang Nonaligned, Timbangan Identik

Sangat mudah untuk membandingkan skala terpisah yang diulang dengan sumbu yang sama meskipun tidak sejajar. Bagan panel, atau "kelipatan kecil", adalah contoh yang bagus untuk ini. Hasilnya adalah kisi-kisi bagan yang semuanya mengikuti format visual yang sama tetapi menunjukkan kumpulan data yang berbeda. Dibandingkan dengan bagan tunggal yang lebih besar, kelipatan kecil dapat membantu dengan overplot, ketika data mungkin menjadi kabur atau tertutup karena terlalu banyak item yang diplot.

Contoh: Kelipatan kecil (alias bagan Rellis, Lattice, Grid, dan Panel)

Panjang

Panjang dapat secara efektif mewakili informasi kuantitatif karena panjang suatu elemen dapat disesuaikan dengan nilai data yang diwakilinya. Otak manusia dengan mudah mengenali proporsi dan mengevaluasi panjang, bahkan jika objek tidak sejajar.

Contoh: Grafik batang

Arah

Arah mudah dikenali oleh mata manusia. Itu bisa menggunakan grafik garis dan tren, misalnya, untuk menyajikan data yang berubah seiring waktu.

Contoh: Grafik tren

Sudut

Sudut membantu membuat perbandingan dengan memberikan rasa proporsi. Studi menunjukkan bahwa sudut lebih sulit untuk dievaluasi daripada panjang atau posisi. Namun, diagram lingkaran sama efisiennya dengan diagram batang bertumpuk kecuali jika ada lebih dari tiga bagian secara keseluruhan.

Contoh: Diagram lingkaran

Daerah

Besaran relatif area lebih sulit dibandingkan dibandingkan dengan panjang garis. Arah kedua membutuhkan lebih banyak upaya untuk memproses dan menafsirkan.

Contoh: Bagan gelembung

Volume

Volume mengacu pada penggunaan objek 3D dalam ruang dua dimensi, yang membuatnya lebih sulit untuk dievaluasi. Namun, penelitian menunjukkan bahwa objek 3D dapat dirasakan lebih tepat ketika membandingkan dua bentuk dengan dimensi yang sama.

Contoh: diagram batang 3D

Saturasi Warna

Saturasi warna mengacu pada intensitas rona tunggal. Peningkatan intensitas warna dapat dirasakan secara intuitif sebagai jumlah nilai yang meningkat. Namun, sulit untuk mengevaluasi hasil secara tepat.

Contoh: Peta Panas

Memahami peringkat variabel visual sangat penting untuk membuat visualisasi data yang menarik. Namun, itu tidak berarti bahwa desainer perlu membatasi diri pada diagram batang dan plot pencar. Cleveland dan McGill mencatat, "Pemesanan tidak menghasilkan resep yang tepat untuk menampilkan data tetapi lebih merupakan kerangka kerja untuk bekerja."

Warna

Saturasi warna dan bayangan adalah yang paling tidak akurat dalam hal persepsi pola dan perilaku, menurut William Cleveland. Namun, warna dapat menjadi alat yang ampuh bagi desainer visualisasi data untuk menyampaikan makna dan kejelasan saat menampilkan data. Namun, sangat penting bahwa desainer memahami cara kerja warna dan apa yang dilakukan dan tidak dilakukan dengan baik.

Warna dalam Konteks

Persepsi kita tentang warna tergantung pada konteks, warna, dan kontrasnya dengan objek di sekitarnya.

Contoh yang bagus adalah eksperimen oleh Akiyoshi Kitaoka, seorang profesor di Departemen Psikologi di Universitas Ritsumeikan di Jepang, di mana ia menggeser selembar kertas abu-abu melintasi gradien hitam-putih. Kertas tampak berubah warna saat bergerak dari sisi ke sisi. Di setiap momen, kita merasakan warna secara berbeda karena nuansa abu-abu yang berbeda mengelilinginya. Lihat videonya di bawah ini:

Dalam artikelnya Aturan Praktis untuk Menggunakan Warna dalam Bagan , Stephen Sedikit menurunkan beberapa aturan praktis dari pengamatan ini:

1. Jika Anda ingin objek berbeda dengan warna yang sama dalam tabel atau grafik terlihat sama, pastikan latar belakang—warna yang mengelilinginya—konsisten.
2. Jika Anda ingin objek dalam tabel atau grafik mudah dilihat, gunakan warna latar belakang yang cukup kontras dengan objek tersebut.

Warna Bercerita

Warna bukan sekedar hiasan. Paling baik bila digunakan secara bermakna dan strategis. Warna harus membantu menceritakan sebuah cerita dan mengkomunikasikan tujuan dari kumpulan data yang disajikan. Seperti kata pepatah, "kurang lebih."

Warna kontras seharusnya hanya diterapkan pada perbedaan makna dalam data untuk mengurangi beban kognitif. Warna juga dapat menekankan elemen utama dari visualisasi.

Tidak adanya warna tidak membuat grafik yang baik menjadi kurang efektif. Abu-abu adalah titik awal yang baik pada tahap ide, dan begitu titik fokus diidentifikasi, penerapan warna akan menekankan bagian-bagian itu.

Tentukan Palet Warna

Kumpulan warna yang diterapkan desainer visualisasi data dapat sepenuhnya mengubah makna data. Banyak alat dapat membantu untuk memilih palet warna yang bermakna, tergantung pada sifat datanya. Berikut adalah beberapa:

• pembuat bir warna. Palet dibagi menjadi tiga jenis:
  • Kategoris (digunakan untuk memisahkan item ke dalam kelompok yang berbeda)
  • Sequential (digunakan untuk mengkodekan perbedaan kuantitatif)
  • Divergen
• Yaitu Palet. Viz Palette menangani aksesibilitas, mendesain untuk buta warna, dan nuansa dengan jarak yang merata. Ini mencakup "laporan warna" yang mengidentifikasi nuansa yang mungkin terlihat sama dalam berbagai situasi.

Menerapkan Prinsip Gestalt ke Visualisasi Data

Prinsip-prinsip persepsi gestalt dapat membantu memperjelas bagaimana otak mengatur elemen-elemen berdasarkan ciri-ciri umum ketika mencoba memahami informasi visual. Teori Gestalt didasarkan pada gagasan bahwa otak manusia akan berusaha menyederhanakan dan mengatur gambar atau desain kompleks yang terdiri dari banyak elemen dengan secara tidak sadar mengatur bagian-bagian menjadi sistem terorganisir yang menciptakan keseluruhan, bukan hanya serangkaian elemen yang berbeda.

Kesamaan

Prinsip kesamaan mengatakan bahwa pikiran kita akan secara otomatis mengelompokkan elemen dengan properti visual bersama sebagai "mirip." Warna serupa, bentuk serupa, ukuran serupa, dan orientasi serupa dianggap sebagai satu kelompok. Prinsip ini diilustrasikan dalam grafik di bawah ini.

Berbeda dengan grafik di sebelah kiri dengan batang dalam warna yang berbeda, mereka berwarna biru yang sama di sebelah kanan. Mengingat bahwa hanya ada satu variabel (Biaya/Pendapatan), ini masuk akal. Memiliki batang dengan warna yang sama memudahkan untuk memahami data dan menghilangkan ketegangan kognitif tambahan yang disebabkan oleh penggunaan warna yang berbeda di sebelah kiri.

Kedekatan

Kedekatan lebih efektif daripada kesamaan karena mata manusia merasakan unsur-unsur terkait berdasarkan seberapa dekat mereka satu sama lain.

Pada bagan di bawah, tujuannya adalah untuk membandingkan penjualan menurut negara dalam tiga kuartal. Meskipun mudah untuk membandingkan penjualan setiap negara dalam seperempat karena kedekatannya, akan sulit untuk menganalisis penjualan berdasarkan negara.

Bagan yang direvisi mengomunikasikannya dengan lebih jelas. Dalam hal ini, informasi diprioritaskan untuk fokus pada tujuan visualisasi, karena menjaga titik data utama lebih dekat satu sama lain.

Lampiran

Prinsip wilayah umum, yang diperkenalkan oleh Palmer pada tahun 1992, menunjukkan bagaimana ketertutupan elemen dengan batas yang jelas cenderung dianggap sebagai kelompok jika mereka berbagi area yang sama.

Pada contoh di bawah, tiga batang di dalam area yang diarsir abu-abu tampak sebagai bagian dari grup. Teknik ini membantu pemirsa fokus pada sekelompok objek dalam bagan.

Kesimpulan

Memahami elemen kunci dari persepsi manusia dan proses kognitif adalah bagian penting dalam merancang visualisasi data yang sangat baik. Saat mengerjakan produk dengan kebutuhan visualisasi data—baik itu dasbor B2B atau aplikasi keuangan—desainer harus memperhatikan proses persepsi visual otak manusia dan prinsip desain visualisasi data mendasar.

Keakraban dengan prinsip-prinsip gestalt persepsi visual yang terkenal dapat menjadi manfaat besar bagi desainer dan membantu mereka memahami bagaimana otak mengubah gambar kompleks menjadi pola. Memperhatikan prinsip-prinsip ini sangat berharga dalam proses mencapai hierarki visual yang lebih eksplisit saat merancang visualisasi data dan merancang bagan yang lebih efektif.

Selain itu, menyadari pemrosesan pra-perhatian dan variabel visual, serta penerapan warna yang benar, akan memberdayakan desainer untuk membuat visualisasi data yang lebih efektif.

Beri tahu kami pendapat Anda! Silakan tinggalkan pemikiran, komentar, dan umpan balik Anda di bawah ini.

• • •

Bacaan lebih lanjut di Blog Desain Toptal:

• Ikhtisar Lengkap Alat Visualisasi Data Terbaik
• Visualisasi Data – Praktik Terbaik dan Landasan
• Contoh Visualisasi Data Teratas dan Desain Dasbor
• Desain Dasbor - Pertimbangan dan Praktik Terbaik
• COVID-19: Kasus Penggunaan Pemikiran Desain Tertinggi