---
marp: true
paginate: true
class: bagian-iv
header: 'RTI — Riset Teknologi Informasi | Universitas Putra Bangsa Kebumen'
footer: 'Helmi Bahar Alim, S.Kom., M.Kom. | 2026'
---
# Bab 12 — Result Presentation & Visualization
## Dari Data Mentah ke Insight yang Dapat Dikomunikasikan
*Pertemuan 12 (M12) | Sub-CPMK 4.1 | CPMK04 | CPL07*
Fase: **Analyzing & Communicating** (M12–M16) · Bagian IV
**Universitas Putra Bangsa** | Fak. Sains & Teknologi · Prodi Teknik Informatika
---
## Agenda Pertemuan 12
1. Memasuki Bagian IV — dari eksekusi ke komunikasi hasil
2. Data → Insight Pipeline
3. Tabel vs Grafik — kapan menggunakan yang mana
4. Mapping tujuan → jenis visualisasi
5. Multi-metric presentation — cara melaporkan banyak metrik sekaligus
6. Visualization bias — cara visualisasi bisa menipu
7. Cognitive Traps & Studi Kasus
8. Output Praktis: Tabel + Grafik + Observasi Awal
---
## Capaian Pembelajaran
Setelah pertemuan ini, mahasiswa mampu:
- Menjelaskan perbedaan peran **tabel** (presisi) dan **grafik** (insight)
- Memilih jenis visualisasi berdasarkan **tujuan komunikasi hasil**
- Menyajikan hasil **multi-metrik** secara terstruktur dan tidak menyesatkan
- Mengidentifikasi dan menghindari **visualization bias**
- Menghasilkan **observasi awal** dari presentasi hasil sebelum interpretasi formal
> Sub-CPMK 4.1 → Menyajikan dan memvisualisasikan hasil eksperimen (CPL07)
---
## Sambutan ke Bagian IV
*Apa yang sudah kita miliki, apa yang harus kita lakukan*
```
Bagian I → Thinking: Masalah ditemukan, RQ dirumuskan
Bagian II → Designing: Metrik ditentukan, sistem dirancang, eksperimen didesain
Bagian III → Executing: Sistem diimplementasikan, dijalankan, data dikumpulkan + divalidasi
NOW: Bagian IV → Analyzing & Communicating
Bab 12: Sajikan hasil agar bisa dibaca
Bab 13: Preprocessing untuk analisis
Bab 14: Analisis, interpretasi, failure analysis
Bab 15: Tulis laporan ilmiah
Bab 16: Presentasikan dan defend
```
> Data yang valid (Bab 11) adalah fondasi. Presentasi yang jelas (Bab 12) adalah jembatan.
---
## Data → Insight Pipeline
*Proses mengubah angka mentah menjadi insight yang dapat dikomunikasikan*
**Validated Data** (Bab 11) ↓ Structured Presentation (tabel, format baku) ↓ Visualization (grafik yang tepat sasaran) ↓ Pattern Recognition (tren, perbedaan, konsistensi) ↓ **Insight** (observasi bermakna, siap Bab 14)
> Bab 12 menghasilkan **observasi** — "kita melihat X lebih baik dari Y dalam kondisi Z"
> Bab 14 menghasilkan **interpretasi** — "ini terjadi karena..."
---
## Tabel vs Grafik — Pilih yang Benar
| Situasi | Gunakan Tabel | Gunakan Grafik |
|---------|--------------|---------------|
| Tujuan | Presisi — angka exakt penting | Insight — pola, tren, perbandingan |
| Pembaca perlu | Mencari angka spesifik | Memahami pola dengan cepat |
| Data | Multi-metrik, banyak dimensi | Satu atau dua dimensi utama |
| Konteks | Laporan teknis, lampiran | Presentasi, paper figure |
**Aturan praktis:**
- Tabel **selalu ada** di laporan → pembaca bisa verifikasi angka
- Grafik menampilkan **pesan utama** yang ingin disampaikan
- Tidak ada grafik tanpa tabel pendamping di laporan ilmiah
---
## Mapping Tujuan → Jenis Visualisasi
| Tujuan Komunikasi | Jenis Grafik | Contoh |
|------------------|-------------|--------|
| Bandingkan nilai antar model | Bar chart | Perbandingan F1 Model A vs B vs C |
| Bandingkan multiple metrik | Grouped/stacked bar | Precision, Recall, F1 per model |
| Lihat tren seiring waktu | Line chart | Training loss over epochs |
| Lihat distribusi performa | Box plot | F1 dari 10 run per skenario |
| Lihat trade-off dua metrik | Scatter plot | Precision-Recall curve |
| Lihat keseluruhan radar | Radar chart | 5 metrik sekaligus per model |
| Lihat sebaran error | Heatmap | Confusion matrix |
> **Box plot sangat penting** untuk researcher: menampilkan median, IQR, dan outlier sekaligus.
---
## Multi-Metric Presentation
*Penelitian TI jarang punya satu metrik tunggal — cara melaporkan banyak metrik*
**Format tabel standar:**
| Skenario | F1-micro | F1-macro | Precision | Recall | Time (s) |
|----------|---------|---------|-----------|--------|---------|
| Baseline | 0.821 ± 0.015 | 0.768 ± 0.018 | 0.844 ± 0.012 | 0.799 ± 0.021 | 2511 ± 43 |
| +Attention | **0.869 ± 0.011** | **0.815 ± 0.014** | **0.882 ± 0.010** | **0.857 ± 0.016** | 2706 ± 52 |
| +Ensemble | 0.851 ± 0.013 | 0.798 ± 0.016 | 0.867 ± 0.011 | 0.836 ± 0.019 | 3124 ± 67 |
**Prinsip:** Selalu tampilkan mean ± std. Bold = best per kolom. N = jumlah run (cantumkan di caption).
---
## Visualization Bias — Cara Visualisasi Menipu
*Tiga teknik visual yang menyesatkan (dan sering tidak disengaja)*
### 1. Manipulasi Y-axis
```
Y-axis mulai dari 0.85: vs. Y-axis mulai dari 0:
| |
0.89| █ 1.0|
0.87| █ █ 0.8| █ █ █
0.85|█ █ |
A B C A B C
Tampak sangat berbeda Tampak hampir sama
```
Kedua grafik menggunakan data yang persis sama!
### 2. Selective Data — hanya menampilkan skenario terbaik
### 3. Misleading Chart Type — bar chart untuk data kontinu yang seharusnya box plot
---
# Cognitive Traps
## Bab 12 — Result Presentation
---
## Cognitive Traps — Bab 12
**"Lebih besar selalu lebih baik"**
Tidak semua metrik makin besar makin baik. Execution time, memory usage, dan false positive rate → lebih kecil lebih baik. Selalu beri label dan arah di tabel dan grafik.
**"Grafik sudah cukup, tidak perlu tabel"**
Grafik tidak bisa di-verifikasi angkanya. Dalam laporan ilmiah, tabel pencantuman nilai exakt adalah standar — bukan opsional. Grafik tanpa tabel = tidak cukup untuk reproduksi.
**"Saya hanya menampilkan skenario terbaik untuk memperkuat argumen"**
Selective reporting adalah pelanggaran integritas ilmiah. Semua skenario yang dijalankan harus dilaporkan. Argumen yang kuat muncul dari analisis yang jujur — bukan dari data yang dipilah.
**"Observasi awal sudah cukup, tidak perlu analisis lebih lanjut"**
Bab 12 menghasilkan observasi. Interpretasi dan penjelasan mengapa — itu adalah tugas Bab 14. Jangan melompat dari angka ke kesimpulan tanpa analisis formal.
---
## Studi Kasus 1 — Y-Axis Manipulation (Basic)
**Presentasi original:**
Grafik menunjukkan model peneliti jauh lebih baik dari baseline. Dosen menanyakan skala Y-axis.
Ternyata Y-axis dimulai dari 0.82, mengakhiri di 0.90.
Perbedaan aktual: 87.0% vs 82.1% = **4.9 percentage point**.
**Revisi:**
1. Y-axis dimulai dari 0
2. Tambahkan error bar (± std dari 10 run)
3. Tambahkan tabel dengan nilai exakt
**Pelajaran:** Perbedaan 4.9pp tetap signifikan secara statistik. Tidak perlu "membesarkan" secara visual — biarkan angka bicara sendiri.
---
## Studi Kasus 2 — Visualisasi yang Tepat (Advanced)
**Original:** Bar chart untuk menampilkan performa dari 10 run.
Bar chart hanya menampilkan mean — variance tersembunyi.
**Solusi: Box plot dari 10 run**
```
Attention: |───[===|===]───•| Median: 0.869, IQR: 0.011–0.015
Ensemble: |──[===|===]──| Median: 0.851, IQR: 0.013–0.016
Baseline: |─[===|===]──| Median: 0.821, IQR: 0.015–0.018
```
**Informasi tambahan yang terlihat dari box plot:**
- Attention memiliki variance lebih kecil (lebih stabil)
- Ensemble lebih stabil dari Baseline
- Tidak ada overlap distribusi → perbedaan kemungkinan signifikan
---
## Format Observasi Awal
*Sebelum interpretasi, dokumentasikan dulu apa yang terlihat*
```
OBSERVASI AWAL HASIL EKSPERIMEN
[OBS-01] Skenario "+Attention" menghasilkan F1-micro tertinggi (0.869 ± 0.011),
diikuti "+Ensemble" (0.851 ± 0.013), dan Baseline (0.821 ± 0.015).
[OBS-02] Variance skenario "+Attention" lebih kecil dari Baseline,
menunjukkan stabilitas yang lebih baik.
[OBS-03] "+Ensemble" memerlukan waktu eksekusi lebih lama (3124 ± 67s)
dibanding "+Attention" (2706 ± 52s).
[OBS-04] Pada F1-macro, semua skenario menunjukkan nilai lebih rendah daripada
F1-micro, mengindikasikan performa yang tidak seimbang antar kelas.
CATATAN: Observasi ini baru mendeskripsikan "apa yang terjadi". Interpretasi
mengapa — akan dilakukan di Bab 14.
```
---
## Ringkasan Pertemuan 12
| Konsep | Inti |
|--------|------|
| Data→Insight Pipeline | Validated Data → Structured → Visualization → Pattern → Insight |
| Tabel vs Grafik | Tabel = presisi (selalu ada), Grafik = insight (pilih tepat) |
| Mapping Visualisasi | Tujuan berbeda → jenis grafik berbeda (bar/box/scatter/radar) |
| Multi-metric | Mean ± std, bold best, N runs disebut di caption |
| Visualization Bias | Y-axis manipulation, selective data, misleading chart type |
| Observasi vs Interpretasi | Bab 12 = "apa yang terjadi", Bab 14 = "mengapa terjadi" |
---
## Final Statement & Output Praktis
"Visualisasi yang jujur bukan hanya soal estetika — ini adalah pernyataan integritas ilmiah. Data yang baik tidak perlu dimanipulasi agar terlihat menarik."
### Output Praktis M12
Buat dan kumpulkan:
1. **Tabel hasil** (semua skenario, semua metrik, format mean ± std)
2. **Minimal 2 grafik** (pilih jenis sesuai tujuan komunikasi)
3. **Dokumen observasi awal** (format [OBS-XX] seperti template di atas)
---
## Referensi Utama — Bab 12
- Tufte, E. R. (2001). *The visual display of quantitative information* (2nd ed.). Graphics Press.
- Few, S. (2012). *Show me the numbers: Designing tables and graphs to enlighten* (2nd ed.). Analytics Press.
- Munzner, T. (2014). *Visualization analysis and design*. CRC Press.
- Jain, R. (1991). *The art of computer systems performance analysis: Techniques for experimental design, measurement, simulation, and modeling*. Wiley.