riset-teknologi-informasi/slide/slide-12-result-presentation.md

marp	paginate	class	header	footer
true	true	bagian-iv	RTI — Riset Teknologi Informasi | Universitas Putra Bangsa Kebumen	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.