Desain visualisasi untuk hal-hal yang belum ada

• Sebagian besar visualisasi data membahas masa lalu, dan bahkan ketika menampilkan masa depan pun biasanya hanya memperpanjang satu garis ke depan sehingga gagal merefleksikan karakteristik struktural dari ketidakpastian dengan baik
• Ketika objek visualisasi bergeser dari 'data' ke 'ruang kemungkinan', dari prediksi hingga skenario kontrafaktual, muncul tiga tantangan inti: multiplisitas, ketidakpastian, dan dependensi
• Tiga pola—ketidakpastian berlapis, timeline bercabang, dan permukaan skenario—merupakan pendekatan struktural yang dapat menggantikan visualisasi prediksi lama yang berpusat pada satu lintasan
• Melalui contoh nyata seperti cone prakiraan badai, kurva COVID, skenario iklim, dan peta risiko gempa, artikel ini menjelaskan secara konkret masalah salah tafsir yang ditimbulkan oleh visualisasi prediksi konvensional
• Tujuan visualisasi masa depan bukanlah prediksi, melainkan merancang struktur yang bisa dieksplorasi agar kita dapat memahami seberapa banyak masa depan yang mungkin terjadi dan faktor apa yang membentuknya

---

Masalah dalam visualisasi prediksi

• Sebagian besar grafik prediksi berbentuk satu garis rapi yang terus berlanjut ke depan, dengan pita bayangan di sekitarnya, sehingga memberi kesan presisi dan kendali
• Garis tunggal ini menyiratkan asumsi keliru bahwa "ada satu masa depan yang paling mungkin", "deviasi bersifat simetris dan dapat diprediksi", dan "ketidakpastian hanyalah margin sederhana, bukan sifat struktural"
• Dalam sistem nyata, masa depan bukan diperpanjang, melainkan bercabang, ketidakpastian meningkat secara majemuk seiring waktu, dan hasilnya bersifat nonlinier serta asimetris
• Contoh cone prakiraan badai: cone itu sering dibaca seolah-olah badai membesar, padahal sebenarnya menunjukkan ketidakpastian posisi dari waktu ke waktu
• Contoh prediksi COVID: banyak visualisasi menampilkan satu kurva tunggal, padahal hasil nyata bisa sangat berbeda tergantung perilaku, kebijakan, dan timing
• Alberto Cairo, dalam tulisan Nightingale berjudul "The Day I Thought I Misled the President of the United States", membahas bagaimana visualisasi prediksi dapat secara tidak sengaja mendistorsi pemahaman publik, dan mengeksplorasi metode alternatif untuk menyampaikan ketidakpastian dengan lebih efektif melalui visualisasi prakiraan badai interaktif untuk The New York Times

Tantangan inti: memvisualisasikan hal yang belum terjadi

• Saat berurusan dengan prediksi, simulasi, dan situasi kontrafaktual, objek kerja kita bukan dataset melainkan ruang hasil (space of outcomes)
• Pertanyaannya bergeser dari "apa yang dikatakan data?" menjadi "data ini bisa menjadi apa?"
• Ada tiga tantangan utama
  • Multiplisitas (Multiplicity): bukan satu masa depan, melainkan banyak masa depan
  • Ketidakpastian (Uncertainty): tidak semua kemungkinan sama-sama mungkin
  • Dependensi (Dependency): hasil bergantung pada keputusan, peristiwa, dan kondisi
• Sebagian besar visualisasi prediksi meratakan dimensi-dimensi ini menjadi satu lintasan tunggal demi kemudahan baca, tetapi ini adalah pendekatan yang kurang jujur terhadap realitas

Skenario kontrafaktual (Counterfactuals)

• Skenario kontrafaktual seperti "bagaimana jika ~ terjadi?" tidak ada di dalam data; ia adalah skenario hipotetis yang dikonstruksi, dan sering kali bergantung pada model
• Meski begitu, pertanyaannya penting: bagaimana jika tsunami lebih kuat? bagaimana jika prediksi model salah? bagaimana jika kebijakan berubah?
• Skenario kontrafaktual membawa tantangan untuk menampilkan versi realitas yang sebenarnya tidak terjadi, yakni harus menunjukkan 'ketiadaan (absence)'
• Sebagian besar visualisasi sepenuhnya mengabaikan hal ini atau mereduksinya menjadi sekadar toggle, dan itu tidak memadai
• Solusi untuk masalah memadatkan kemungkinan menjadi satu jalur tunggal adalah menerima struktur, bukan mengejar kesederhanaan semata

Pola 1: ketidakpastian berlapis (Layered Uncertainty)

• Alih-alih satu interval kepercayaan, ketidakpastian perlu diklasifikasikan secara berlapis
• Struktur lapisannya
  • Hasil dengan kepercayaan tinggi: area sempit dan gelap
  • Rentang kepercayaan menengah: area yang lebih lebar dan terang
  • Ekstrem berprobabilitas rendah: area yang terfragmentasi dan nyaris tak terlihat
• Lapisan-lapisan ini juga harus berubah bentuk — karena ketidakpastian tidak seragam
  • Bisa condong ke satu arah, terpecah menjadi beberapa klaster, atau menyusut pada kondisi tertentu
• Tujuannya bukan menunjukkan seberapa banyak ketidakpastian yang ada, melainkan "bagaimana ketidakpastian itu bekerja"
• Prakiraan ensemble cuaca sudah bergerak ke arah ini: "spaghetti plot" memvisualisasikan puluhan kemungkinan hasil sekaligus, dan kerapatan serta pengelompokan garis mengekspresikan tingkat kepercayaan, divergensi, dan instabilitas jauh lebih efektif daripada satu garis prakiraan yang dihaluskan

Pola 2: timeline bercabang (Branching Timelines)

• Satu lintasan tunggal menyiratkan keniscayaan, sedangkan struktur bercabang menampakkan titik-titik pengambilan keputusan
• Kita perlu berpikir bukan sebagai "satu garis → banyak deviasi yang mungkin", melainkan "satu titik awal → banyak jalur yang bercabang"
• Setiap cabang mewakili kondisi, keputusan, atau pelampauan ambang, dan memungkinkan visualisasi interaktif bermakna yang membuat pengguna mengeksplorasi konsekuensi, bukan sekadar data
• Sangat kuat untuk simulasi kebijakan, skenario iklim, dan perilaku model di bawah input yang berbeda
• Narasinya bergeser dari "inilah yang akan terjadi" menjadi "inilah yang bisa terjadi tergantung apa yang berubah"
• Visualisasi iklim adalah contoh paling jelas: skenario emisi yang berbeda menghasilkan lintasan pemanasan yang sepenuhnya berbeda dari waktu ke waktu, dan masa depan berubah sesuai kebijakan, penggunaan energi, serta tindakan kolektif (sumber: IPCC 2021)

Pola 3: permukaan skenario (Scenario Surfaces)

• Alih-alih memplot masa depan individual, pendekatan ini memvisualisasikan ruang itu sendiri
• Pada permukaan 2D atau 3D, setiap titik mewakili satu skenario, sumbu merepresentasikan variabel (waktu, intensitas, probabilitas, dll.), dan warna atau tekstur mengenkode kualitas hasil atau risiko
• Pengguna dapat mengidentifikasi area stabil, zona volatilitas, dan transisi tajam antarhasil
• Fokusnya pada eksplorasi, bukan storytelling
• Peta risiko gempa bekerja dengan cara serupa: alih-alih memprediksi satu peristiwa, peta ini memvisualisasikan area risiko berdasarkan kombinasi magnitudo, kedalaman, dan lokasi, sehingga dirancang untuk membantu memahami bentang kemungkinan dampak (sumber: USGS)
• Pendekatan ini mengakui fakta yang diabaikan banyak visualisasi: masa depan bersifat kontinu, bukan diskret

Mendesain untuk interpretasi

• Bagian tersulit dari pendekatan ini bukan masalah teknis, melainkan masalah kognitif
• Ketika banyak masa depan ditampilkan, pengguna bisa merasa kewalahan, pola menjadi kurang jelas, dan interpretasi menuntut lebih banyak usaha
• Menyederhanakan visualisasi agar terasa "mudah" justru sering menghasilkan visualisasi yang salah arah
• Tujuannya harus bergeser dari mengurangi kompleksitas menjadi menstrukturkan kompleksitas
• Di sinilah interaksi menjadi penting
  • Progressive disclosure
  • Guided pathways melalui skenario
  • Menambatkan pengguna dengan reference points
• Yang didesain bukan hanya visualisasi, tetapi juga cara berpikir tentang ketidakpastian

Kesimpulan: prinsip inti visualisasi masa depan

• Untuk memvisualisasikan sesuatu yang belum ada, kita harus berhenti memperlakukannya seolah-olah sudah ada
• Ada tiga prinsip utama
  • Menyajikan banyak kemungkinan, bukan satu
  • Menyajikan struktur, bukan sekadar rentang
  • Mendesain untuk eksplorasi, bukan konsumsi pasif
• Tujuannya bukan memprediksi masa depan, melainkan membantu memahami berapa banyak masa depan yang mungkin dan apa yang membentuknya