4 skala warna
Ada tiga kasus penggunaan mendasar untuk warna dalam visualisasi data: (i) kita dapat menggunakan warna untuk membedakan kelompok data dari satu sama lain; (ii) kita bisa menggunakan warna untuk mewakili nilai data; dan (iii) kita bisa menggunakan warna untuk menyorot. Jenis warna yang kami gunakan dan cara kami menggunakannya sangat berbeda untuk ketiga kasing ini.
4.1 Warna sebagai alat untuk membedakan
Kami sering menggunakan warna sebagai alat untuk membedakan barang-barang diskrit atau kelompok yang tidak memiliki urutan intrinsik, seperti negara yang berbeda pada peta atau produsen yang berbeda dari produk tertentu.Dalam hal ini, kami menggunakan skala warna kualitatif .Skala semacam itu mengandung serangkaian warna tertentu hingga dipilih untuk terlihat jelas berbeda satu sama lain sementara juga setara satu sama lain. Kondisi kedua mensyaratkan bahwa tidak ada satu warna yang harus menonjol relatif terhadap yang lain. Dan, warna-warna seharusnya tidak menciptakan kesan pesanan, seperti halnya dengan urutan warna yang semakin terang berturut-turut.Warna seperti itu akan menciptakan urutan yang jelas di antara barang-barang yang diwarnai, yang secara definisi tidak memiliki urutan.
Banyak skala warna kualitatif yang sesuai sudah tersedia.Gambar 4.1 menunjukkan tiga contoh representatif. Secara khusus, proyek ColorBrewer menyediakan pilihan skala warna kualitatif yang bagus, termasuk warna yang cukup terang dan agak gelap (Brewer 2017 ) .
Gambar 4.1: Contoh skala warna kualitatif. Skala Okabe Ito adalah skala default yang digunakan di seluruh buku ini (Okabe dan Ito 2008 ) . Skala ColorBrewer Dark2 disediakan oleh proyek ColorBrewer (Brewer 2017 ) .Skala rona ggplot2 adalah skala kualitatif default dalam perangkat lunak plot ggplot2 yang banyak digunakan.
Sebagai contoh bagaimana kita menggunakan skala warna kualitatif, perhatikan Gambar 4.2 . Ini menunjukkan persentase pertumbuhan populasi dari tahun 2000 hingga 2010 di negara bagian AS. Saya telah mengatur negara bagian dalam urutan pertumbuhan populasi mereka, dan saya telah mewarnainya berdasarkan wilayah geografis.Pewarnaan ini menyoroti bahwa negara bagian di wilayah yang sama telah mengalami pertumbuhan populasi yang serupa. Secara khusus, negara-negara di Barat dan Selatan telah melihat peningkatan populasi terbesar sedangkan negara-negara di Midwest dan Timur Laut telah tumbuh jauh lebih sedikit.
Gambar 4.2: Pertumbuhan populasi di AS dari tahun 2000 hingga 2010. Negara-negara di Barat dan Selatan telah melihat peningkatan terbesar, sedangkan negara-negara di Midwest dan Timur Laut telah melihat peningkatan yang jauh lebih kecil atau bahkan, dalam kasus Michigan, penurunan. Sumber data: Biro Sensus AS
4.2 Warna untuk mewakili nilai data
Warna juga dapat digunakan untuk mewakili nilai data, seperti pendapatan, suhu, atau kecepatan. Dalam hal ini, kami menggunakan skala warna berurutan . Skala semacam itu mengandung urutan warna yang secara jelas menunjukkan (i) nilai mana yang lebih besar atau lebih kecil dari yang lainnya dan (ii) seberapa jauh jarak antara dua nilai tertentu. Poin kedua menyiratkan bahwa skala warna perlu dirasakan untuk bervariasi secara seragam di seluruh rentangnya.
Skala berurutan dapat didasarkan pada satu rona (misalnya, dari biru tua ke biru muda) atau pada beberapa rona (misalnya, dari merah tua ke kuning muda) (Gambar 4.3 ).Sisik multi-rona cenderung mengikuti gradien warna yang dapat dilihat di dunia alami, seperti merah tua, hijau, atau biru hingga kuning muda, atau ungu tua ke hijau muda.Kebalikannya, misalnya kuning gelap ke biru muda, terlihat tidak alami dan tidak membuat skala sekuensial yang berguna.
Gambar 4.3: Contoh skala warna berurutan. Skala ColorBrewer Blues adalah skala monokromatik yang bervariasi dari gelap hingga biru muda.Timbangan Heat dan Viridis adalah skala multi-hue yang bervariasi dari merah gelap ke kuning muda dan dari biru tua melalui hijau ke kuning muda.
Merepresentasikan nilai data sebagai warna sangat berguna ketika kami ingin menunjukkan bagaimana nilai data bervariasi di seluruh wilayah geografis. Dalam hal ini, kita bisa menggambar peta wilayah geografis dan mewarnainya dengan nilai data. Peta semacam itu disebut choropleths .Gambar 4.4 menunjukkan contoh di mana saya telah memetakan pendapatan rata-rata tahunan di setiap daerah di Texas ke peta kabupaten-kabupaten itu.
Gambar 4.4: Pendapatan tahunan rata-rata di negara bagian Texas.Pendapatan median tertinggi terlihat di daerah metropolitan Texas utama, khususnya di dekat Houston dan Dallas. Tidak ada taksiran pendapatan rata-rata yang tersedia untuk Loving County di Texas Barat dan karenanya county tersebut ditampilkan dalam warna abu-abu. Sumber data: Survei Komunitas Amerika Lima Tahun 2015
Dalam beberapa kasus, kita perlu memvisualisasikan penyimpangan nilai data dalam satu dari dua arah relatif terhadap titik tengah netral. Salah satu contoh langsung adalah dataset yang berisi angka positif dan negatif. Kami mungkin ingin menunjukkan warna berbeda, sehingga segera jelas apakah suatu nilai positif atau negatif serta seberapa jauh di kedua arah itu menyimpang dari nol. Skala warna yang sesuai dalam situasi ini adalah skala warna yang berbeda . Kita dapat menganggap skala divergen sebagai dua skala berurutan yang dihubungkan bersama pada titik tengah yang sama, yang biasanya diwakili oleh warna terang (Gambar 4.5 ). Timbangan divergen perlu seimbang, sehingga perkembangan dari warna terang di pusat ke warna gelap di luar kira-kira sama di kedua arah. Jika tidak, besarnya nilai data yang dirasakan akan tergantung pada apakah nilai tersebut jatuh di atas atau di bawah nilai titik tengah.
Gambar 4.5: Contoh skala warna yang berbeda. Timbangan divergen dapat dianggap sebagai dua skala berurutan yang digabungkan bersama pada warna titik tengah yang sama. Pilihan warna umum untuk timbangan yang berbeda termasuk coklat ke biru kehijauan, merah muda ke kuning-hijau, dan biru ke merah.
Sebagai contoh penerapan skala warna yang berbeda, perhatikan Gambar 4.6 , yang menunjukkan persentase orang yang mengidentifikasi putih di negara bagian Texas.Meskipun persentase selalu merupakan angka positif, skala divergen dibenarkan di sini, karena 50% adalah nilai titik tengah yang berarti. Angka di atas 50% menunjukkan bahwa putih adalah mayoritas dan angka di bawah 50% menunjukkan sebaliknya. Visualisasi dengan jelas menunjukkan di mana kabupaten kulit putih berada dalam mayoritas, di mana mereka berada di minoritas, dan di mana putih dan non-kulit putih muncul dalam proporsi yang kira-kira sama.
Gambar 4.6: Persentase orang yang mengidentifikasi kulit putih di negara bagian Texas. Orang kulit putih mayoritas di Texas Utara dan Timur tetapi tidak di Texas Selatan atau Barat. Sumber data: Sensus AS Decennial 2010
4.3 Warna sebagai alat untuk disorot
Warna juga bisa menjadi alat yang efektif untuk menyorot elemen tertentu dalam data. Mungkin ada kategori atau nilai tertentu dalam dataset yang membawa informasi penting tentang cerita yang ingin kami sampaikan, dan kami dapat memperkuat cerita dengan menekankan elemen-elemen gambar yang relevan kepada pembaca. Cara mudah untuk mencapai penekanan ini adalah dengan mewarnai elemen-elemen figur ini dalam warna atau serangkaian warna yang jelas-jelas menonjol di antara gambar lainnya. Efek ini dapat dicapai dengan skala warna aksen , yang merupakan skala warna yang mengandung satu set warna yang tenang dan yang serasi dengan warna yang lebih kuat, lebih gelap, dan / atau lebih jenuh (Gambar 4.7 ).
Gambar 4.7: Contoh skala warna aksen, masing-masing dengan empat warna dasar dan tiga warna aksen. Skala warna aksen dapat diturunkan dengan beberapa cara yang berbeda: (atas) kita dapat mengambil skala warna yang ada (misalnya, skala Okabe Ito, Gambar 4.1 ) dan meringankan dan / atau sebagian desaturate beberapa warna saat menggelapkan yang lain; (tengah) kita bisa mengambil nilai abu-abu dan memasangkannya dengan warna; (bawah) kita dapat menggunakan skala warna aksen yang ada, misalnya yang dari proyek ColorBrewer.
Sebagai contoh bagaimana data yang sama dapat mendukung cerita yang berbeda dengan pendekatan pewarnaan yang berbeda, saya telah membuat varian Gambar 4.2 di mana sekarang saya menyoroti dua keadaan khusus, Texas dan Louisiana (Gambar 4.8 ). Kedua negara bagian berada di Selatan, mereka adalah tetangga dekat, dan satu negara bagian (Texas) adalah negara bagian dengan pertumbuhan tercepat kelima di AS sedangkan negara bagian ketiga merupakan negara dengan pertumbuhan paling lambat ketiga sejak tahun 2000 hingga 2010.
Gambar 4.8: Dari tahun 2000 hingga 2010, dua negara bagian sebelah selatan Texas dan Louisiana telah mengalami pertumbuhan populasi tertinggi dan terendah di AS Sumber data: Biro Sensus AS
Saat bekerja dengan warna aksen, sangat penting bahwa warna dasar tidak bersaing untuk mendapatkan perhatian.Perhatikan bagaimana drab warna dasar berada (Gambar 4.8). Namun mereka bekerja dengan baik untuk mendukung warna aksen. Sangat mudah untuk membuat kesalahan dengan menggunakan warna dasar yang terlalu berwarna, sehingga mereka akhirnya bersaing memperebutkan perhatian pembaca terhadap warna aksen. Namun, ada obat yang mudah. Hapus semua warna dari semua elemen pada gambar kecuali kategori atau titik data yang disorot. Contoh dari strategi ini disediakan pada Gambar 4.9 .
Gambar 4.9: Atlet lintasan termasuk yang paling pendek dan paling ramping dari atlet profesional pria yang berpartisipasi dalam olahraga populer.Sumber data: Telford dan Cunningham ( 1991 )
## Warning: package 'sf' was built under R version 3.5.2 Referensi
Brewer, Cynthia A. 2017. “ColorBrewer 2.0. Nasihat Warna untuk Kartografi. " http://www.ColorBrewer.org .
Okabe, M., dan K. Ito. 2008. "Desain Universal Berwarna (CUD): Cara Membuat Gambar dan Presentasi yang Ramah bagi Orang Buta Warna." http://jfly.iam.u-tokyo.ac.jp/color/ .
Telford, RD, dan RB Cunningham. 1991. "Jenis Kelamin, Olahraga, dan Ketergantungan Ukuran Tubuh pada Atlet yang Sangat Terlatih." Kedokteran dan Sains dalam Olahraga dan Latihan 23: 788-94.
