Trendlinjerna som visas på Figur 23 till och med Figur 28 visar hur renderingstiderna för linje- och punktdiagrammen utvecklas exponentiellt med mängden data som ligger till grund för diagrammen. Att de följer den exponentiella kurvan tyder på att ytterligare mätningar som sker på liknande diagram baserade på större datamängd teoretiskt sätt borde följa samma utveckling. Detta gäller dock inte för stapeldiagrammen, vilka presenteras i Figur 29 till och med Figur 34. Stapeldiagrammen visar ingen direkt trend. Vad detta beror på kan inte detta experiment svara på utan det kan behöva undersökas vidare i andra experiment. En gissning är att diagrammen med lika många staplar borde ha ungefär samma renderingstid medan diagrammen med olika antal staplar borde följa samma tema som linje- och punktdiagrammen, vilket syns spår av i Figur 30 och Figur 34.
För vissa av mätningarna på diagrammen blev standardavvikelsen relativt stor. En möjlig förklaring till detta kan vara att det fanns omedvetna störningar i mätningarna, till den grad att höga mätvärden förekommer tillräckligt många gånger för att inte längre räknas som uteliggare.
I detta experiment har både utritningstid och tiden det tar att genomföra alla funktioner för sidan sparats, detta för att kunna undersöka vad som tar tid, att rita ut själva diagrammen eller andra funktioner såsom att hämta och sortera data. För att svara på frågeställningarna presenterade i rapporten behövs dock endast tiderna för utritning. En del som kan vara intressant att undersöka vidare kan vara hur stor del av tiden som egentligen läggs på utritning av diagram och hur mycket av den totala tiden som går åt till att till exempel hämta data från XML-filen.
Något att notera från post-hoc t-testerna är att endast två av diagrammen som jämförts saknar signifikanta skillnader. Orsaken till detta är oklar utifrån mätningarna som gjorts och den insamlade datan, men med tanke på att det endast är två jämförelser av totalt 342 som inte visar på signifikant skillnad kan detta vara intressant att undersöka vidare.
7.2.1 Relaterad forskning
McCoy, Austin och Slaughter (2010), Kerren, Jusufi och Liu (2014) och Ladstädter et al.
(2010) beskriver i sina studier hur visualisering av väderdata kan se ut och hur man kan interagera med dessa visualiseringar. I denna studie har också väderdata visualiserats men istället för att rikta in sig på själva visualiseringen har prestanda och hur lång tid det tar att faktiskt rita ut diagram varit det som undersökts. Trots detta har tydliga och väl fungerande visuella diagram varit en viktig grund i undersökningen.
Aigner, Miksch, Müller, Schumann och Tominski (2008) nämner hur olika visualiseringsmetoder passar olika bra för olika typer av data. Detta tas även upp i denna studie till en viss gräns då olika diagramtyper används i experimentet. Mätningar görs för både linje- och punktdiagram för kvantitativa data och stapeldiagram för kvalitativa data.
Ali, Gupta, Nayak och Lenkas (2016) artikel tar upp hur det ställs mer krav på datavisualiseringar, bland annat på grund av ökande datamängder. Detta låg till grund för undersökningen i detta arbete då behovet av snabba hemsidor med bilder, grafer och liknande
38
ökar. I deras artikel har de även gjort en jämförelse av några olika verktyg som kan användas för att visualisera data och denna idé är också använd i detta arbete. De skiljer sig dock lite från varandra då de har lite olika jämförelsepunkter och andra verktyg.
Likt detta arbete gör Li, Eickhoff och de Vries (2014) en jämförelse mellan olika JavaScriptbibliotek. De fokuserar dock på funktionalitet och förståelse snarare än prestanda.
Då de tre biblioteken som jämförs i denna studie, Chart.js, Google Charts och Plotly.js, även jämförs i Li, Eickhoff och de Vries (2014) studie kan dessa tillsammans leda till större förståelse och en bättre helhetsbild.
Krav på prestanda och hur fler hemsidor använder sig av plug-ins är något som Anttonen, Salminen, Mikkonen och Taivalsaari (2011) nämner i sin artikel. Även Takama, Niibori, Okamoto, Kamada och Yonekura (2012) nämner att renderingstid är viktigt. Dessa två artiklar ligger därför till grund för valet att fokusera på renderingstid för diagram skapade med olika JavaScriptbibliotek.
Som de nämnda relaterade forskningsarbetena visar har flera tidigare arbeten berört antingen visualisering eller prestanda. För att få en bättre bild av hur de två hänger ihop och hur de påverkar varandra har denna studie kombinerat dem och riktat in sig på prestanda av datavisualisering.
7.2.2 Etiska och forskningsetiska aspekter
Aspekter som kan ha påverkat arbetets resultat kan bland annat vara valet att använda en server för mätningarna. Detta har gjorts för att hålla experimentet så verklighetstroget som möjligt. Eftersom andra personer haft tillgång till servern kan dock eventuella störningar förekommit och dessa kan ha påverkat mätresultaten. Eventuella störningar med nätverk och dator kan också haft inverkan på mätningarna. Mätningarna gjordes under olika tider på dygnet vilket även det kan ha påverkat resultaten, bland annat med tanke på påfrestningar av nätverk under vissa tider av dygnet.
Borttagandet av uteliggare har gjorts i ett försök att vara så objektiv och neutral som möjligt men det är fortfarande en människa som gjort sållandet så målet att vara helt objektiv är svårt att nå. Detta är dock det lättaste sättet att avgöra om mönster i avstickande värden finns eller inte samt om värdena är tillräckligt höga eller låga för att räknas som onormala. Borttagandet av uteliggare har gjorts med eftertanke och försiktighet.
Resultaten från experimentet som ligger till grund för denna rapport kan komma att ändras för experiment baserade på exempelvis annan data eller andra diagramtyper som mätningar genomförs på.
Inga personer har medverkar i experimentet och har därför inte kommit till skada.
Experimentet har genomförts på ett så objektivt sätt som möjligt och resultaten har inte ändrats mer än att uteliggare tagits bort innan analysen genomförts. Alla resultat har dock sparats för att kunna analysera resultaten igen.
När andra personers texter och arbeten använts har dessa refererats till för att ge ordentlig och korrekt ära och för att inte själv ta förtjänsten av deras arbete.
Fel kan förekomma i arbetet och i denna rapport men eventuella fel är inte med mening och medvetenhet.
39
7.2.3 Samhällsnytta
Experimentet som genomförts har gjorts för att undersöka vilket JavaScriptbibliotek för statistiska diagram och grafer som snabbast ritar ut diagram av tre olika vanliga diagramtyper, linjediagram, punktdiagram och stapeldiagram. Att veta detta kan underlätta för företag och forskare som behöver eller vill nå ut med statistik av olika slag. För eventuella företag och forskare som inte har tid eller kunskap att jämföra flera olika bibliotek kan denna studie underlätta då en jämförelse har gjorts som kan göra valet av bibliotek enklare. Att använda ett bra JavaScriptbibliotek för att rita ut statistiska diagram på webben är också ett bra sätt att nå ut med information och samtidigt förklara och förtydliga annars svåröversiktlig statistik.
Studien är också menad att ge en bild av vilket bibliotek som snabbast ritar ut diagram, vilket, om många väljer att prioritera bra prestanda, kan leda till snabbare och enklare åtkomst till sidorna. Går det snabbt att ladda är det också troligare att fler använder sig av visualiseringsverktyg i allmänhet vilket kan resultera i webbsidor med bra och tydliga diagram och visualiseringar vilket gör det lättare att ta in, tolka och förstå data.
När bra visualisering av statistik på webben används blir även användare nöjda. Information blir lätt att ta in och förstå samtidigt som det lätt når ut till många. Är visualiseringsbiblioteken enkla att använda samtidigt som de smidigt och snyggt visar upp information är det också ett bra alternativ när statistik ska presenteras. Dessutom kan det leda till att fler visualiseringar görs på webben vilket kan leda till större förståelse.
Detta arbete med jämförelser och analyser kan i kombination med andra arbeten, exempelvis de som nämnts under 4 Relaterad forskning, göra så att slutsatser kan dras om till exempel vilka bibliotek och verktyg som passar bra för olika projekt. Vet man exempelvis hur många datapunkter man vill visualisera och vilken typ av data det är man använder kan man få hjälp att välja både rätt typ av diagram samt vilket eller vilka bibliotek eller verktyg som är bra på olika saker. Arbetet kan alltså hjälpa användare att välja rätt bibliotek baserat på datamängd och ändamål.
Studien kan också vara en början på undersökningar och optimeringar för JavaScriptbibliotek för bland annat visualiseringar. Denna studie undersöker hur bra de olika biblioteken presterar på en stationär dator med en ordentlig internetuppkoppling men vad händer när samma sida laddas från en surfplatta eller en mobil? Studien ger en uppfattning om vad som händer med renderingstider för större och mindre datamängder och kan därför även hjälpa till vid val av bibliotek att använda för olika skärmstorlekar då olika antal datapunkter får plats på olika skärmar.
Smart Homes och Internet of Things är även de delar som kan gynnas av denna studie. Idén med dessa två fenomen är att olika vardagliga föremål kan användas för att underlätta vår vardag genom att kopplas upp och ihop så att de kan kontrolleras och avläsas genom exempelvis en mobil. I och med att de alla är uppkopplade till internet kan JavaScriptkod användas för att läsa av och samla in data samt visa upp information. Utifrån denna studie kan man utgå ifrån JavaScriptbibliotek och använda data som samlas in för att sedan visa upp statistik och visualiseringar på antingen datorer eller mobiler, men kanske även på kylen för att visa temperaturförändringar eller på tvättmaskinen för att visa exempelvis vatten- och energiförbrukning.
40