1 Pertemuan 02 Analisis Data Matakuliah: I0272 – Statistik Probabilitas Tahun: 2005 Versi: Revisi.
TUGAS MATAKULIAH BIG DATA Analisis Data …danardono.staff.ugm.ac.id/matakuliah/bigdata/kel01...
Transcript of TUGAS MATAKULIAH BIG DATA Analisis Data …danardono.staff.ugm.ac.id/matakuliah/bigdata/kel01...
TUGAS MATAKULIAH BIG DATA
Analisis Data Perjalanan Uber Harian di Kota New York
dalam Penerapan Internet of Things (IoT) pada Big Data Analytics
Dosen Pengampu :
Disusun Oleh :
Usna Aning Yulianti (13/347887/PA/15386)
Fadila Muktiawati (13/348110/PA/15448)
Muthmainnah (13/352635/PA/15684)
Elisabeth Krissintia (14/366205/PA/16230)
PROGRAM STUDI STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS GADJAH MADA
2017
BAB I
PENDAHULUAN
1.1. Latar Belakang
Jaman yang semakin berkembang telah membawa manusia pada sebuah era dimana
hampir segala aspek kehidupan saling terhubung melalui jaringan internet. Dunia yang
sedang memasuki era ini ditandai dengan peningkatan populasi piranti elektonik yang
terkoneksi dengan Internet. Peranti-peranti tersebut berkisar dari aksesori fashion, perangkat
elektronik rumah tangga, hingga peranti navigasi dan hiburan dalam kendaraan bermotor.
Seiring berkembangnya jaman, terlebih lagi pada era milenal ini, Internet of Things atau
yang lebih viral disingkat IoT, merupakan sebuah trending topic yang sangat menarik untuk
dibahas, baik oleh civitas akademis, eksekutif perusahaan, hingga pemerintah. Hal ini
dikarenakan oleh manfaat dan peran dari IoT yang sangat signifikan dalam pengembangan
ilmu pengetahuan, peningkatan daya saing antar perusahaan, hingga optimalisasi pelayanan
publik. Para expertise dalam bidang ini, tak terkecuali para data analyst yang notabenenya
memiliki background statistika, juga sering mengkampanyekan betapa analisis big data,
terlebih pada IoT, memiliki peran yang sangat penting di jaman yang serba smart ini.
Internet of Things (IoT) pertama kali diperkenalkan oleh Kevin Ashton pada tahun
1999. Meski telah diperkenalkan sejak 15 tahun yang lalu, hingga kini belum ada sebuah
konsensus global mengenai definisi IoT. Namun secara umum konsep IoT diartikan sebagai
sebuah kemampuan untuk menghubungkan objek-obek cerdas dan memungkinkannya untuk
berinteraksi dengan objek lain, lingkungan maupun dengan peralatan komputasi cerdas
lainnya melalui jaringan internet. IoT dalam berbagai bentuknya telah mulai diaplikasikan
pada banyak aspek kehidupan manusia. CISCO bahkan telah menargetkan bahwa pada tahun
2020, 50 miliar objek akan terhubung dengan internet.
Bahkan, menurut seorang Country Manager Intel Indonesisa, Santhosh Viswanathan,
dalam Konferensi Intel Internet of Things 2014 di Jakarta, IoT merupakan sebuah peluang
karena piranti-piranti elektronik yang terkoneksi dengan internet menghasilkan banyak sekali
data yang dapat dianalis menjadi informasi untuk membuat keputusan strategis yang jitu.
Selain menawarkan peluang tersebut, IoT juga memendam tantangan karena
menghasilkan kumpulan data yang bervolume sangat besar (high volume), bervariasi tinggi
(high variety), dan muncul dengan cepat (high velocity). Dalam Industri IT, kumpulan data
semacam itu disebut dengan Big Data.
Oleh karena itu, terdapat hubungan yang cukup jelas antara IoT dengan Big Data. Dapat
dikatakan bahwa big data merupakan subset dari IoT. Seperti kita ketahui bahwa Big Data,
meski dengan penambahan ajektif “Big” dalam istilahnya, tetap saja merupakan kumpulan
data-data. Sementara itu, IoT berkaitan dengan data, alat (device), dan konektivitas. Yang
dimaksud dengan konektivitas di sini ialah kemampuan suatu komputer, alat, program,
maupun sistem untuk saling terhubung satu-sama lain yang kemudian menghasilkan aliran
data dalam kapasitas yang sangat besar.
1.2. Rumusan Masalah
Berdasarkan latar belakang di atas, terdapat permasalahan yang akan dibahas, yaitu:
1. Apa yang dimaksud dengan Big Data ?
2. Apa yang dimaksud dengan Internet of Things ?
3. Bagaimana relasi antara Big Data dengan IoT?
4. Bagaimana aplikasi Big Data pada IoT dalam beberapa bidang kehidupan era ini?
5. Bagaimana kondisi perjalanan Uber harian di Kota New York pada tahun 2014?
1.3. Tujuan Penulisan
Penulisan makalah ini memiliki tujuan sebagai berikut :
1. Mengetahui definisi Big data.
2. Mengetahui definisi Internet of Things.
3. Mengetahui keterkaitan antara Big data dengan IoT.
4. Menjelaskan gambaran umum tentang aplikasi Big Data dan IoT dalam kehidupan.
5. Melihat hasil analisis perjalanan Uber harian di Kota New York pada tahun 2014.
1.4. Manfaat Penulisan
Penulisan makalah ini tak lain karena penulis ingin berbagi ilmu dan menambah
wawasan, baik bagi penulis maupun pembaca, mengenai topik hangat di era yang serba smart
ini, yakni mengenai Big Data dan IoT.
1.5. Metode Penulisan
Penulisan makalah ini dilakukan dengan metode studi literatur, dimana penulis mencari
sumber referensi yang sebagian besar didapat secara online, kemudian dilakukan pemahaman
secara general untuk kemudian dituliskan dalam makalah ini.
BAB II
PEMBAHASAN
2.1. Pengertian Big Data
Berikut merupakan pengertian big data dirujuk dari pendapat para ahli,
Menurut (Eaton, Dirk, Tom, George, & Paul) Big Data merupakan istilah yang
berlaku untuk informasi yang tidak dapat diproses atau dianalisis menggunakan alat
tradisional.
Menurut (Dumbill, 2012) , Big Data adalah data yang melebihi proses kapasitas dari
kovensi sistem database yang ada. Data terlalu besar dan terlalu cepat atau tidak
sesuai dengan struktur arsitektur database yang ada. Untuk mendapatkan nilai dari
data, maka harus memilih jalan altenatif untuk memprosesnya.
SAS (Statistical Analytical System), seperti yang dilansir dalam halaman situsnya
mengatakan bahwa data besar (big data) adalah istilah yang populer digunakan untuk
menggambarkan pertumbuhan eksponensial dan ketersediaan data, baik terstruktur
maupun tidak terstruktur.
Berdasarkan pengertian para ahli di atas, dapat disimpulkan bahwa Big Data adalah data
yang memiliki volume besar sehingga tidak dapat diproses menggunakan alat tradisional
biasa dan harus menggunakan cara dan alat baru untuk mendapatkan nilai dari data ini.
2.2. Pengertian Internet of Things
Internet of Things (IoT) pertama kali diperkenalkan oleh Kevin Ashton pada tahun 1999.
Meski telah diperkenalkan sejak 15 tahun yang lalu, hingga kini belum ada sebuah konsensus
global mengenai definisi IoT. Namun secara umum konsep IoT diartikan sebagai sebuah
kemampuan untuk menghubungkan objek-obek cerdas dan memungkinkannya untuk
berinteraksi dengan objek lain, lingkungan maupun dengan peralatan komputasi cerdas
lainnya melalui jaringan internet. IoT dalam berbagai bentuknya telah mulai diaplikasikan
pada banyak aspek kehidupan manusia. CISCO bahkan telah menargetkan bahwa pada tahun
2020, 50 miliar objek akan terhubung dengan internet.
Menurut (Burange & Misalkar, 2015) Internet of Things (IOT) adalah struktur di mana
objek, orang disediakan dengan identitas eksklusif dan kemampuan untuk pindah data
melalui jaringan tanpa memerlukan dua arah antara manusia ke manusia yaitu sumber ke
tujuan atau interaksi manusia ke komputer. Internet of Things merupakan perkembangan
keilmuan yang sangat menjanjikan untuk mengoptimalkan kehidupan berdasarkan sensor
cerdas dan peralatan pintar yang bekerjasama melalui jaringan internet (Keoh, Kumar, &
Tschofenig, 2014).
Dengan demikian, dapat disimpulkan bahwa, dengan adanya internet of things, manusia
dapat membuat suatu koneksi antara mesin dengan mesin, sehingga mesin-mesin tersebut
dapat berinteraksi dan bekerja secara independen sesuai dengan data yagn diperoleh dan
diolahnya secara mandiri, tujuannya ialah agar manusia dapat berinteraksi dengan benda
secara lebih mudah, bahkan supaya benda juga bisa berkkomunikasi dengan benda lainnya.
2.3. Gambaran Umum Internet of Things
Broadband Internet kini tersedia secara luas, dengan harga yang semakin murah, dan
maraknya perangkat yang dibentuk dengan kemampuan menangkap jaringan Wi-Fi serta
teknologi sensor yang terbangun di dalamnya, menyebabkan ongkos yang dihabiskan dari
teknologi kini mulai menurun, dan penggunaan smartpone mulai merajalela. Kesemua dari
hal tersebut menciptakan ‘angin topan’ yang memicu berkembangnya Internet of Things
(IoT). Hingga kini, IoT tak hanya menjadi sebuah konsep yang memiliki potensi untuk
mempengaruhi bangaimana kita hidup, namun juga bagaimana kita bekerja.
Sederhananya, konsep IoT ini pada dasarnya menghubungkan perangkat apapun dengan
Internet, termasuk ke dalamnya telepon genggam, mesin pembuat kopi, mesin cuci,
headphone, lampu, dan hampir semua hal lain yang dapat terpikir oleh kita. Menurut Gartner,
akan ada lebih dari 26 milyar perangkat yang saling terhubung pada tahun 2020. Jaringan
raksasa dari IoT ini tak hanya menghubungkan perangkat ke perangkat, namun juga manusia
ke manusia, serta manusia ke perangkat. Sebagai contoh, misalkan saja Anda sedang dalam
perjalanan menuju kantor; dengan IoT, mobil Anda dapat memiliki akses terhadap kalendar,
tentang jadwal dan jam rapat yang harus dihadiri di kantor, dan menunjukkan rute terbaik
yang dapat dilewati untuk sampai dengan cepat ke kantor. Jika terindikasi macet parah, mobil
akan secara otomatis mengirim pesan pada relasi di kantor untuk memberitahu mereka bahwa
Anda akan datang terlambat.
Pada skala yang lebih luas, IoT dapat diterapkan pada jaringan transportasi : terciptanya
“smart citiy” yang dapat membantu kita mengurangi pemborosan dan meningkatkan efisiensi
pada penggunaan energi; sehingga memudahkan pekerjaan dan kehidupan yang kita jalani.
Seperti halnya yang divisualisasikan oleh Gambar 1 pada Lampiran (terlampir).
Realitanya adalah IoT memberikan koneksi dan kesempatan yang tak ada habis-
habisnya, yang bahkan masih banyak dampak dari IoT yang belum terpikirkan atau
sepenuhnya dipahami oleh kita hingga saat ini. Sehingga tidak sulit rasanya untuk melihat
bagaimana dan mengapa IoT menjadi topik terhangat hingga hari ini; karena IoT tak hanya
membuka pintu untuk sekumpulan kesempatan, namun juga untuk banyak tantangan.
Sehingga keamanan menjadi isu besar yang seringkali diangkat. IoT juga memberikan
ancaman keamanan bagi perusahan-perusahaan di seluruh dunia. Sehingga isu tentang privasi
dan data sharing pada IoT ini agaknya menjadi isu yang membutuhkan perhatian khusus bagi
pengguna serta perusahaan yang terlibat di dalamnya.
Isu lainnya adalah perusahaan-perusahaan secara khusus akan menghadapi data dengan
jumlah yang sangat besar yang dihasilkan oleh perangkat-perangkat yang saling terhubung
tersebut. Sehingga perusahaan perlu mencari cara untuk menyimpan, melacak, menganilisis
dan memahami besarnya data yang akan dihasilkan. Perbincangan tentang IoT ini akan terus
dibicarakan di seluruh dunia hingga beberapa tahun kemudian, untuk memahami bagaimana
pengaruh dari IoT terhadap kehidupan manusia. Dan harus dipahami bahwa kesempatan dan
tantangan akan selalu berdatangan karena semakin maraknya perangkat yang bergabung
dengan IoT. Sehingga, akan bijak apabila kita dapat memahami apa itu IoT dan dampak
potensial yang dapat berpengaruh pada cara kita hidup dan cara kita bekerja.
Internet of Things (IoT) merupakan jaringan terpadu dari objek fisik atau hal-hal yang
tersimpan dalam perangkat elektronik, software, sensors, dan jaringan internet, yang
memungkinkan objek-objek tersebut untuk mengumpulkan dan menukar data. Internet of
Things mengizinkan objek untuk digunakan dan dikendalikan melalui remote pada
infrastruktur jaringan yang ada, sehingga menciptakan kesempatan untuk menggabungkan
dunia fisik dan sistem berbasis komputer secara langsung, dan menghasilkan peningkatan
efisiensi, akurasi dan keuntungan ekonomi.
Per 2025, total nilai global dari teknologi IoT dapat mencapai $6,2 trilyun—sebagian
besar nilai tersebut berasal dari devices pada layanan kesehatan ($2,5 trilyun) dan pada
bidang produksi ($2,3 trilyun). Persebaran IoT tertinggi berada pada sektor bisnis dan
industri, yakni berada di angka 40,2 % yang meliputi analisis real-time dari rantai persediaan
dan mesin berbasis robot. Kemudian disusul oleh layanan kesehatan sebesar 30,3 % yang
meliputi portable health monitoring, perekam data elektronik, dan pharmaceutical safeguards.
Sedangkan toko-toko eceran menguasai 8,3 % dari IoT untuk melacak ketersediaan barang,
pembelian melalui smartphone, serta analisis pilihan konsumen. Dan sebanyak 7,7 % IoT
digunakan dalam bidang keamanan melalui analisis biometri serta sensor wajah dan gerakan.
4,1 % sisanya digunakan pada bidang transportasi seperti self-parking cars, GPS locators dan
penunjuk jalan.
Persebaran penggunaan IoT pada smart devices dapat dilihat pada Gambar 2 pada
Lampiran (terlampir).
2.4. Prinsip dan Cara Kerja Internet of Things (IoT)
Dasar prinsip kerja perangkat IoT adalah, benda di dunia nyata diberikan identitas unik
dan dapat dikali di sistem komputer dan dapat di representasikan dalam bentuk data di
sebuah sistem komputer.Pada awal-awal implementasi gagasan IoT pengenal yang digunakan
agar benda dapat diidentifikasi dan dibaca oleh komputer adalah dengan menggunakan kode
batang (Barcode), Kode QR (QR Code) dan Identifikasi Frekuensi Radio (RFID). dalam
perkermbangan nya sebuah benda dapat diberi pengenal berupa IP address dan menggunakan
jaringan internet untuk bisa berkomunikasi dengan benda lain yang memiliki pengenal IP
address.
Cara Kerja Internet of Things (terlampir pada Gambar 3) yaitu dengan memanfaatkan
sebuah argumentasi pemrograman yang dimana tiap-tiap perintah argumennya itu
menghasilkan sebuah interaksi antara sesama mesin yang terhubung secara otomatis tanpa
campur tangan manusia dan dalam jarak berapa pun. Internetlah yang menjadi penghubung di
antara kedua interaksi mesin tersebut, sementara manusia hanya bertugas sebagai pengatur
dan pengawas bekerjanya alat tersebut secara langsung.
Konsep IoT ini sebetulnya cukup sederhana dengan cara kerja mengacu pada 3 elemen
utama pada arsitektur IoT, yakni: Barang Fisik yang dilengkapi modul IoT, Perangkat
Koneksi ke Internet seperti Modem dan Router Wirless Speedy seperti di rumah anda, dan
Cloud Data Center tempat untuk menyimpan aplikasi beserta data base.
Seluruh penggunaan barang yang terhubung ke internet akan menyimpan data, data
tersebut terkumpul sebagai ‘big data’ yang kemudian dapat di olah untuk di analisa baik oleh
pemerintah, perusahaan, maupun negara asing untuk kemudian di manfaatkan bagi
kepentingan masing-masing. Disinilah peran penting pemerintah Republik Indonesia dalam
menjaga ketahanan negara dari sisi sistem informasi.
2.5. Aplikasi Big Data pada Internet of Things (IoT)
1. Bidang Transportasi
Smart Traffic – IoT juga bisa menganalisa lalu lintas kendaraan bermotor di jalan,
mulai dari tingkat kemacetan di jalan, kecepatan rata-rata kendaraan bermotor,
jalan alternatif jika ada kemacetan, dsb
Sepeda Pintar yang Mampu Merekomendasikan Rute
Vanhakws, perusahaan rintisan asal Toronto, Kanada, melihat ini sebagai peluang
besar. Mereka merancang connected bicycle buat pengendara urban. Proyek
Kickstarter ini memikat begitu banyak netizen hingga mendulang crowdfunding
senilai US$ 820 ribu atau sekitar Rp 11,3 miliar. Sepeda bernama Valour ini
dilengkapi general positioning system atau GPS dan beragam sensor serta koneksi
Wi-Fi dan Bluetooth untuk memudahkan berkomunikasi dengan ponsel atau jam
pintar.
2. Bidang Industri
Industrial Control
IoT bisa digunakan untuk diagnosa mesin, monitor gas beracun, tingkat
oksigen, temperatur, ozon, dsb, sehingga bisa digunakan di dalam industr
Banking Industry
IoT bisa memanfaatkan IoT untuk mendapatkan konektivitas di manapun. IoT
mewujudkan mesin-mesin ATM dan POS (mesin kasir) yang terhubung
supaya biaya operasi lebih murah dan juga meningkatkan pendapatan.
Pemantauan Jarak Jauh
Pemantauan jarak jauh adalah salah satu jenis internet of things yang paling
sering ditemukan. Caranya adalah dengan meletakkan sensor pada suatu benda
yang ingin kita pantau, dan sensor tersebut kita koneksikan dengan internet.
Dengan demikian, kita dapat memperoleh apa saja yang kita butuhkan dari
sensor, dan memantaunya dari jarak jauh dengan jaringan internet, bahkan bisa
langsung kita pantau dari handphone kita.
3. Bidang Biomedis
E-Health – IoT memungkinkan perangkat-perangkat wearable sampai tablet
(pil) bisa saling tersambung. Ini akan mendorong industri wearable sensor,
sampai tablet (pil), dan sensor yang bisa ditanam di dalam tubuh manusia.
Memonitor Bayi dengan Kimono Cerdas
Sekilas, kimono bernama Mimo ini tampak seperti baju bayi pada umumnya.
Hanya saja, hiasan berbentuk kura-kura yang terdapat padanya mampu
mengirim data ke receiver berwujud bunga teratai, yang kemudian
mengirimkan informasi ke aplikasi iOS atau Android via koneksi Internet.
Kimono ini mampu memonitor napas, posisi tubuh, aktivitas tidur, dan
temperatur kulit bayi yang dapat Anda lacak secara real-time via aplikasi
khusus pada ponsel. Satu lagi, karena terdapat mikrofon pada aksesori kura-
kura tadi, Anda juga dapat mendengar suara di sekitar bayi.
BAB III
STUDI KASUS
UBER TLC FOIL RESPONSE
Direktori ini terdiri dari data lebih dari 4,5 juta antar-jemput Uber di New York City
dari April hingga September 2014. Berdasarkan data ini, dapat dikethaui bahwa Uber lebih
banyak melayani antar-jemput di bagian terluar New York City, Uber dan angkutan umum
seharusnya saling melengkapi, Uber mengambil jutaan lebih banyak layanan dari Manhattan
dibandingkan dengan Taxi, dan apakah Uber membuat kemacetan NYC lebih buruk?
Dataset terdiri dari Data perjalanan berupa data bulanan dari April 2014 – September
2014, dengan detil informasi lokasi. Tterdapat enam file data mentah pada antar-jemput Uber
di NYC dari April hingga September 2014. File ini dibedakan berdasarkan bulan dan masing-
masing file memiliki kolom sebagai berikut :
Date/Time : tanggal dan waktu penjemputan Uber.
Lat : garis lintang tempat penjemputan Uber
Lon : garis bujur tempat penjemputan Uber
Base : kode dasar perusahaan TLC (Taxi and Limousine Commission) yang
berafiliasi dengan penjemputan Uber.
Dalam kasus ini, digunakan data uber’s trip harian di kota New York pada bulan April
hingga September 2014. Analisis yang akan dilakukan adalah visualisasi data perjalanan
Uber harian di Kota New York. Langkah-langkah serta syntax yang dijalankan terlampir pada
Lampiran 3.
Akan dianalisis banyaknya perjalanan Uber di Kota New York berdasarkan hari.
Diperoleh output berupa diagram batang, sebagai berikut :
Dari grafik di atas, terlihat bahwa jumlah perjalanan yang dilakukan oleh pengguna Uber di
kota New York meningkat pada weekdays (senin sampai dengan jum’at) kemudian menurun
pada weekend (sabtu dan minggu). Perjalanan terbanyak berada pada hari Kamis dan Jum’at
dibanding hari-hari lainnya. Dimana hari Kamis menduduki posisi pertama dengan jumlah
perjalanan sebanyak 755.415 perjalanan, sedangkan hari Jum’at memiliki jumlah perjalanan
sebanyak 741.139 perjalanan. Sedangkan jumlah perjalanan terendah berada pada hari
Minggu dengan total sebanyak 490.180 perjalanan.
Kemudian akan dianalisis banyaknya perjalanan Uber di Kota New York berdasarkan
hari pada tiap bulannya, sehingga diperoleh output berupa diagram batang sebagai berikut :
Dari grafik di atas, terlihat bahwa jumlah perjalanan yang dilakukan oleh pengguna Uber
di kota New York secara umum mengalami peningkatan secara fluktuatif setiap bulannya
(April sampai dengan September). Dari grafik dapat diperoleh interpretasi jumlah perjalanan
per hari pada tiap bulan sebagai berikut :
Pada bulan April, jumlah perjalanan tertinggi berada pada hari Rabu dengan total
108.631 perjalanan dan jumlah perjalanan terendah berada pada hari Minggu dengan
total 51.251 perjalanan.
Pada bulan Mei, jumlah perjalanan tertinggi berada pada hari Jum’at dengan total
133.991 perjalanan dan jumlah perjalanan terendah berada pada hari Minggu dengan
total 56.168 perjalanan.
Pada bulan Juni, jumlah perjalanan tertinggi berada pada hari Kamis dengan total
115.325 perjalanan dan jumlah perjalanan terendah berada pada hari Minggu dengan
total 79.656 perjalanan.
Pada bulan Juli, jumlah perjalanan tertinggi berada pada hari Kamis dengan total
148.439 perjalanan dan jumlah perjalanan terendah berada pada hari Minggu dengan
total 76.327 perjalanan.
Pada bulan Agustus, jumlah perjalanan tertinggi berada pada hari Jum’at dengan total
148.674 perjalanan dan jumlah perjalanan terendah berada pada hari Senin dengan
total 91.633 perjalanan.
Pada bulan September, jumlah perjalanan tertinggi berada pada hari Selasa dengan
total 163.230 perjalanan dan jumlah perjalanan terendah berada pada hari Minggu
dengan total 116.532 perjalanan.
Sebagai analisis tambahan, akan dibentuk grafik heatmap dari uber’s trip pada setiap
tanggal dari bulan tertentu. Dengan sumbu horizontal menyatakan tanggal pada setiap bulan,
yakni mulai tanggal 1 sampai dengan tanggal 31 serta sumbu vertikal menyatakan bulan,
yakni dari bulan April hingga September 2014. Akan diperoleh output grafik heatmap
sebagai berikut :
Dari grafik heatmap diatas dapat dilihat bahwa frekuensi (banyaknya) perjalanan
(uber’s trip) yang terjadi dinyatakan dalam gradasi warna yang diberikan pada keterangan di
seblah kanan grafik. Warna yang lebih tua menyatakan semakin sedikit perjalanan yang
terjadi. Dari grafik dapat dilihat bahwa perjalanan terbanyak berada pada bulan September,
karena didominasi oleh warna yang lebih muda. Sedangkan frekuensi perjalanan paling
sedikit berada pada bulan April, karena didominasi oleh warna yang lebih tua. Selain itu,
dapat dilihat pula bahwa pada awal bulan (kecuali pada bulan September) banyaknya uber’s
trip cenderung menurun hingga kemudian meningkat secara fluktuatif pada pertengahan
bulan lalu cenderung menurun kembali di akhir bulan. Informasi yang diperoleh ini dapat
menjadi dasar bagi pihak marketing uber untuk menggencarkan promosinya, terutama pada
awal dan akhir bulan, misal dengan mengeluarkan promo seperti potongan harga atau free
rides pada awal dan akhir bulan tersebut. Sehingga dengan adanya visualisasi data seperti
yang telah dijelaskan, pihak marketing uber diharapkan dapat mengusulkan dan mengambil
strategi pemasaran yang baik guna meningkatkan jumlah perjalanan di New York.
Dari grafik di atas, terlihat bahwa jumlah perjalanan yang dilakukan oleh pengguna
Uber di kota New York meningkat pada jam pulang kerja kemudian konsumsi terendah pada
dini hari. Perjalanan terbanyak berada pada pukul 17.00. Sedangkan jumlah perjalanan
terendah berada pada pukul 02.00. Kemudian akan dianalisis banyaknya perjalanan Uber di
Kota New York berdasarkan jam pada tiap bulannya, diperoleh diagram batang :
Dari grafik di atas, terlihat bahwa jumlah perjalanan yang dilakukan oleh pengguna
Uber di kota New York secara umum memiliki pola yang sama setiap bulannya (April sampai
dengan September). Dari grafik dapat diperoleh interpretasi jumlah perjalanan per jam pada
tiap bulan bahwasannya pengguna Uber akan ramai dan meninggat pada jam-jam sore hari
yang diduga merupakan jam pulang kerja yakni anyara pukul 16.00 – 19.00. Sedangkan
tampak begitu sepi pengguna pada jam dini hari, sekitar pukul 01.00 – 04.00.
Kemudian akan dibentuk grafik heatmap dari uber’s trip pada setiap hari dari jam
tertentu. Dengan sumbu horizontal menyatakan tanggal, yakni mulai tanggal 1 sampai dengan
tanggal 31 serta sumbu vertikal menyatakan jam, yakni dari 00.00 hingga 23.00.
Dari grafik heatmap diatas dapat dilihat bahwa frekuensi (banyaknya) perjalanan
(uber’s trip) yang terjadi dinyatakan dalam gradasi warna yang diberikan pada keterangan di
sebelah kanan grafik. Warna yang lebih tua menyatakan semakin sedikit perjalanan yang
terjadi. Dari grafik dapat dilihat bahwa perjalanan terbanyak berada pada jam-jam sore hari,
karena didominasi oleh warna yang lebih muda. Sedangkan frekuensi perjalanan paling
sedikit berada pada jam-jam dini hari, karena didominasi oleh warna yang lebih tua. Selain
itu, dapat dilihat pula bahwa setiap hari, banyaknya uber’s trip cenderung memiliki pola yang
sama, kecuali pada akhir bulan. Setiap hari, tampak bahwa perjalanan terbanyak berada pada
jam-jam sore hari, karena didominasi oleh warna yang lebih muda. Sedangkan frekuensi
perjalanan paling sedikit berada pada jam-jam dini hari, karena didominasi oleh warna yang
lebih tua. Namun pada akhir bulan, tampak bahwa frekuensi perjalanan cukup sedikit, karena
didominasi oleh warna yang lebih tua. Informasi yang diperoleh ini dapat menjadi dasar bagi
pihak marketing uber untuk menambah kendaraan, terutama pada waktu-waktu yang ramai.
Kemudian akan dianalisis banyaknya perjalanan Uber di Kota New York berdasarkan
tanggal. Diperoleh output berupa diagram batang, sebagai berikut :
Dari grafik dan tabel di atas, dapat diperoleh interpretasi jumlah perjalanan pada
setiap tanggal (hari) selama April – September 2014 adalah bahwa jumlah perjalanan
tertinggi terjadi pada tanggal 30 dengan total perjalanan sebanyak 167160, sedangkan jumlah
perjalanan terendah yaitu pada tanggal 31 dengan total sebanyak 78073 perjalanan.Kemudian
akan dianalisis banyaknya perjalanan Uber di Kota New York berdasarkan tanggal pada tiap
bulannya, diperoleh diagram batang :
Dari grafik di atas, dapat diperoleh interpretasi jumlah perjalanan pada setiap tanggal
(hari) di masing-masing bulan April – September 2014 sebagai berikut :
Pada bulan April, jumlah perjalanan tertinggi terjadi pada tanggal 30 dengan total
perjalanan sebanyak 36251, sebaliknya perjalanan terendah terjadi pada tanggal 20
dengan total perjalanan sebanyak 11017.
Pada bulan Mei, perjalanan tertinggi terjadi pada tanggal 16 dengan total 32493
perjalanan, sebaliknya perjalanan terendah terjadi pada tanggal 26 total perjalanan
sebanyak 10202.
Pada bulan Juni, perjalanan tertinggi terjadi pada tanggal 13 total 31207 perjalanan,
sebaliknya perjalanan terendah terjadi pada tanggal 15, sebanyak 14511 perjalanan.
Pada bulan Juli, perjalanan tertinggi terjadi pada tanggal 23 total 34073 perjalanan,
sebaliknya perjalanan terendah terjadi pada tanggal 5, sebanyak 10890 perjalanan
Pada bulan Agustus, perjalanan tertinggi terjadi pada tanggal 21 total 32304
perjalanan, sebaliknya perjalanan terendah terjadi pada tanggal 10 total 20584
perjalanan
Pada bulan September, perjalanan tertinggi terjadi pada tanggal 13 dengan total 43205
perjalanan, sebaliknya perjalanan terendah terjadi pada tanggal 1 dengan total 19961
perjalanan.
Secara keseluruhan, perjalanan tertinggi terjadi pada tanggal 13, bulan September 2014
dengan total 43205 perjalanan, sebaliknya perjalanan terendah terjadi pada tanggal 26, bulan
Mei 2014 dengan total 10202 perjalanan.
Kemudian akan dianalisis banyaknya perjalanan Uber di Kota New York berdasarkan
base (perusahaan). Diperoleh output berupa diagram batang, sebagai berikut :
Berdasarkan informasi di atas, dapat diketahui bahwa perjalanan terbanyak
berdasarkan bulan ialah pada September 2014 dengan kode perusahaan B02617 sementara
perjalanan terendah pada bulan Juli 2014 dengan kode perusahaan B02764. Jika diambil
kesimpulan berdasarkan perusahaan yang bekerja sama dengan Uber, maka perusahaan
dengan perjalanan terbanyak ialah perusahaan dengan kode B02617 yakni sebesar 145883
perjalanan, sedangkan yang terendah ialah perusahaan dengan kode B02512 yakni sebesar
205673 perjalanan.
BAB IV
REFERENSI DAN LAMPIRAN
2014. Forbes. https://www.forbes.com/sites/jacobmorgan/2014/05/13/simple-explanation-
internet-things-that-anyone-can-understand/#295edd381d09
2015. The Guardian. https://www.theguardian.com/technology/2015/may/06/what-is-the-
internet-of-things-google
2013. Libelium. http://www.libelium.com/libelium-smart-world-infographic-smart-cities-
internet-of-things/
2016. Business Insider. http://www.businessinsider.com/what-is-the-internet-of-things-
definition-2016-8?IR=T&r=US&IR=T
2017. Kaggle. https://www.kaggle.com/dhaval8895/d/fivethirtyeight/uber-pickups-in-new-
york-city/uber-statistics
Lampiran 1 : Sejarah Singkat Internet of Things
Sejak mulai dikenalnya internet pada tahun 1989, mulai banyak hal kegiatan melalui
internet, Pada tahun 1990 John Romkey menciptakan 'perangkat', pemanggang roti yang bisa
dinyalakan dan dimatikan melalui Internet.
Pada bulan September 1991 Mark Weiser dengan Xerox PARC menerbitkan artikel yang
menjelaskan tentang masa depan dimana elemen-elemen hardware dan software dihubungkan
dengan kabel, gelombang radio dan infrared akan menjadi hal yang terdapat dimana-mana
dan tidak ada satu orang pun yang menyadari keberadaannya.
Pada bulan January 1922 Trojan Room Coffe Pot, Quentin Stafford-Fraser dan Paul
Jardetzky pada Universitas Cambridge menggunakan kamera di laboratorium Trojan Room
dan menulis program server untuk menangkap gambar dari pot setiap detiknya untuk
memonitor tinggi kopi sehingga peneliti dapat mengethaui kapan kopi sudah dapat
dihidangkan.
Pada tahun 1993 Peneliti di Universitas Columbia mengembangkan Knowledge-based
Augmented Reality for Maintenance Assistance (KARMA), yang melapisi skematik
wireframe dan instruksi perbaikan diatas peralatan yang akan diperbaiki.
WearCam diciptakan pada tahun 1994 oleh Steve Mann. Pada tahun 1997 Paul Saffo
memberikan penjelasan singkat pertama tentang sensor dan masa depan. Pada September
1944 B.N.Schilit dan M.M.Theimer menggunakan istilah “context-aware” untuk pertama
kalinya dalam artikel bertema Network.
Pada tahun 1995 Siemens menyiapkan departemen untuk mengembangkan dan
meluncurkan modul data GSM yang dinamakan M1 untuk aplikasi industri machine-to-
machine (M2M).
Pada bulan Januari tahun 1999 Bill Joy, pendiri Sun Microsystems, menjelaskan
komunikasi device-device sebagai salah satu web yang ia impikan pada presentasinya dalm
forum ekonomi dunia. Tahun yang sama pula Kevin Ashton menciptakan The Internet of
Things, bersama dengan direktur eksekutif Auto IDCentre, MIT. Mereka juga menemukan
peralatan berbasis RFID (Radio Frequency Identification) global yang sistem identifikasi
pada tahun yang sama. Penemuan ini disebut sebagai sebuah lompatan besar dalam
commercialisingIoT.
Pada bulan Oktober tahun 2000 Sanjay Sarma dan David Broke dari MIT menerbitkan
white paper yang merupakan impian untuk membangun Auto-ID Center MIT dimana semua
benda baik benda fisik maupun elektronik diberi label informasi tentang benda tersebut.
Dengan label tersebut, kita dapat mengethaui keberadaannya dan mengetahui isinya tanpa
kontak dengan pegawai. Tahun yang sama pula, LG mengumumkan rencananya menciptakan
kulkas pintar yang akan menentukan sendiri apakah bisa atau tidak makanan yang tersimpan
di dalamnya diisi ulang.
Pada tahun 2002 Chana Schoenberger mengeluarkan artikel dengan judul “The Internet
of Things” pada majalah Forbes dengan kutipan dari Ashton. “Kita membutuhkan internet of
things, sebuah cara standardidasi agar komputer mengerti dunia nyata”. Ambient Orb yang
dibuat oelh David Rose dan yang lainnya, menayangkan Dow Jones, pengatur keuangan
pribadi dan informasi cuaca berdasarkan data internet dan mengubah warnanya berdasarkan
parameter dinamik.
Pada tahun 2003 RFID mulai ditempatkan pada tingkat besar besaran di militer AS di
Program Savi mereka. Pada tahun yang sama melihat raksasa ritel Walmart untuk
menyebarkan RFID di semua toko-toko di seluruh dunia untuk lebih besar batas. Pada tahun
ini pula BigBelly Solar dibiayai unuk membuat tong sampah yang mendapatkan energi dari
matahari dan memberitahu status isi tong samaph tersebut lewat internet.
Pada bulan September 2004 pada sebuah artikel tentang komputer, G Lawton
menyebutkan bahwa M2M dibuat berdasar bahwa mesin memiliki nilai lebih saat
dihubungkan melalui u=internet dan internet memiliki nilai lebih saat banyak mesin dapat
saling dihubugnkan.
Pada bulan Januari 2005, Nabaztag dibuat oleh Rafi Haladjian dan Oliver Mevel melalui
perusahaan yang bernama violet. Nabaztag merupakan kelinci yang mampu mengumpulkan
informasi dari internet dan memberithau user tentang pesan dan berita penting. Pada tahun
ini, arus publikasi utama seperti The Guardian, Amerika ilmiah dan Boston Globe mengutip
banyak artikel tentang IOT. Pada November 2005 Departemen Telekomunikasi Internasional
PBB mengeluarkan laporan berjudul “The Internet of Things”.
Pada tahun 2008 kelompok perusahaan meluncurkan IPSO Alliance untuk
mempromosikan penggunaan Internet Protocol (IP) dalam jaringan dari "Smart object" dan
untuk mengaktifkan Internet of Things.
Pada tahun 2008 FCC menyetujui penggunaan “white space spectrum”. Akhirnya
peluncuran IPv6 di tahun 2011 memicu pertumbuhan besar di bidang Internet of Things,
perkembangan ini didukung oleh perusahaan raksasa seperti Cisco, IBM, Ericson mengambil
inisiatif banyak dari pendidikan dan komersial dengan IOT teknologi dapat hanya dijelaskan
sebagai hubungan antara manusia dan komputer. Perkembangan Internet of Things, semua
peralatan yang kita gunakan dalam kehidupan kita sehari hari dapat dikendalikan dan
dipantau menggunakan IOT. Mayoritas proses dilakukan dengan bantuan sensor di IOT.
Sensor dikerahkan di mana mana dan sensor ini mengkonversi data fisik mentah menjadi
sinyal digital dan mengirimkan mereka ke pusat kontrol. Dengan cara ini kita bisa memonitor
perubahan lingkungan jarak jauh dari setiap bagian dari dunia melalui internet. Arsitektur
sistem ini akan didasarkan pada konteks operasi dan proses dalam skenario real-time. Di
otomasi rumah setiap kotak saklar listrik akan terhubung dengan ponsel pintar (atau kadang-
kadang remote) sehingga itu bisa dioperasikan dari jarak jauh. Tapi skenario seperti itu tidak
perlu prosesor dan perangkat penyimpanan dipasang di setiap kotak saklar. Hanya dibutuhkan
sensor untuk menangkap sinyal dan proses itu (kebanyakan beralih ON / OFF). Jadi arsitektur
sistem ini bervariasi tergantung pada konteks penerapannya (Suresh et al., 2014).
Pada Mei 2010 ZigBee dengan forum Ipv6 menjalin kerjasa dengan IPSO untuk
mengadopsi jarignan IP pada benda-benda smart seperti smartphone dan smartTV.
Pada Februari 2011 padaa artikel white paper, perusahaan Ericsson memprediksi akan
ada 50 Miliar peralatan yang saling terhubung sebelum 2020. Pada Oktober 011, Nest Labs
memperkenalkan Nest Learning Thermostat, yang menggunakan sensor algoritma,
pembelajaran mesin, dan perhitungan awan untuk memahami kondisi rumah pengguna serta
menaikkan atau menurunkan temperatur sesuai kebutuhan.
Pada 2012 Google memperkenalkan google glass yang dapat memberi tahu semua
informasi pada benda-benda fisik yang dilihat pengguna. Diadakan peluncuran Ipv6 yang
menyediakan alamat IP tak terbatas untuk peralatan untuk dihubungakn dengan internet.
Proteus Digital Health memperoleh hak FDA untuk penggunaan peralatan pengobatan yang
dapat dimasukkan dalam tubuh dan berkomunikasi dengan pengguna melalui handphone.
Pada 2013 sebuah artikel Venture Beat memprediksi bahwa 2014 akan hadir sebagai
“Tahun Internet of Things”. Qualcomm perusahaan pembuat chip, membentuk AllSeen
Allience, yang ditujukan untuk mengembangkan open framework untuk merealisasikan
Internet of Things.
Pada 2014 Google Glass dijual pada msyarakat dengan harga $1500. Intel, perusahaan
pembuat chip bersama perusahaan teknologi maju lainnya membentuk sebuah kelompok
untuk mempromosikan open framework Internet of Things yang bernama Ipen Interconnect
Cnsortium sebagai lawan AllSeen Allience.
Lampiran 2 : Komunikasi pada Internet of Things
Sebuah perangkat IoT memeiliki radio yang dapat mengirim dan menerima koneksi
wireless. Perangkat-perangkat IoT terhubung dalam sebuah jaringan mesh satu sama lain dan
mengirimkan sinyal. Perangkat dalam jaringan mesh mampu mengirim sinyal sehingga
memungkinkan untuk menghubungakn ribuan sensor dalam satu area yang luas, seperti
sebuah kampus atau kota dan beroperasi secara selaras.
2.5.1. Komponen IoT
IoT terdiri atas komponen-komponen berikut :
1. Platform Hardware
Desain Modular, beebrapa pabrik memiliki hardware yang bersifat modular dan bisa
dibangun berdasarkan kebutuhan. Perangkat modular ini terdiri dari sebuah papan micro-
controller yang bisa dilengkapi dengan berbagai modul pilihan : modul sensor, wireless, dan
konektor industri.
Desain Langsung Pakai, Libelium juga membuat perangkat hardware langsung pakai,
sehingga pengembang tidak perlu merakit lagi. Perangkat langsung pakai ini sudah dibuat
kedap air dan dilengkapi dengan beberpa songket untuk sensor, panel surya, antena, dan
kabel USB untuk keperluan pemrograman.
2. Gateway
Gateway menghubungkan seluruh sensor ke layanan internet atau infrastruktur IT
(misalnya database internal atau di cloud untuk analisa Business Intelligence dsb). Gateway
dapat terhubung melalui wireless (misalnya WiFi 2.4GHz, WiFi 5GHz, 3G/GPRS, Bluetooth
dan ZigBee). Gateway juga bisa terintegrasi dengan modul GPS untuk aplikasi mobile di
kendaraan, juga bisa diberi daya baterai melalui sel surya. Perangkat ini bersifat anti air dan
bisa diletakkan di luar.
3. Software (berjalan di papan micro-controller)
4. Layanan Cloud (berjalan di cloud untuk keperluan pengumpulan data dan analisis)
5. Modul
Model Sensor
Model sensor merupakan modul-modul yang dihubungkan ke papan micro-controller
(melalui soket atau wireless). Ada berbagai modul sensor yang bisa dipilih berdasarkan
kebutuhan :
Sensor gas yang bisa mendeteksi berbagai jenis gas, suhu, kelembaban, tekanan
udara (atmosfir), dan bisa dipergunakan untuk mendeteksi polusi, emisi gas dari
peternakan, pabrik kimia, industri, dan kebakaran hutan.
Sensor kejadian yang bisa mendeteksi tekanan/berat, kelengkungan, getaran,
tabrakan, kemiringan, suhu, kelembaban, kebocoran air, ketinggian air/cairan,
tingkat keredupan cahaya, kehadiran (manusia/hewan), rentangan, dsb. Sensor
jenis ini bisa digunakan untuk berbagai aplikasi keamanan, darurat, atau logistik
Sensor air yang bisa mendeteksi tingkat asam/basa, tingkat oksidasi, tingkat
oksigen, konduktivitas, ion, temperatur, kelembaban, dsb. Bisa dipergunakan
untuk mendeteksi apakah air bisa diminum, kebocoran bahan kimia di air (sungai
misalnya), pengukuran tingkat asam basa di kolam renang, tingkat polusi di laut,
dsb.
Sensor lingkungan kota bisa mendeteksi tingkat keberisikan, keretakan
(gedung/jalan layang/dsb), propagasi keretakan, pergeseran, debu, ultrasonic
(untuk mengukur jarak), temperatur, kelembaban, perpendaran cahaya, dsb. Bisa
diterapkan untuk memonitor tingkat keberisikan di jalan raya, tingkat kerusakan
bangunan/infrastruktur jalan dan kecepatan perambatan kerusakan, kualitas
udara, dan manajemen sampah.
Sensor parkir bisa mendeteksi medan magnit, dan bisa dipergunakan untuk
mendeteksi keberadaan mobil dan mengalokasi tempat parkir di dalam maupun di
luar gedung, dan mengontrol tempat parkir (paralel ataupun serial)
Sensor pertanian bisa mendeteksi suhu udara, kelembaban, suhu tanah &
kelembabannya, kelembaban dauh, tekanan udara, radiasi matahari, radiasi
ultraviolet, diameter batang pohon, diameter cabang pohon, diameter buah,
anemometer, kecepatan dan arah aliran udara, pantulan cahaya, dan sebagainya.
Bisa dipergunakan untuk aplikasi pertanian, irigasi, rumah kaca, stasiun cuaca.
Sensor arus, bisa mendeksi arus listrik , dan bisa dipergunakan untuk berbagai
aplikasi seperti sensor, instrumentasi, transduser, pemantauan proses, transmisi
data di industri, dsb
Sensor kamera video, dengan kamera, detektor tingkat pantulan cahaya, infra
merah, dan kehadiran (PIR), bisa dipergunakan untuk berbagai aplikasi keamanan
Sensor radiasi, bisa mendeteksi radiasi beta dan gama, dan bisa dipergunakan
untuk mendeteksi tingkat radiasi secara wireless tanpa membahayakan manusia,
mencegah dan mengontrol radiasi, dan mengontrol radiasi di suatu daerah secara
mandiri (tanpa perlu bantuan manusia)
Sensor metering, mengukur arus listrik, arus air, tingkat ketinggian cairan,
tekanan, ultrasonik, kelembaban, tingkat pantulan cahaya. Sensor metering ini
bisa digunakan untuk berbagai aplikasi pengukuran energi, tingkat penggunaan
air, deteksi kebocoran pipa, manajemen penyimpanan cairan, otomasi industri,
irigasi pertanian, dsb.
Sensor prototip yang bisa dipergunakan untuk menghubungkan berbagai jenis
sensor untuk keperluan prototip.
Modul Wireless
Modul wireless diperlukan jika ingin saling terhubung menggunakan wireless. Modul ini
mendukung berbagai protokol wireless seperti :
802.15.4/ZigBee, jarak antara 7km (2.4GHz)s/d 12km (868MHz)
Bluetooth low energy(BLE), jarak 100m
WiFi
6LoWPAN/Ipv6Radio
3G+GPS
GSM/GPRS
Blurtooth PRO
RFID/NFC
Expansion Radia Board
Gateway
Modul Koneksi Internet
Modul interkoneksi industri mendukung berbagai konektordengan standar industri,
seperti RS-485, RS-232, ModBus, CAN bus, dsb.
Lampiran 3 : Analisis Data Perjalanan Uber Harian Menggunakan R
Bagian 1 : Analisis Perjalanan Uber di Kota New York berdasarkan hari
Sebelum melakukan analisis lebih lanjut, langkah pertama yang harus dilakukan
adalah melakukan install dan load package yang diperlukan untuk visualisasi data, yakni
sebagai berikut :
library(ggplot2)
library(dplyr)
library(lubridate)
library(scales)
library(RColorBrewer)
library(DT)
library(ggthemes)
Setelah package selesai di-load, langkah selanjutnya adalah memasukkan file data
pada masing-masing bulan (dalam format csv) ke dalam R dengan mengetikkan perintah
berikut :
uber_apr <- read.csv("D:\\documents\\Semester 8\\Big Data\\uber-raw-data-apr14.csv")
uber_may <- read.csv("D:\\documents\\Semester 8\\Big Data\\uber-raw-data-may14.csv")
uber_jun <- read.csv("D:\\documents\\Semester 8\\Big Data\\uber-raw-data-jun14.csv")
uber_jul <- read.csv("D:\\documents\\Semester 8\\Big Data\\uber-raw-data-jul14.csv")
uber_aug <- read.csv("D:\\documents\\Semester 8\\Big Data\\uber-raw-data-aug14.csv")
uber_sep <- read.csv("D:\\documents\\Semester 8\\Big Data\\uber-raw-data-sep14.csv")
Setelah semua data yang diperlukan berhasil di-load, langkah selanjutnya adalah
menyatukan seluruh data bulanan dalam satu dataframe dengan mengetikkan perintah
berikut:
uber_2014 <- rbind(uber_apr, uber_may, uber_jun, uber_jul, uber_aug, uber_sep)
Kemudian didefinisikan variabel-variabel yang ingin dianalisis, yakni meliputi
variabel waktu/tanggal, harian, bulanan, tahunan, hari dalam satu minggu (weekday), jam,
menit, dan detik. Hal ini diperlukan guna mempermudah analisis tentang banyaknya uber’s
trip per satuan waktu yang digunakan. Digunakan perintah berikut :
uber_2014$Date.Time <- mdy_hms(uber_2014$Date.Time)
uber_2014$Day <- factor(day(uber_2014$Date.Time))
uber_2014$Month <- factor(month(uber_2014$Date.Time, label = TRUE))
uber_2014$Year <- factor(year(uber_2014$Date.Time))
uber_2014$Weekday <- factor(wday(uber_2014$Date.Time, label = TRUE))
uber_2014$Hour <- factor(hour(uber_2014$Date.Time))
uber_2014$Minute <- factor(minute(uber_2014$Date.Time))
uber_2014$Second <- factor(second(uber_2014$Date.Time))
Untuk memunculkan data keseluruhan yang telah dibuat dalam bentuk tabel,
digunakan perintah berikut :
datatable(head(uber_2014))
Sehingga akan muncul output dalam bentuk html sebagai berikut :
Kemudian untuk melihat banyaknya uber’s trip berdasarkan hari di kota New York
dapat dibentuk grafik batang dimana sumbu horizontal dinyatakan dengan hari (Monday to
Sunday) dan sumbu vertikal dinyatakan dengan total banyaknya uber’s trip yang dilakukan
pada hari tersebut. Perintah yang digunakan adalah sebagai berikut :
#memberikan warna pada grafik
cols <- brewer.pal(8, "Spectral")
pal <- colorRampPalette(cols)
#menghitung banyaknya uber’s trip per hari
trips_wday <- group_by(uber_2014, Weekday) %>% summarise(Trips = n())
#menampilkan (sebagian) data dari banyaknya uber’s trip per hari dalam format html
datatable(trips_wday)
Akan muncul output data dalam bentuk tabel pada format html sebagai berikut :
Kemudian dibentuk grafik dari tabel diatas menggunakan perintah berikut :
ggplot(trips_wday, aes(Weekday, Trips)) + geom_bar(stat = "identity", fill = "Darkred") +
ggtitle("No. of Uber Trips Happening in New York City For Different Days of the Week")
Kemudian akan dianalisis banyaknya uber’s trip per hari pada setiap bulannya, dengan
perintah sebagai berikut :
#menghitung banyaknya uber’s trip per hari pada setiap bulan
trips_wday_month <- group_by(uber_2014, Weekday, Month) %>% summarise(Trips = n())
#menampilkan (sebagian) data dari banyaknya uber’s trip per hari pada setiap bulan dalam format
html
Akan muncul output data dalam bentuk tabel pada format html sebagai berikut :
Kemudian dibentuk grafik dari tabel diatas menggunakan perintah berikut :
ggplot(trips_wday_month, aes(Weekday, Trips, fill = Month)) + geom_bar(stat = "identity", position
= "dodge") + ggtitle("No. of Uber Trips Happening in New York City for WeekDays of Different
Months") + scale_y_continuous() + scale_fill_manual(values = pal(6))
Untuk melakukan analisis heatmap, diperlukan load packages tambahan yang
mendukung analisis, yakni :
library(reshape2)
library(plyr)
Kemudian untuk membentuk grafik, dilakukan perintah berikut :
#memberikan warna pada grafik
cols <- brewer.pal(4, "Oranges")
pals <- colorRampPalette(cols)
#menghitung banyaknya uber’s trip per hari pada tiap bulannya
trips_day_month <- group_by(uber_2014, Day, Month) %>% summarise(Trips = n())
#mengkonversi data trips_day_month ke dalam format data frame
trips_day_monthm <- melt(trips_day_month)
#memisahkan data frame (split) berdasarkan hari
trips_day_monthm <- ddply(trips_day_monthm, .(Day), transform, rescale = rescale(value))
#mengkonstruksi grafik heatmap dari data trips_day_monthm
ggplot(trips_day_month, aes(Day, Month, fill = Trips)) + ggtitle("Heatmap of Uber Trips by Days of
Months") + geom_tile(color = "white")
Bagian 2 : Analisis Perjalanan Uber di Kota New York berdasarkan jam
Kemudian untuk melihat banyaknya uber’s trip berdasarkan jam di kota New York
dapat dibentuk grafik batang dimana sumbu horizontal dinyatakan dengan jam (0 - 23) dan
sumbu vertikal dinyatakan dengan total banyaknya uber’s trip yang dilakukan pada jam
tersebut. Perintah yang digunakan adalah sebagai berikut :
#memberikan warna pada grafik
cols <- brewer.pal(8, "Dark2")
pal <- colorRampPalette(cols)
#menghitung banyaknya uber’s trip per jam
trips_hour <- group_by(uber_2014, Hour) %>% summarise(Trips = n())
#menampilkan (sebagian) data dari banyaknya uber’s trip per jam dalam format html
datatable(trips_hour)
Akan muncul output data dalam bentuk tabel pada format html sebagai berikut :
Kemudian dibentuk grafik dari tabel diatas menggunakan perintah berikut :
ggplot(trips_hour, aes(Hour, Trips)) + geom_bar(stat = "identity", fill = "orange") + ggtitle("No. of
Uber Trips Happening in New York City Every Hour")
Kemudian akan dianalisis banyaknya uber’s trip per jam pada setiap bulannya, dengan
perintah sebagai berikut :
#menghitung banyaknya uber’s trip per hari pada setiap bulan
trips_hour_month <- group_by(uber_2014, Hour, Month) %>% summarise(Trips = n())
Kemudian dibentuk grafik dari tabel diatas menggunakan perintah berikut :
ggplot(trips_hour_month, aes(Hour, Trips, fill = Month)) + geom_bar(stat = "identity") + ggtitle("No.
of Uber Trips Happening in New York City Every Hour for Different Months") +
scale_y_continuous() + scale_fill_manual(values = pal(6)) + facet_grid(Month ~ .)
Sebagai analisis tambahan, akan dibentuk grafik heatmap dari uber’s trip pada setiap
hari dari jam tertentu. Dengan sumbu horizontal menyatakan tanggal pada setiap bulan, yakni
mulai tanggal 1 sampai dengan tanggal 31 serta sumbu vertikal menyatakan jam, yakni dari
00.00 hingga 23.00. Untuk melakukan analisis ini, dilakukan perintah berikut :
#menghitung banyaknya uber’s trip per hari pada tiap bulannya
trips_hour_day <- group_by(uber_2014, Hour, Day) %>% summarise(Trips = n())
#mengkonstruksi grafik heatmap dari data trips_hour_day
ggplot(trips_hour_day, aes(Day, Hour, fill = Trips)) + ggtitle("Heatmap of Uber Trips by Day and
Hour") + geom_tile(color = "white")
Bagian 3 : Analisis Perjalanan Uber di Kota New York berdasarkan tanggal
Untuk melihat banyak transaksi UBER di kota New York dapat dibentuk grafik
batang dimana sumbu horizontal dinyatakan dengan tanggal dan sumbu vertikal dinyatakan
dengan total banyaknya uber’s trip yang dilakukan pada tanggal tersebut. Perintah yang
digunakan adalah sebagai berikut :
Langkah pertama, kita load packages dplyr,DT,ggplot2 dan RColorBrewer
library(dplyr)
library(DT)
library(ggplot2)
library(RColorBrewer)
trips_day <- group_by(uber_2014, Day) %>% summarise(Trips = n())
Untuk menampilkan data (yang diproses dengan langkah di atas) dalam laman html,
digunakan syntax sebagai berikut :
datatable(trips_day)
Kemudian dibentuk grafik dari tabel diatas menggunakan perintah berikut :
ggplot(trips_day, aes(Day, Trips)) + geom_bar(stat = "identity", fill = "maroon") + ggtitle("No. of
Uber Trips by Day made in New York City")
Selanjutnya untuk mengetahui jumlah perjalanan pada setiap tanggal (hari) pada masing-
masing bulan, digunakan syntax sebagai berikut :
trips_day_month <- group_by(uber_2014, Day, Month) %>% summarise(Trips = n())
Untuk menampilkan data jumlah perjalanan pada setiap tanggal (hari) pada masing-masing
bulan pada laman html, digunakan syntax sebagai berikut :
datatable(trips_day_month)
Sehingga akan muncul output sebagai berikut :
Kemudian dibentuk grafik dari tabel diatas menggunakan perintah berikut :
ggplot(trips_day_month, aes(Day, Trips, fill = Month)) + geom_bar(stat = "identity")+
ggtitle("No. of Uber Trips by Day & Month made in New York City") +
scale_y_continuous() + scale_fill_manual(values = pal(6)) + facet_grid(Month ~ .)
Langkah selanjutnya yaitu memberi warna pada grafik
cols <- brewer.pal(8, "Paired")
pal <- colorRampPalette(cols)
Bagian 4 : Analisis Perjalanan Uber di Kota New York berdasarkan base (perusahaan)
Akan ditunjukkan pemesanan Uber berdasarkan kodel perusahaan TLC yang berbeda
di kota New York. Tujuannya ialah untuk mengetahui banyak pemesanan Uber melalui
perusahaan-perusahaan tersebut. Syntax yang digunakan ialah sebagai berikut :
cols <- brewer.pal(6, "Accent")
pal <- colorRampPalette(cols)
trips_base <- group_by(uber_2014, Base) %>% summarise(Trips = n())
datatable(trips_base)
ggplot(trips_base, aes(Base, Trips)) + geom_bar(stat = "identity", fill = "Seagreen") + ggtitle("No. of
Uber Trips for Varios Base in New York City")
trips_base_month <- group_by(uber_2014, Base, Month) %>% summarise(Trips = n())
ggplot(trips_base_month, aes(Base, Trips, fill = Month)) + geom_bar(stat = "identity", position =
"dodge") + ggtitle("No. of Uber Trips for Diferent Base-Month in New York City") +
scale_y_continuous() + scale_fill_manual(values = pal(6))
Output yang didapat beruapa html sebagai berikut :
Dengan menggunakan perintah ggplot2 seperti yang dituliskan di atas, akan diperoleh grafik
batang dari data uber’s trip harian berdasarkan base di Kota New York.
Gambar 1 : Libelium Smart World
Gambar 2 : Persebaran penggunaan IoT pada smart devices
Gambar 3 : Prinsip Kerja Internet of Things