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



Pada bulan Juni, jumlah perjalanan tertinggi berada pada hari Kamis dengan total



Pada bulan Juli, jumlah perjalanan tertinggi berada pada hari Kamis dengan total



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


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.


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.


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

https://www.forbes.com/sites/jacobmorgan/2014/05/13/simple-explanation-internet-things-that-anyone-can-understand/#295edd381d09

https://www.forbes.com/sites/jacobmorgan/2014/05/13/simple-explanation-internet-things-that-anyone-can-understand/#295edd381d09

https://www.theguardian.com/technology/2015/may/06/what-is-the-internet-of-things-google

https://www.theguardian.com/technology/2015/may/06/what-is-the-internet-of-things-google

http://www.libelium.com/libelium-smart-world-infographic-smart-cities-internet-of-things/

http://www.libelium.com/libelium-smart-world-infographic-smart-cities-internet-of-things/

http://www.businessinsider.com/what-is-the-internet-of-things-definition-2016-8?IR=T&r=US&IR=T

http://www.businessinsider.com/what-is-the-internet-of-things-definition-2016-8?IR=T&r=US&IR=T

https://www.kaggle.com/dhaval8895/d/fivethirtyeight/uber-pickups-in-new-york-city/uber-statistics

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



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 :


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 :


cols <- brewer.pal(8, "Dark2")


#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)



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())


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)


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 :


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")


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")


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

TUGAS MATAKULIAH BIG DATA Analisis Data …danardono.staff.ugm.ac.id/matakuliah/bigdata/kel01...

Documents

Transcript of TUGAS MATAKULIAH BIG DATA Analisis Data …danardono.staff.ugm.ac.id/matakuliah/bigdata/kel01...