<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Radikal Lukafiardi on Medium]]></title>
        <description><![CDATA[Stories by Radikal Lukafiardi on Medium]]></description>
        <link>https://medium.com/@rlukafiardi?source=rss-9bd0605333ee------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/proxy/1*TGH72Nnw24QL3iV9IOm4VA.png</url>
            <title>Stories by Radikal Lukafiardi on Medium</title>
            <link>https://medium.com/@rlukafiardi?source=rss-9bd0605333ee------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 00:09:41 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@rlukafiardi/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Melihat Pecel Lele: Kaki Lima Sejuta Umat secara Spasial]]></title>
            <link>https://medium.com/@rlukafiardi/melihat-pecel-lele-kaki-lima-sejuta-umat-secara-spasial-a4615aeadcf8?source=rss-9bd0605333ee------2</link>
            <guid isPermaLink="false">https://medium.com/p/a4615aeadcf8</guid>
            <category><![CDATA[h3]]></category>
            <category><![CDATA[gis]]></category>
            <category><![CDATA[lele]]></category>
            <category><![CDATA[spatial-data-analysis]]></category>
            <category><![CDATA[data-analysis]]></category>
            <dc:creator><![CDATA[Radikal Lukafiardi]]></dc:creator>
            <pubDate>Sun, 05 Nov 2023 15:52:15 GMT</pubDate>
            <atom:updated>2023-11-06T00:58:33.738Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>Melihat Pecel Lele: Kaki Lima Sejuta Umat secara Spasial</strong></p><figure><img alt="Spanduk Warung Pecel Lele Lamongan Legendaris" src="https://cdn-images-1.medium.com/max/1024/1*pweNwEEL6xUlVwypGDaX0Q.jpeg" /><figcaption><em>Spanduk Warung Pecel Lele Lamongan Legendaris</em></figcaption></figure><p>Halo! Siapa yang tidak mengenal dan pernah makan di pecel lele lamongan? Warung kaki lima ini menjadi andalan anak kos dan perantau bagi saya karena menyediakan berbagai menu dan pelengkap sambelnya yang cukup menggugah selera di malam hari. Pada artikel kali ini, saya coba memetakan persebaran pecel lele di Jakarta menggunakan <strong>peta berbentuk hexagon atau dikenal sebagai H3</strong>!</p><p>Pada umumnya ketika bicara visualisasi data spasial seperti peta, maka kita akan sering menggunakan choropleth map dengan batas administratif untuk menunjukkan agregasi suatu data, seperti jumlah penduduk, angka kemiskinan, dan lain sebagainya. Peta choropleth menjadi andalan karena dapat menggambarkan kondisi suatu daerah dan secara praktis cukup sederhana. Akan tetapi terdapat kekurangan dalam menggunakan teknik ini, yaitu kurang representatif untuk menggambarkan persebaran suatu data di daerah. Sebagai contoh, Jakarta Selatan merupakan kabupaten di Jakarta dengan kepadatan penduduk tinggi, namun dimanakah lokasi-lokasi yang merepresentasikan kepadatan penduduk tinggi di Jakarta Selatan? Jika hanya menggandalkan peta choropleth maka kita kurang dapat bisa melihat distribusi kepadatan penduduk yang lebih detail.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*TyLx_mxcO_XckBEcswtsQQ.png" /><figcaption>Contoh Peta Choropleth Informasi Vaksinasi Berbasis Administrasi Kecamatan DKI Jakarta (sumber: <a href="https://jakartasatu.jakarta.go.id/portal/apps/sites/#/public">https://jakartasatu.jakarta.go.id/portal/apps/sites/#/public</a>)</figcaption></figure><p>Konsep visualisasi data spasial berbentuk hexagon bisa menjawab pertanyaan tersebut. <strong>H3 adalah sistem pengindeksan geospasial yang mempartisi dunia ke dalam sel-sel heksagonal</strong> (<a href="https://h3geo.org/docs">https://h3geo.org/docs</a>). Pada awalnya, H3 dikembangkan untuk menjawab tantangan kebutuhan data science untuk perusahaan Uber. Saya tidak akan bicara detail terkait H3 disini, akan tetapi saya akan coba memberikan alternatif visualisasi data spasial yang dapat digunakan menggambarkan distribusi keruangan yang lebih realistis. Konsep dari H3 sendiri mirip dengan Raster, namun yang membedakan disini adalah bentuknya yang menggunakan hexagon instead of kumpulan piksel.</p><p>Oke lanjut ke bagian visualisasi datanya, disini saya coba <em>scraping</em> data lokasi pecel lele di Jakarta menggunakan library H3 Python dan Google Maps API. Terdapat 300 lokasi pecel lele yang berhasil diambil, dengan masing-masing persebarannya adalah 60 lokasi per wilayah administrasi di Jakarta (exclude Kepulauan Seribu). Tentu angka 300 tidak mencerminkan jumlah populasi dari lokasi pecel lele di Jakarta, namun karena keterbatasan API jadi saya hanya bisa mendapatkan 300 lokasi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*UwTLLcYLxg6mkRiu9KEI4w.png" /><figcaption>Dataset Pecel Lele beserta Informasi Spasialnya</figcaption></figure><p>Peta hexagon di bawah ini menunjukkan persebaran lokasi pecel lele yang memiliki pola terkonsentrasi ke tengah Jakarta dengan gradasi menuju ke arah oranye-merah menunjukkan semakin banyaknya pecel lele di lokasi tersebut. Jika kita menggunakan peta choropleth dengan batas administrasi, kita tidak akan dapat melihat persebarannya sedetail ini. Sebagai catatan, peta hexagon ini juga menggunakan konsep resolusi seperti peta raster, dan salah satu keunggulan peta hexagon atau H3 ini adalah multi-indexing, jadi setiap resolusi hexagonnya dapat memuat skala data yang berbeda. Selain itu kita dapat melakukan agregasi statistik menggunakan hexagon tersebut dengan data yang lain seperti kita melakukan Raster Calculator di GIS. Tentunya ini menjadi keunggulan jika kita membangun aplikasi WebGIS dengan berbagai skala data yang dapat menyesuaikan skala visualisasi dengan menggunakan H3 Spatial Index.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*AZJxQQO6ivcJNHtA8jXsmA.png" /><figcaption>Peta Hexagon atau H3 Persebaran Pecel Lele di Jakarta</figcaption></figure><p>Oke mungkin itu artikel kali ini, semoga dapat memberikan informasi baru terkait visualisasi data spasial H3 bagi pembaca. Mengutip dari CARTO bahwa teknik H3 Spatial Index ini telah digunakan untuk pengiriman dan penjualan, manajemen logistik, telekomunikasi, keberlanjutan dan perubahan iklim, dan geomarketing &amp; advertising (<a href="https://carto.com/solutions/spatial-indexes">https://carto.com/solutions/spatial-indexes</a>). Dan tentunya teknik ini memiliki potensi untuk dapat dikembangkan lagi untuk analisis data spasial di bidang lainnya.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a4615aeadcf8" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Melihat Pengungsi Akibat Bencana Alam dalam Angka]]></title>
            <link>https://medium.com/@rlukafiardi/melihat-pengungsi-akibat-bencana-alam-dalam-angka-c9709b291b7a?source=rss-9bd0605333ee------2</link>
            <guid isPermaLink="false">https://medium.com/p/c9709b291b7a</guid>
            <category><![CDATA[disaster]]></category>
            <category><![CDATA[data-visualization]]></category>
            <category><![CDATA[data-analysis]]></category>
            <dc:creator><![CDATA[Radikal Lukafiardi]]></dc:creator>
            <pubDate>Sat, 28 Oct 2023 16:19:29 GMT</pubDate>
            <atom:updated>2024-07-10T02:20:25.639Z</atom:updated>
            <content:encoded><![CDATA[<p>Halo netizen! Sebelum memulai, lebih baiknya perkenalan dulu kali ya. Perkenalkan saya Dika, seseorang yang lagi belajar data science, data analysis, data storytelling, dan jargon data-data lainnya :-D. Ini merupakan tulisan pertama saya terkait data dan di Medium. Motivasi untuk nulis soal data muncul karena setiap minggu saya selalu membaca produk data storytelling dari <a href="https://blog.datawrapper.de/category/weekly-charts/">Weekly Charts</a> dan <a href="https://blog.datawrapper.de/category/data-vis-dispatch/">Data Viz Dispatch</a> yang dipublikasikan oleh DataWrapper. So, dalam tulisan pertama kali ini, saya coba mengulas pengungsi yang diakibatkan oleh bencana alam di Indonesia atau dalam bahasa inggrisnya bisa disebut <em>Internal Displacements</em> (ID) melalui berbagai visualisasi data menarik tentunya!</p><p>Data yang saya gunakan bersumber dari <a href="https://www.internal-displacement.org/database/displacement-data"><em>Global Internal Displacement Centre</em></a><em> (GIDC) </em>dalam kurun waktu 2010–2022 dengan kategori pengungsi yang diakibatkan oleh bencana alam di Indonesia. GIDC dalam mencatat data pengungsi menggunakan definisi sebagai berikut:</p><blockquote>The internal displacements figure refers the estimated number of forced movements of people within the borders of their country caused by disasters. Figures may include individuals who have been displaced more than once.</blockquote><p>Jadi memang definisi <em>Internal Displacements</em> yang digunakan lebih merujuk ke menghitung pergerakan/<em>movement </em>seseorang ketika terjadi bencana, yang artinya terdapat kemungkinan seseorang yang telah kembali dari pengungsian namun mereka terdampak oleh bencana lagi maka angka <em>Internal Displacements </em>tersebut<em> </em>akan bertambah.</p><blockquote>*Catatan pribadi dari penulis: sebelum lanjut ke hasil analisis, penulis melihat bahwa dataset internal displacement disini bisa jadi overestimate atau underestimate dengan sumber resmi yang dicatat oleh BNPB.</blockquote><p>Gambar 1 di bawah ini menunjukkan bahwa bencana hidrometeorologi mendorong lebih banyaknya <em>displacement</em> dengan total 4.46 juta atau 66% dari total <em>displacement</em> jika dibandingkan dengan bencana geologi/geofisik dengan total 2.29 juta atau 34% dari total. Hal ini mengingat frekuensi bencana hidrometeorologi yang tergolong lebih sering terjadi karena faktor iklim dan beberapa tahun yang lalu terdapat bencana banjir yang cukup parah menerjang berbagai wilayah di Indonesia. Namun perlu dicatat bahwa untuk bencana geofisik juga memiliki angka <em>displacement</em> yang cukup besar yang disebabkan oleh serangkaian kejadian bencana geofisik yang terjadi pada tahun 2018, seperti Gempa Lombok 2018, Gempa &amp; Tsunami Palu 2018, dan Tsunami Selat Sunda 2018.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*i4kq01w8BUi5zUcYk9CI2A.png" /><figcaption><strong>Gambar 1. Donut Chart of Internal Displacements by the Hazard Category</strong></figcaption></figure><p>Lebih lanjut, Gambar 2 menunjukkan bahwa bencana banjir menjadi bencana hidrometeorologi yang paling besar menyumbang <em>displacement</em> dengan total 4.24 juta <em>displacement</em> atau 95% dari total <em>displacement</em> yang disebabkan oleh bencana hidrometeorologi itu sendiri. Sedangkan untuk kategori puting beliung &amp; siklon tropis menyumbang 173 ribu <em>displacement</em> dan tanah longsor yang disebabkan oleh hujan sebanyak 35 ribu <em>displacement</em>. Untuk <em>displacement</em> yang disebabkan oleh bencana geofisik disumbang dua jenis bahaya utama, yaitu gempabumi dengan total 1.43 juta <em>displacement</em> dan erupsi gunungapi dengan total 862 ribu <em>displacement</em>. Sedangkan total <em>displacement</em> yang disebabkan oleh gerakan massa oleh faktor geofisik relevan sedikit, yaitu 1.156.</p><blockquote>*Perlu dicatat bahwa dataset ini mengelompokkan bencana tsunami ke dalam kategori yang disebabkan oleh gempabumi atau erupsi gunungapi.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_ufxm5_gL0BFoQ6_IT2guQ.jpeg" /><figcaption><strong>Gambar 2. Bubble Chart of Internal Displacements by the Hazard Category</strong></figcaption></figure><p>Selanjutnya kita coba melihat grafik tren tahunan dari total <em>displacement </em>berdasarkan jenis bahayanya. Gambar 3 menunjukkan bahwa bencana hidrometeorologi secara konsisten menyebabkan total <em>displacement </em>yang lebih banyak tiap tahunnya dibanding bencana geofisik, kecuali pada tahun 2010, 2011, dan 2018. Hal tersebut terjadi karena perbedaan karakteristik bencana hidrometeorologi yang cenderung memiliki frekuensi cukup sering terjadi dibandingkan dengan bencana geofisik. Namun secara umum bencana geofisik memiliki intensitas yang lebih besar dibandingkan dengan bencana hidrometeorologi sehingga dapat berpotensi menyebabkan <em>displacement </em>yang lebih tinggi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*rTPkLmcC2tQqUMmRXsvZWA.png" /><figcaption><strong>Gambar 3. Line Chart of Internal Displacement by the Hazard Category</strong></figcaption></figure><p>Total <em>displacement</em> yang disebabkan oleh bencana hidrometeorologi terbesar terjadi pada tahun 2016 dan tahun 2020–2021. Serangkaian kejadian banjir bandang dan tanah longsor besar terjadi di berbagai wilayah pada tahun 2016, seperti Garut, Bima, Gorontalo, Banjarnegara, dan lain sebagainya. Saya coba melihat dari berbagai sumber di internet yang menunjukkan bahwa pada tahun 2016 merupakan <a href="https://pusatkrisis.kemkes.go.id/bencana-alam-indonesia-2016-mencatat-rekor">rekor bencana terbanyak yang dicatat oleh BNPB</a>. Di dalam sumber tersebut juga disebutkan bahwa BNPB mencatat 2.72 juta orang harus mengungsi akibat serangkaian kejadian banjir besar. Kemudian pada tahun 2020 dan 2021, Jakarta dan sekitarnya, Aceh, dan Kalimantan Selatan mengalami bencana banjir yang cukup besar dan oleh karena itu mendorong terjadinya banyaknya <em>displacement</em> pada periode tersebut.</p><p>Untuk tren total <em>displacement </em>yang diakibatkan oleh bencana geofisik sendiri cenderung mengikuti kejadian besar bencana geofisik yang pernah terjadi, seperti Erupsi Gunungapi Merapi pada tahun 2010 dengan skala VEI 4, atau serangkaian kejadian Gempabumi Lombok, Gempabumi &amp; Tsunami Palu, dan Tsunami Anak Gunung Krakatau yang terjadi pada tahun 2018.</p><p>Dan terakhir, berikut lima teratas kejadian bencana hidrometeorologis dan geofisik yang paling banyak menyebabkan terjadinya <em>displacement</em>. Serangkaian kejadian bencana banjir dan tanah longsor pada tahun 2016 telah menyebabkan terjadinya <em>displacement </em>sebesar 948 ribu. Yang kedua, saya ingat sekali <em>trending topic</em> bencana banjir di Jakarta pada tahun 2020 yang ‘katanya’ merupakan banjir disebabkan oleh hujan ekstrem dengan siklus 50 tahunan. Bencana banjir tersebut dan di area sekitarnya menyebabkan total <em>displacement</em> sebanyak 397 ribu. Sedangkan untuk total <em>displacement </em>bencana geofisik sendiri, paling besar disumbang oleh serangkaian kejadian bencana besar, seperti Gempabumi Lombok 2018, Erupsi Merapi 2010, Gempabumi &amp; Tsunami Palu 2018, dan lain sebagainya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*LJuf-rnaJfp73U9V3P-c_w.jpeg" /><figcaption><strong>Gambar 4. Top 5 Disasters by Internal Displacements</strong></figcaption></figure><p>Wah cukup panjang ya ternyata, itulah artikel pertama saya! Semoga dapat memberikan informasi baru yang dikemas dengan berbagai visualisasi data. Dan semoga saya bisa konsisten untuk menulis &amp; membagikan hasil dari analisis data yang sederhana ini kedepannya :-D.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c9709b291b7a" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>