<?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[Data Sekitar - Medium]]></title>
        <description><![CDATA[Seputar Data Sekitar Kita | Data-Driven Stories of Indonesia - Medium]]></description>
        <link>https://medium.com/datasekitar?source=rss----f9109e38318d---4</link>
        <image>
            <url>https://cdn-images-1.medium.com/proxy/1*TGH72Nnw24QL3iV9IOm4VA.png</url>
            <title>Data Sekitar - Medium</title>
            <link>https://medium.com/datasekitar?source=rss----f9109e38318d---4</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 15:44:58 GMT</lastBuildDate>
        <atom:link href="https://medium.com/feed/datasekitar" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Jakarta, 100 Tahun Berselang]]></title>
            <link>https://medium.com/datasekitar/jakarta-100-tahun-berselang-ff0e1df9994b?source=rss----f9109e38318d---4</link>
            <guid isPermaLink="false">https://medium.com/p/ff0e1df9994b</guid>
            <category><![CDATA[data-visualization]]></category>
            <category><![CDATA[data-stories]]></category>
            <category><![CDATA[maps]]></category>
            <category><![CDATA[jakarta]]></category>
            <dc:creator><![CDATA[Tombayu Amadeo Hidayat]]></dc:creator>
            <pubDate>Mon, 13 Feb 2023 01:52:35 GMT</pubDate>
            <atom:updated>2023-02-15T19:30:55.780Z</atom:updated>
            <content:encoded><![CDATA[<p>Buat saya, salah satu hal yang membuat peta menarik adalah kemampuannya untuk menampilkan berbagai macam dimensi. Yang pertama dan paling tradisional adalah dimensi ruang, dimana suatu ruang di Bumi (atau dimanapun) dicoba untuk direpresentasikan pada dimensi x, y dan z. Pembaca peta seolah-olah diajak untuk melihat ruang dari perspektif yang berbeda.</p><p>Namun, saat melihat potongan peta tua di bawah ini lewat di linimasa Twitter saya, saya menyadari bawa peta juga ternyata mampu mengakomodasi dimensi lain dengan baik: waktu. Peta <em>Batavia en Omstreken (</em>Batavia dan Sekitarnya) ini merupakan peta keluaran tahun 1923 yang dibuat berdasarkan data tahun 1920. Melihat peta ini, saya agak terheran-heran menyadari bahwa dulu.. Jakarta bukan se-raksasa itu. <em>Well.. Obviously?</em> Haha. Tapi liat! Daerah terbangunnya (warna oranye) sama sekali tak mendominasi. Ada gugusan-gugusan hijau (yang menandakan perkampungan), namun tetap saja: yang mendominasi justru rawa-rawa, sawah, perkebunan dan lahan kosong (warna krem dan warna kebiruan). Wilayah Jakarta 100 tahun lalu jauh berbeda dengan Jakarta yang saya kenal saat ini..</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ZdYkNTZKjOQcAeo8gZs5Fg.jpeg" /><figcaption>Batavia en Omstreken (Batavia dan Sekitarnya); Dinas Topografi Weltevreden, 1923.</figcaption></figure><p>Kenapa peta ini begitu menarik? Karena semakin lama kamu menelusuri lika-liku jalanan, mengamati warna-warni tutupan lahan dan bercak-bercik pemukiman di peta itu, semakin banyak detail menarik yang bisa kamu temukan. Peta, dalam hal ini, berfungsi bagaikan mesin waktu. Pembaca peta diajak untuk membayangkan nuansa Kota Batavia 100 tahun silam.</p><p>Memang tak elak bahwa wujud ibukota sudah begitu berubah dalam 100 tahun. Namun saya penasaran, apa jadinya kalau peta tua ini kita sandingkan dengan peta dengan kondisi sekarang? Toh data tahun 2020 juga tersedia dan dapat diunduh bebas. Mungkin itu dapat menjawab pertanyaan seperti “Adakah ruas jalan yang sejak dahulu memang sudah ada?”; “Seperti apa sih suasana Jalan Sudirman — Thamrin 100 tahun silam?”; “Gimana sih tutupan lahan daerah segitiga emas dulunya?”.</p><p>Untuk itu, saya memulai proyek iseng-iseng ini dengan melakukan digitasi salinan digital peta tua ini agar dapat saya visualisasikan ulang. Saya mendapatkan bantuan dari Mas Stevanio dari platform fastwork.id untuk mendigitasi peta ini. Digitasi peta, apalagi peta yang cukup detail seperti ini, memang butuh ketekunan. Jadi, terima kasih banyak Mas Stevanio! Sedangkan data tutupan lahan tahun 2020 saya dapatkan dari platform Jakarta Satu.</p><p>Setelah proses digitasi selesai dan semua data terkumpul, saya mesti melakukan klasifikasi ulang terhadap tutupan-tutupan lahan yang ada pada data. Ini penting dilakukan, agar saat membandingkan peta tahun 1920 dengan 2020, kita bisa melihat klasifikasi yang sebanding. Ini juga mempermudah proses kartografi nantinya, dimana lahan dengan klasifikasi yang sama tentu akan divisualisasikan dengan warna yang sama.</p><p>Hasilnya, adalah peta di bawah ini. Bisa juga akses peta interaktifnya di tautan ini: <a href="https://tombayu.github.io/jakarta-then-now/">https://tombayu.github.io/jakarta-then-now/</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*YCxGFeu-vsgKrUZ6YQm2iA.png" /></figure><p>Kontras. Peta yang awalnya didominasi warna hijau (kebun, taman, sawah, rawa), berubah menjadi putih/abu-abu (terbangun). Mari kita coba lihat beberapa detail yang menurut saya menarik:</p><p><strong>Garis Pantai</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2_wKWDmHgM4d2DQi1FwPyg.gif" /></figure><p>Berubah jauh. Hal pertama yang paling mencolok tentu adalah perubahan garis pantai, yang bergeser semakin ke utara. Daratan-daratan “baru”, seperti Pantai Indah Kapuk 2, Terminal Kontainer Priok Baru. Pelabuhan Tj. Priok yang dulunya seperti terkucilkan sendiri di sisi timur laut, sekarang terlihat bersatu dengan kawasan sekitarnya. Akses jalannya masih ada sampai sekarang: Jl. LL RE Martadinata. Daerah Kelapa Gading, Koja dan Penjaringan dulunya hanya berupa rawa-rawa dan sawah. Dufan dan Ancol yang masih berupa.. Empang di tepi laut? Menariknya, di bagian selatan PIK 2 masih ada daerah hijau yang bertahan dari dulu sampai sekarang: hutan bakau.</p><p><strong>Segitiga Emas</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*tVaE0QSaj37GO5re-YfyOw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*wObnU4HwmEfN0bND1CLTiA.png" /></figure><p>Segitiga Emas yang tersohor.. Pusat aktivitas bisnis, juga tempat kedutaan besar berbagai negara berkumpul. Seratus tahun lalu, daerah ini banyak diisi oleh gugusan-gugusan perkampungan, yang mungkin sampai sekarang pun masih demikian. Di peta tahun 1920, hal ini terlihat dari gugusan abu-abu yang tidak diiringi dengan jaringan jalan yang teratur. Terlihat organik dan tidak direncanakan. Jalan Thamrin, Sudirman, Rasuna Said sama sekali belum ada, apalagi Tol Dalam Kota. Yang nampak justru cikal bakal Jalan Prof. Dr. Satrio di bagian tengah, juga Jalan Sisimangaraja di sebelah barat yang bersimpangan dengan Jalan Trunojoyo di sisi selatan.</p><p>Sama halnya dengan daerah Senayan dan Gelora Bung Karno. Terlihat di sisi Barat peta tahun 1920 bahwa daerah tersebut dahulunya merupakan perkampungan, tempat bermukim orang-orang perkampungan Senayan yang akhirnya harus digusur untuk pembangunan kawasan Gelora Bung Karno. Saya jadi ingat salah satu episode Si Doel, saat Si Doel diajak oleh ayahnya untuk berkunjung ke GBK untuk melihat ‘bekas tanah leluhur’ mereka. Mengutip tulisan Cindy Adams di bukunya <em>Bung Karno: Penyambung Lidah Rakyat</em>, Bung Karno berkata: “Ini semua bukanlah untuk kejayaanku, semua ini dibangun demi kejayaan bangsa. Supaya bangsaku dihargai oleh seluruh dunia.” 100 tahun berselang, kawasan ini toh memang menjadi pusat ekonomi Kota Jakarta.</p><p>Mungkin memang itu harga yang harus dibayar..</p><p><strong>Tiga “Kota Bagian”/<em>De Drie Stadsdelen</em></strong></p><p>Melansir buku “Jakarta: Sejarah 400 Tahun” karya Susan Blackburn, dalam perkembangannya, Jakarta memang memiliki 3 “pusat kota”. Setelah Pelabuhan Sunda Kelapa dan Jayakarta ditaklukkan oleh Belanda, pemukiman di Jakarta terpusat di <em>Batavia Benedenstad</em> (Kota Bawah), yaitu daerah yang saat ini dikenal sebagai Kota Tua. Seiring perkembangannya, Kota Bawah semakin padat, sehingga perkembangan kota bergeser ke <em>Bovenstad </em>(Kota Atas) di bagian selatan. Daerah tersebut dinamai Weltevreden, dan saat ini lebih dikenal dengan sebutan Gambir. Semakin ke selatan, berkembang pula pusat kota lain yang disebut Meester Cornelis. Daerah tersebut sekarang disebut Jatinegara.</p><p>Mari kita tilik tiga daerah tersebut lebih detail.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KBsKucWv5bSiggYOJfN7VA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bXu7HRcFzoY_SPXEdmQu3A.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*g7sKNMfiD2TBISLHe4GnWA.png" /></figure><p>Daerah Kota Tua memang sejak dahulu relatif sudah terbangun, namun saat membandingkan daerah tersebut dengan daerah Weltevreden (Gambir, peta kedua), agak mengejutkan bagi saya untuk melihat bahwa daerah Gambir terlihat jauh lebih berkembang. Daerah Gambir terlihat lebih didominasi oleh daerah terbangun, sedangkan daerah Kota Tua lebih banyak dikelilingi oleh tutupan hijau. Menarik pula untuk melihat kotak-kotak hijau kecil — taman — di peta tahun 1920, yang masih ada di peta tahun 2020.</p><p>Daerah Jatinegara tahun 1920 terkesan seperti daerah yang baru berkembang. Belum banyak jaringan jalan yang teratur, dan keberadaan dua stasiun kereta — Stasiun Jatinegara dan Stasiun Manggarai — terlihat berperan penting dalam berkembangnya daerah ini.</p><p><strong>Poin Refleksi</strong></p><p>Peta dalam bentuk konvensionalnya (peta statis, peta cetak) merupakan sumber data yang sangat kaya akan informasi. Apalagi peta tua. Untuk membuatnya jadi digital, perlu proses digitasi yang sangaaaaat.. Membutuhkan kesabaran. Hehe 😌 Mungkin nanti akan ada algoritma-algoritma khusus yang bisa mendigitasi peta-peta tua secara otomatis. Tapi kalau dengan teknologi yang ada sekarang, mungkin masih butuh beberapa waktu sampai hal itu terwujud..</p><p>Data yang saya hasilkan dari proses digitasi ini tentu saja bisa diolah lebih lanjut. Mungkin bisa dikuantifikasi, misalnya luas tutupan lahan hijau di tahun 1920 adalah sekian hektar, sedangkan di tahun 2020 jadinya jauuuuh lebih kecil. Yang saya lakukan di tulisan ini hanya berfokus pada visualisasi. Bagaimana membuat kategori di dua sumber data yang berbeda menjadi konsisten, sehingga saat visualisasi dari kedua periode dibuat, kita bisa membandingkannya dengan apple-to-apple. Kalau ada yang punya ide atau mau sharing, enaknya data ini diapain lagi, boleh banget kontak saya :-)</p><p>TL;DR: Dalam 100 tahun, Jakarta berubah jauh! Silahkan jelajahi dan bandingkan Jakarta di dua abad berbeda melalui peta interaktif ini! <a href="https://tombayu.github.io/jakarta-then-now/">https://tombayu.github.io/jakarta-then-now/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ff0e1df9994b" width="1" height="1" alt=""><hr><p><a href="https://medium.com/datasekitar/jakarta-100-tahun-berselang-ff0e1df9994b">Jakarta, 100 Tahun Berselang</a> was originally published in <a href="https://medium.com/datasekitar">Data Sekitar</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Mengulik Peta Pogung]]></title>
            <link>https://medium.com/datasekitar/mengulik-peta-pogung-62c4eb14cffc?source=rss----f9109e38318d---4</link>
            <guid isPermaLink="false">https://medium.com/p/62c4eb14cffc</guid>
            <category><![CDATA[maps]]></category>
            <category><![CDATA[openstreetmap]]></category>
            <category><![CDATA[osmnx]]></category>
            <dc:creator><![CDATA[avvendi]]></dc:creator>
            <pubDate>Sat, 19 Feb 2022 02:35:05 GMT</pubDate>
            <atom:updated>2025-12-13T12:13:13.109Z</atom:updated>
            <content:encoded><![CDATA[<p>Banyak sekali orang yang bilang kalau mereka memasuki <a href="https://www.google.com/maps/search/pogung/@-7.7586339,110.3725765,16z">Pogung</a> itu ibarat mereka memasuki <a href="https://mojok.co/liputan/susul/pogung-labirin-yang-membuat-bingung-dan-teori-belok-kanan/">labirin</a>. Salah satu supir ojek daring juga pernah spontan bilang, “Kita memasuki labirin”, saat mengantar saya masuk ke Pogung. Saya pun pernah jalan kaki malam hari dan tersesat di Pogung selama 1 jam. Pertanyaannya, kenapa jalanan di Pogung begitu membingungkan banyak orang?</p><p><a href="https://medium.com/datasekitar/mengulik-peta-pogung-62c4eb14cffc?source=friends_link&amp;sk=fd2397369dedf72c861010c6c0ed9b8d">Baca di sini secara gratis jika anda bukan member</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/963/1*XEZKdX_MMzX4kp5R9Dmh7Q.png" /><figcaption>Pogung</figcaption></figure><p>Di artikel ini, saya menggunakan pustaka <a href="https://github.com/gboeing/osmnx">osmnx</a> dan <a href="https://github.com/gboeing/osmnx-examples/tree/main/notebooks">contoh-contoh kode programnya</a> untuk menggambar peta Pogung dan melihat <a href="https://geoffboeing.com/publications/osmnx-complex-street-networks/">karakteristik wilayah tersebut</a>. Wilayah berwarna hijau ini merupakan daerah Pogung Dalangan, Pogung Kidul, Pogung Baru, dan Pogung Lor. Idealnya, saya menggunakan semua area hijau itu. Namun, karena keterbatasan yang saya miliki, saya hanya bisa mengambil data di area berwarna merah. Kode program yang saya susun bisa dilihat <a href="https://github.com/ardiantovn/map_exploration">di sini</a>. Saya menggunakan peta mode <em>bicycle</em> untuk menggambar rute yang bisa dilalui oleh sepeda, mengingat kebanyakan pengguna jalan di wilayah ini adalah pejalan kaki, pesepeda, dan pengendara sepeda motor.</p><figure><img alt="Jejaring Jalanan di Pogung" src="https://cdn-images-1.medium.com/max/1024/1*JfqVWWuhLXk-B6y3JEaNnw.png" /><figcaption>Jejaring Jalanan di Pogung</figcaption></figure><p>Area Pogung yang diamati memiliki 162 persimpangan, 135 di antaranya adalah pertigaan dan 27 sisanya perempatan. Rerata panjang jalan adalah 60 meter, itu artinya pengguna jalan biasanya akan menemukan persimpangan setiap 60 meter perjalanan. Barangkali, banyaknya persimpangan ini jadi penyebab orang bingung. Sementara itu, berdasarkan diagram polar histogram, arah jalan di area Pogung sedikit menyimpang ke arah timur laut dan tenggara serta cenderung memusat ke 4 arah. Dengan demikian, meskipun arah jalannya menyimpang, arah jalan di Pogung relatif mudah dikenali karena penyimpangannya hanya beberapa derajat dan pola sebarannya memusat.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/425/1*dPEtPooqpDfzqoqxlBGoEw.png" /><figcaption>Arah Jalan di Pogung</figcaption></figure><p>Peta jejaring jalanan Pogung menunjukkan semua simpul jalan yang ada di area tersebut. Simpul-simpul ini diwarnai menurut nilai <em>betweeness centrality</em>. Semakin tinggi nilainya maka semakin terang warna simpulnya. Simpul berwarna kuning memiliki nilai paling tinggi yakni 23%. Hal itu berarti simpul ini menjadi penjembatan banyak rute-rute pendek di Pogung (sekitar 23% dari semua rute terpendek yang ada di Pogung melewati simpul kuning ini). Apabila simpul ini ditutup, maka banyak rute yang akan terputus dan membuat orang berputar otak lagi untuk mencari jalan lain. Simpul-simpul penting lainnya terkonsentrasi di sepanjang Jalan Pogung Raya dan Jalan Pogung Kidul. Artinya, kedua jalan ini merupakan jalan yang banyak memiliki simpul penjembatan.</p><p>Lalu, bagaimana cara keluar dari Pogung seandainya kita tersesat ? Menurut saya, karena banyak simpul penting dapat ditemui di Jalan Pogung Raya dan Jalan Pogung Kidul, maka carilah salah satu dari dua jalan ini. Jika sudah ketemu, mengingat simpul-simpul ini berderet dari arah selatan ke utara, maka putuskan untuk selalu jalan ke utara ataupun ke selatan saja dan abaikan persimpangan yang mengganggu.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=62c4eb14cffc" width="1" height="1" alt=""><hr><p><a href="https://medium.com/datasekitar/mengulik-peta-pogung-62c4eb14cffc">Mengulik Peta Pogung</a> was originally published in <a href="https://medium.com/datasekitar">Data Sekitar</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Seberapa jauh kita bisa pergi dalam satu jam?]]></title>
            <link>https://medium.com/datasekitar/seberapa-jauh-kita-bisa-pergi-dalam-satu-jam-f54f5f4c4ea7?source=rss----f9109e38318d---4</link>
            <guid isPermaLink="false">https://medium.com/p/f54f5f4c4ea7</guid>
            <dc:creator><![CDATA[Mona]]></dc:creator>
            <pubDate>Tue, 28 Dec 2021 06:12:53 GMT</pubDate>
            <atom:updated>2021-11-25T05:04:27.978Z</atom:updated>
            <content:encoded><![CDATA[<p>Jauh itu relatif. Di tempat saya tinggal sekarang di Bellevue, sebulan sekali saya pergi ke Asian Grocery yang jaraknya 30 km. Saya pribadi tidak terlalu merasa itu “jauh” karena ada highway sehingga waktu tempuhnya mungkin hanya 20–30 menit saja.</p><p>Tapi di Indonesia, karena perbedaan infrastruktur, 30 km buat saya jauh karena bisa makan waktu satu jam. Saya yakin di kota berbeda, definisi jauh juga pasti akan berbeda. Tapi seberapa beda? Karena penasaran, saya kumpulkan isolines-nya melalui API kesayangan saya, <a href="https://developer.here.com/documentation/routing/dev_guide/topics/request-isoline.html">HERE Maps API</a>. Isolines sendiri adalah istilah dalam dunia transportasi untuk mencari area yang bisa ditempuh seseorang dalam waktu atau jarak tertentu dengan moda transportasi tertentu.</p><p>Untuk eksperimen kali ini, saya mengambil data untuk 50 kota terbesar di Indonesia diambil dari <a href="https://id.wikipedia.org/wiki/Daftar_kota_di_Indonesia_menurut_jumlah_penduduk">Wikipedia</a>. Kemudian untuk tiap kota, saya masukkan lat-lon nya ke API beserta parameter berikut ini</p><pre>mode=shortest;car;traffic:enabled<br>&amp;rangetype=time</pre><p>alias menggunakan moda transportasi mobil, diambil jarak terdekat, apabila ada traffic. Kemudian saya ambil untuk range waktu berikut ini: 15, 30, 45, 60 menit.</p><p>Setelah mendapat hasilnya, saya plot dengan menggunakan <em>good ol</em> geopandas di python plus contextily untuk mendapatkan <em>basemap </em>dan jalan utama. Tak lupa, saya tambahkan buffer untuk memberi visualisasi jarak (10, 20, 30, 40 km). Di bawah ini adalah hasilnya, diurutkan dari luas area yang bisa dijangkau dalam satu jam, dari yang paling rendah.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Q52P6HPirZbMuyHKXz6InQ.jpeg" /></figure><p>Ternyata cukup menarik. Sorong menjadi kota yang daya lingkupnya paling kecil dan sebaliknya, Kediri paling besar. Kota asal saya, Yogyakarta, ternyata juga lumayan besar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*EoVyHz1c391KAPWUOKoLzA.jpeg" /></figure><p>Untuk mengetahui radius tempuh kira-kira, saya asumsikan isochrone-nya ke semua arah (yang mana tentu aslinya tidaaak), sehingga radiusnya bisa saya hitung dengan menarik akar dari luas dibagi <em>pi</em>. Untuk 15 menit perjalanan misalnya, median ternyata sekitar kurang dari 4 km untuk 50 kota besar Indonesia ini, sedangkan untuk 30, 45, dan 60 menit, berturut-turut mediannya dibulatkan adalah 9, 13, dan 18 km.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*1Y4H7gU-kKnLQIt8dWU1_g.png" /></figure><p>Walaupun ada daerah yang area 15 menitnya rendah seperti Banjarmasin namun area 45 menitnya pada median, secara general, pattern pertambahan radius cukup linear. Batam di sini ternyata anomali karena mungkin ukuran raidus pulaunya sendiri tidak lebih dari 13 km.</p><p>Menariknya, seperti pada <a href="https://medium.com/datasekitar/arah-jalan-kota-kota-indonesia-782e5c383921">Arah Jalan Kota-Kota Indonesia</a>, kota dengan area jangkauan lebih luas sebagian besar ada di Jawa. Apakah ada korelasinya? Bisa jadi, mungkin saja arah jalan ada pengaruhnya. Selebihnya, faktor seperti geografis (adanya bukit, sungai, laut, dkk), infrastruktur (adanya jalan tentunya), sepertinya jadi hal yang paling mempengaruhi. Next time coba cari korelasinya deh.</p><p>Jadi seberapa jauhkah “jauh” untuk definisi kamu?</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f54f5f4c4ea7" width="1" height="1" alt=""><hr><p><a href="https://medium.com/datasekitar/seberapa-jauh-kita-bisa-pergi-dalam-satu-jam-f54f5f4c4ea7">Seberapa jauh kita bisa pergi dalam satu jam?</a> was originally published in <a href="https://medium.com/datasekitar">Data Sekitar</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Kata Bloomberg > 10 Tahun, Memangnya Berapa Tahun sih?]]></title>
            <link>https://medium.com/datasekitar/kata-bloomberg-10-tahun-memangnya-berapa-tahun-sih-5ecf7446b70e?source=rss----f9109e38318d---4</link>
            <guid isPermaLink="false">https://medium.com/p/5ecf7446b70e</guid>
            <category><![CDATA[covid19]]></category>
            <category><![CDATA[indonesia]]></category>
            <category><![CDATA[data-visualization]]></category>
            <category><![CDATA[coronavirus]]></category>
            <category><![CDATA[vaccines]]></category>
            <dc:creator><![CDATA[Edwin Zainudin]]></dc:creator>
            <pubDate>Tue, 02 Mar 2021 14:08:16 GMT</pubDate>
            <atom:updated>2022-01-01T18:17:09.274Z</atom:updated>
            <content:encoded><![CDATA[<h4>Vaksinasi Covid-19 di Indonesia: Membuat Estimasi dan Visualisasi Interaktif dari Data Terkini</h4><p><em>Originally written in English: </em><a href="https://medium.com/nightingale/bloomberg-says-10-years-but-how-many-years-is-it-actually-164c3c7c2732"><em>Bloomberg Says &gt; 10 Years, but How Many Years Is It Actually?</em></a></p><p>Sebuah <a href="https://www.instagram.com/p/CK8Ah8MlF07/">post Instagram</a> viral di Indonesia pada akhir pekan pertama bulan Februari. Post tersebut muncul berulang-ulang di instastory dan beberapa bahkan <a href="https://www.instagram.com/p/CK_OBHlHV_R/">membagikannya</a> <a href="https://www.instagram.com/p/CK-BnSrAjqQ/">dalam bentuk</a> <a href="https://www.instagram.com/p/CLDcb24hy4-/">post</a>. Menariknya, si pembuat konten bukan berasal dari Indonesia. Pembuatnya adalah The Strait Times, sebuah media berbasis di Singapura yang menyebut datanya disadur dari Bloomberg, sebuah media massa yang berpusat di Amerika Serikat. Bloomberg — yang lebih populer tapi mungkin tidak tahu menahu tentang post Instagram tersebut — malah jadi yang diminta Kepala Staf Kepresidenan Indonesia untuk <a href="https://nasional.kompas.com/read/2021/02/08/13400201/nilai-prediksi-pandemi-ri-berakhir-10-tahun-berlebihan-moeldoko-belajar-sini">“belajar sini dululah”</a>.</p><p>Post yang viral tersebut adalah sebuah tabel yang memuat nama 10 negara(kemungkinan dipilih secara acak) berserta data terkini vaksinasi dan infeksi Covid-19-nya masing-masing. Data tersebut sepertinya diurut berdasarkan sebuah kolom yang diwarnai: <em>Estimated time to cover 75% of population at current vaccination rate(estimasi waktu untuk mencakup 75% populasi dengan rate vaksinasi saat ini)</em>, yang meletakkan Indonesia di paling bawah dengan “<em>&gt; 10 years</em>”.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*XF-CxEBaPLjNCxZoNlm7Hg.jpeg" /><figcaption>Post Instagram @straits_times</figcaption></figure><p>The Straits Times mungkin mengacu pada <a href="https://www.bloomberg.com/graphics/covid-vaccine-tracker-global-distribution/#global-time-series-rates"><em>Covid Vaccine Tracker</em> milik Bloomberg</a>. Sebuah halaman di mana setiap orang bisa memasukkan nama sebuah negara dan melihat data terkini dalam bentuk grafik dan deskripsi angka rata-rata vaksinasi harian dan estimasi waktu untuk mencapai 75% populasi. Bloomberg hanya menulis “<em>more than 10 years(lebih dari 10 tahun)</em>” untuk negara yang di-estimasi butuh lebih dari 9 tahun berdasarkan <em>rate</em> vaksinasinya saat ini.</p><p>Melihatnya terus menerus, saya jadi cukup penasaran untuk tahu berapa tahun sih memangnya “&gt; 10 tahun” itu. Apakah bisa kita hitung sendiri?</p><h3>Mencari Sumber Data dan Metode</h3><p>Saya mulai mencari data yang dibutuhkan untuk perhitungannya. Seperti negara lain, Indonesia merilis data terkait Covid-19 setiap hari. Kita bisa membacanya lewat berbagai sumber dan salah satunya adalah @KawalCOVID19, sebuah <a href="https://www.thejakartapost.com/news/2020/03/09/community-groups-unite-to-tackle-misinformation-on-covid-19.html">komunitas relawan</a> yang mencuit secara rutin setelah pengumuman pemerintah setiap sore.</p><p>Dalam cuitan yang berformat konsisten, kita dapat mengetahui <strong>berapa banyak yang sudah tervaksinasi</strong> baik dengan dosis pertama maupun kedua per harinya dan juga jumlah vaksinasi yang dilakukan 24 jam terakhir. Format ini memungkinkan saya untuk membuat <em>dashboard</em> yang otomatis menampilkan data terkini tanpa perlu diperbarui manual setiap harinya.</p><h3>JavaScript is not available.</h3><p>Jumlah orang yang telah menerima vaksin Covid-19 di Indonesia per 8 Feb 2021.- Dosis pertama: 814.585 (+30.267)- Dosis kedua: 171.270 (+32.139)Rata-rata harian jumlah suntikan (dosis pertama/kedua) dalam seminggu terakhir: 58.702. pic.twitter.com/sBbyNQzx06</p><p>Angka vaksinasi harian tidaklah konstan begitu juga dengan peningkatannya. Seperti pada 8 Februari data mencatat penyuntikkan lebih dari 62.000 dosis sehari, tapi di hari sebelumnya tidak mencapai 10.000. Mempertimbangkan hal ini, masih ada satu informasi lagi di cuitan tadi yaitu rata-rata vaksinasi harian dalam seminggu terakhir yang saya rasa Bloomberg — merujuk pada ‘<strong><em>seven-day rolling average</em></strong>’ di grafik mereka — juga beranggapan lebih memberikan gambaran <em>rate</em> vaksinasi nasional ketimbang hanya melihat data 1 hari terakhir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*DgJV7UW8yx8wgiXu.png" /><figcaption><a href="https://www.bloomberg.com/graphics/covid-vaccine-tracker-global-distribution/#global-time-series-rates">bloomberg.com/graphics/covid-vaccine-tracker-global-distribution/</a> pada 9 Feb, 2021</figcaption></figure><p>Mengacu pada tulisannya, Bloomberg membuat estimasi menggunakan <em>rate</em> vaksinasi harian terkini atau dengan <strong>asumsi jumlah dosis yang disuntikkan setiap harinya konstan(pada kenyataannya akan fluktuatif)</strong>. Mereka juga menyebut soal kewajiban dua dosis vaksin, jadi kemungkinan besar mereka mengkali dua 75% populasi negara, dikurangi jumlah vaksin(dosis pertama dan kedua) yang sudah diberikan, lalu membaginya dengan <em>rate</em> vaksinasi harian untuk mendapatkan hasil berupa jumlah hari yang masih dibutuhkan.</p><p>Saya sudah dapat jumlah terkini orang yang divaksinasi dan apa yang akan digunakan sebagai <em>rate</em> vaksinasi harian, yang dibutuhkan sekarang tinggal target vaksinasi. Cara mudahnya tentu dengan <em>googling</em> ‘populasi Indonesia’ lalu hitung target kekebalan kelompok/<em>herd-immunity</em>-nya(75%). Mungkin banyak yang akan bilang angka tersebut tidak akurat, jadi saya harus mencari angka resminya. Dari halaman depan situs <a href="https://www.kemkes.go.id/">Kemkes.go.id</a>, kita tahu <strong>target vaksinasi pemerintah</strong> ada di angka 181.554.465 orang.</p><h3>Purwarupa Awal</h3><p>Saya mendesain sebuah <em>dashboard</em> sederhana di Figma dan <em>habisin</em> akhir pekan merealisasikannya dengan yang sudah saya kuasai(<em>HTML, CSS, Javascript</em>). Karena pertanyaan utamanya “berapa sih &gt;10 tahun itu,” saya akan menyoroti jawabannya dengan menempatkannya di tengah. Saya meletakkan angka-angka penting lain di atasnya sehingga jika dibaca dari atas ke bawah akan lebih dipahami dari mana estimasi tersebut berasal.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*S6i5G_7QWUA9WQdM.png" /><figcaption>Desain awal di Figma. Progress bar yang ditampilkan mungkin tidak mewakili data asli dan hanya untuk kebutuhan pratinjau contoh.</figcaption></figure><p>Untuk mendapat visual dari perkembangan vaksinasi saat ini, saya menambahkan <em>circular progress bar</em> sebagai latar. Garis berwarna biru muda mewakili jumlah yang sudah divaksinasi dosis pertama dan garis dengan warna yang lebih jelas mewakili yang sudah menyelesaikan dua dosis vaksinasi. Garisnya secara utuh yang merupakan 75% dari keliling lingkaran mewakili jumlah target populasi untuk mencapai <em>herd-immunity</em>.</p><p>Setelah semuanya siap, saatnya untuk tahu berapa memangnya “&gt;10 tahun” tersebut</p><blockquote>Menggunakan data dari @KawalCOVID19 di 7 Februari, *dengan anggapan jumlah dosis/hari konstan menggunakan rata-rata vaksinasi harian seminggu terakhir* vaksinasi di Indonesia di-estimasi mencapai targetnya dalam 17 tahun dan 12 hari. Estimasi ini akan terus menjadi lebih singkat seiring dengan naiknya angka vaksinasi harian.</blockquote><p>Saya lalu menyadari kalo masih banyak pertanyaan yang bisa dijawab dengan metode yang sama, seperti:</p><ol><li><strong>Berapa yang dibutuhkan Indonesia untuk menyelesaikannya lebih cepat? Anggap dalam 1,5 tahun seperti yang ditargetkan Presiden.</strong> Untuk menjawab ini saya butuh mengubah metode yang sekarang untuk menghitung vaksinasi harian yang dibutuhkan berdasarkan sebuah “tanggal selesai” yang dipilih.</li><li><strong>Apakah vaksinasi/hari sebanyak UEA(yang ditaksir akan selesai dalam 2 bulan saja) cukup untuk Indonesia menyelesaikan vaksinasinya dalam waktu kurang dari 1 dekade?</strong> Saya butuh membuat angka vaksinasi harian bisa disetel untuk menghasilkan estimasi baru.</li><li><strong>Berdasarkan rata-rata vaksinasi harian terkini, berapa banyak warga yang akan tervaksinasi di akhir tahun 2021?</strong> Saya butuh menunjukkan estimasi dosis yang sudah diberikan di angka vaksinasi harian tertentu pada suatu tanggal yang akan datang.</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*psvLvKSfET3IJvRl9pOrDA.gif" /><figcaption>Simulasi pada purwarupa berdasarkan data 7 Feb: berapa banyak yang akan tervaksinasi di akhir tahun 2021 *JIKA* vaksinasi harian konstan di angka 58.253(rata-rata vaksinasi/hari dari data 7 hari terakhir)</figcaption></figure><p>Jadi saya menambahkan fungsi ‘mode simulasi’ di <em>dashboard</em> tersebut. Dengan mengaktifkannya, tiga variabel tadi akan bisa disetel dengan menggesernya ke kiri/kanan. Kita bisa menaik-turunkan salah satunya untuk melihat variabel lain yang terkait menampilkan hasil perhitungan yang baru. Pada potongan video di atas, saya coba menyetel tanggalnya untuk melihat berapa yang kemungkinan akan tervaksinasi sampai 1 Januari, 2022. Di bawah ini, saya coba menyetel “target selesai” untuk melihat berapa vaksinasi harian yang dibutuhkan untuk selesai dalam 1,5 tahun.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8jYUmFu65orzzLiv9d1SiQ.gif" /><figcaption>Simulasi pada purwarupa berdasarkan data 7 Feb: berapa banyak vakinasi/hari secara konstan yang dibutuhkan pemerintah untuk mencapai target di 22 Agustus 2022(sekitar 1,5 tahun seperti yang diinginkan Presiden)</figcaption></figure><p>Saat mengulas desainnya sesudah penambahan ‘mode simulasi’ dan membagikannya ke beberapa orang, saya mendapatkan beberapa masukan:</p><ol><li>Akan lebih bagus kalau orang-orang juga bisa melihatnya dengan rapih di gawai mereka.</li><li>Tiga variabel yang ada masih belum intuitif untuk dapat disetel karena desain awalnya tidak dimaksudkan begitu.</li><li>Berdasarkan hubungan satu dan lainnya — seperti vaksinasi/hari hanya memengaruhi estimasi tanggal selesai, sedangkan tanggal simulasi memengaruhi estimasi jumlah dosis yang sudah diberikan — tata letaknya seharusnya bisa lebih jelas.</li><li>Banyak yang masih belum tahu berapa yang harus mereka naik-turunkan di mode simulasi, menambahkan sedikit konteks mungkin akan lebih membantu.</li></ol><h3>Produk Jadi</h3><p>Berangkat dari masukan tersebut, saya mengembangkan tampilan/antar muka baru yang mengutamakan tampilan <em>mobile</em>(<a href="https://medium.com/swlh/making-identical-experience-across-devices-materium-product-catalog-1f9a900eb215">mobile-first</a>). Kali ini saya membagi informasinya menjadi 3 kelompok utama, perkembangan vaksinasi yang meliputi tanggal dan jumlah dosis yang diberikan, <em>rate</em>/vaksinasi harian, dan estimasi tanggal selesai. Di masing-masing kelompok saya tambahkan tombol untuk menunjukkan apa yang bisa disetel, seperti menaik-turunkan vaksinasi harian, memaju-mundurkan estimasi tanggal selesai, dan juga menjalankan simulai perkembangan vaksinasi di hari yang akan datang.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*dnfMd_l5kDPbD13d.png" /><figcaption>Desain antar muka desktop dan mobile baru di Figma. Beberapa angka dan progress bar yang ditampilkan mungkin tidak mewakili data asli dan hanya untuk kebutuhan pratinjau contoh.</figcaption></figure><p>Untuk memberikan konteks tentang apa yang harus dicoba di mode simulasi, saya menyediakan beberapa kartu kondisi yang mengutip perkembangan dunia nyata. Setiap kartu mewakili tiga variabel yang dapat disetel pada mode simulasi. Semuanya adalah:</p><ol><li>“<em>Jokowi Ingin Vaksinasi Selesai dalam 1,5 Tahun. Berapa jumlah suntikan/hari yang dibutuhkan?</em>” Kartu ini akan menyetel tanggal selesai ke 18 bulan dari sekarang dan menampilkan vaksinasi harian yang dibutuhkan.</li><li>“<em>Inggris(5 Feb) Melakukan 438.421 Suntikan/Hari. Dengan rate yang sama, kapan Indonesia mencapai targetnya?</em>” Kartu ini akan menyetel vaksinasi harian ke jumlah yang dilakukan Inggris dan menampilkan estimasi tanggal selesai yang baru.</li><li>“<em>Berapa yang akan tervaksinasi di awal 2022 jika suntikan/hari konstan di rata-rata 7 hari terakhir?</em>” Kartu ini akan menyetel vaksinasi harian kembali ke rata-rata seminggu terakhir data pemerintah terkini dan menyetel tanggal simulasi ke 1 Januari 2022 untuk menampilkan estimasi jumlah orang yang sudah tervaksinasi di tanggal tersebut.</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*hdl3MOO9pTnnupqAuAKJBQ.gif" /><figcaption>Berbagai simulasi berdasarkan data 23 Februari / Desktop</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*xZLmih7InOBjQ_mZKpXZ2w.gif" /><figcaption>Berbagai simulasi berdasarkan data 23 Februari / Mobile</figcaption></figure><blockquote>Cek simulasinya di <a href="https://vaksinasicovid.today/">https://vaksinasicovid.today/</a></blockquote><h3>Kesimpulan</h3><p>Ada <a href="https://www.thejakartapost.com/academia/2021/02/04/vaccination-race-challenges-ahead-for-indonesia.html">banyak faktor</a> kenapa vaksinasi harian Covid-19 di Indonesia masih rendah, itulah kenapa estimasi seperti yang dilakukan Bloomberg menggunakan data terbaru(5 Feb) ini mungkin jauh berbeda dengan apa yang akan terjadi. Kita harus selalu kritis dan mencari tahu metodenya untuk benar-benar memahami konteks informasi tersebut(baca: <em>“at this (constant) vaccination rate”/di angka vaksinasi harian (konstan) saat ini</em>). Semoga dengan semakin banyaknya ketersediaan dan distribusi yang lebih baik akan terus meningkatkan <em>rate</em>/vaksinasi harian yang tentunya mempersingkat waktu yang dibutuhkan Indonesia untuk menyelesaikan vaksinasinya.</p><p>Terima kasih sudah membaca!</p><p><a href="https://dribbble.com/udnhz">Edwin Zainudin</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5ecf7446b70e" width="1" height="1" alt=""><hr><p><a href="https://medium.com/datasekitar/kata-bloomberg-10-tahun-memangnya-berapa-tahun-sih-5ecf7446b70e">Kata Bloomberg &gt; 10 Tahun, Memangnya Berapa Tahun sih?</a> was originally published in <a href="https://medium.com/datasekitar">Data Sekitar</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Toponimi di Jakarta]]></title>
            <link>https://medium.com/datasekitar/toponimi-di-jakarta-829cca9e3e29?source=rss----f9109e38318d---4</link>
            <guid isPermaLink="false">https://medium.com/p/829cca9e3e29</guid>
            <category><![CDATA[jakarta]]></category>
            <category><![CDATA[gazetteer]]></category>
            <category><![CDATA[geography]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[spatial-analysis]]></category>
            <dc:creator><![CDATA[Tombayu Amadeo Hidayat]]></dc:creator>
            <pubDate>Tue, 02 Feb 2021 21:49:04 GMT</pubDate>
            <atom:updated>2024-09-04T12:36:25.402Z</atom:updated>
            <content:encoded><![CDATA[<p>Tahun 2015 silam, saya berkesempatan untuk magang di Jakarta sebagai bagian dari studi sarjana saya. Kesempatan tersebut memberi saya waktu yang tidak sebentar — 3 bulan — untuk menjelajahi kota yang besar ini. Selain gedung-gedung megah yang selalu membuat diri ini kagum sedari kecil, hal lain yang menarik hati saya adalah nama-nama tempat di Jakarta.</p><p>Terinspirasi oleh <a href="https://tjukanov.org/places-and-their-names">sebuah proyek</a> geografer favorit saya, Topi Tjukanov, saya pun bertekad untuk iseng-iseng menelisik data nama-nama tempat itu. Hal ini dalam Bahasa Indonesia lazim disebut dengan toponimi, atau <em>gazetteer </em>dalam Bahasa Inggris. Konon katanya, nama-nama tempat di Jakarta menggambarkan banyak hal: mulai dari karateristik daerah, segregasi komunitas, fitur geografis, hingga kepada peristiwa sejarah. Hmm, menarik. Bisakah saya temukan pola-pola menarik dari toponimi itu? Dan seperti apa polanya bila saya tampilkan toponimi itu dalam peta?</p><p>Lalu muncul pertanyaan selanjutnya: darimana saya bisa mendapatkan data toponimi yang lengkap? Intuisi pertama saya langsung mengarah ke data resmi dari pemerintah, yaitu Peta Rupa Bumi Indonesia (RBI) skala 1:25000 yang dikeluarkan oleh Badan Informasi Geospasial (BIG). Dalam peta tersebut terdapat <em>layer</em> toponimi yang berisi nama-nama unsur geografis. Namun setelah saya telisik lebih dalam, toponimi dari BIG ini cukup terbatas. Satuan administrasi yang mereka sertakan hanya mencapai pemukiman; satuan yang lebih detail seperti nama gedung atau nama stasiun tidak ikut mereka sertakan. Akhirnya saya menggunakan sumber data yang sama dengan yang Topi gunakan, yaitu <a href="http://geonames.org/">geonames</a>. Awalnya saya pesimis dengan data ini, namun setelah membaca dokumentasi data mereka, ternyata mereka mengkompilasi data toponimi ini dari berbagai sumber: BPS, data.go.id, portal data pemerintah daerah, dan termasuk juga BIG. Untuk daerah megapolitan Jadetabek, terdapat 3281 entri toponimi dalam data ini. Lanjut!</p><p>Penjelajahan ini saya mulai dengan bermodalkan pertanyaan dan pengetahuan saya yang terbatas tentang toponimi di Jakarta. Saya tahu <em>mall </em>Grand Indonesia yang terkenal itu ada di Jalan Kebon Kacang. Ada juga nasi goreng kambing terenak yang pernah saya makan di Jalan Kebon Sirih. Lalu ada juga daerah yang namanya Kebon Jeruk. Hmmmm, kebon. Sebenarnya ada kebon apa saja sih di Jakarta dan sekitarnya? Ini dia!</p><blockquote>Catatan: titik-titik di peta-peta di artikel ini menandakan lokasi toponimi yang dijelaskan pada judul peta. Di Indonesia, sangat lazim kalau terdapat beberapa daerah dengan nama yang sama. Untuk keperluan visualisasi, setiap nama yang unik hanya ditampilkan satu kali, walau toponimi tersebut mungkin muncul beberapa kali. Untuk menghindari redundansi, toponimi dengan kata ‘utara’, ‘selatan’, ‘dua’, dan sejenisnya pun tidak saya tampilkan labelnya — hanya ditandai oleh titik. Lagi-lagi, supaya enak di mata :-)</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Uj6yuawCbmUYww7VACbJ6g.png" /></figure><p>Saya baru tahu kalau ternyata ada banyak ‘kebon’ di Jakarta. Yang lebih menarik lagi: jenisnya macam-macam! Mangga, duren, kapuk, tebu, manggis, <em>you name it</em>. Mungkinkah dulu di daerah tersebut memang ada perkebunan jahe? Menurut <a href="https://jakarta.bisnis.com/read/20140901/387/254246/sejarah-jakarta-asal-usul-nama-kebon-sirih">artikel ini</a>, daerah Kebon Sirih misalnya, memang dulunya merupakan tanah perkebunan yang banyak tumbuh tanaman sirih. Tapi siapa sangka dulu di Jakarta ada kebun bawang?</p><p>Ibu saya pernah cerita kalau dia dulu juga pernah tinggal di daerah bernama Kampung Melayu. Beberapa waktu lalu pengguna transportasi umum di Jakarta hangat membicarakan jalur MRT yang katanya akan dilanjutkan sampai Kampung Bandan. Pacar saya sering berhenti di Terminal Kampung Rambutan kalau mau pulang. Hmmm, <em>kampung</em>. Ada kampung apa saja sih di Jakarta dan sekitarnya?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*BWM-UTciaxK2k-HyyOcVjg.png" /></figure><p>Yaampun, saya tidak menyangka bahwa banyak sekali toponimi di Jadetabek yang awalannya kampung. Kampung Poncol, Sawah, Rawa.. Tapi bagi saya, pola yang menarik disini adalah terdapatnya macam-macam nama ras/daerah yang tersebar di Jakarta. Kampung Jawa, Kampung Bugis, Makasar, Ambon, Irian, Melayu. <a href="https://tirto.id/asal-usul-kampung-melayu-di-batavia-cpp1">Menyadur dari Tirto</a>, penamaan ini dapat kita tarik ke zaman pendudukan Belanda, dimana orang-orang pribumi diharuskan tinggal hanya dengan orang-orang satu suku dalam sebuah kampung. Menarik, menarik..</p><p>Awalan lain yang muncul ke pikiran saya adalah ‘pondok’. Dulu pernah main ke Pondok Indah Mall, lalu pernah juga melihat angkot dengan jurusan Pondok Cabe. Terus kebetulan pernikahan saya direncanakan untuk diadakan di Asrama Haji Pondok Gede (hehehe). Jadi, ada pondok apa saja di Jakarta dan sekitarnya?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*DFA5Wwqr5T95Jh2RZJbHXg.png" /></figure><p>Hmm, banyak juga. Dan <em>random</em>. Dari unsur ras, tumbuhan, hingga kata sifat, ada semua disini. Satu-satunya pola yang menarik bagi saya adalah sebaran spasialnya: mayoritas toponimi dengan awalan pondok terletak di luar Jakarta. Di Jakarta Pusat dan Jakarta Utara pun hampir nihil. Pondok Putri Duyung itu hanya sebuah hotel baru dibangun sekarang-sekarang ini. Intinya: tidak banyak pondok-pondok di Jakarta; sebagian besar di Kota Tangerang Selatan dan Kota Bekasi.</p><p>Kenapa pondok-pondok ini memberikan sebaran spasial yang sedemikian rupa? Dari hasil pencarian saya di Google, saya menemukan <a href="https://sejarahjakarta.com/2019/05/06/pondok-yang-gede-di-kampung-yang-kecil/">hal menarik</a>. Lagi-lagi, hal ini bisa kita tarik jauh ke zaman pendudukan Belanda. Berawal dari pengembangan perkebunan-perkebunan di sekitar ibukota dulu, pemerintah kolonial banyak membuka lahan perkebunan baru. Di Bekasi misalnya, banyak dibangun perkebunan gula. Tentu perkebunan ini tidak mereka garap sendiri: orang-orang pribumi dan Cina lah yang bekerja keras menggarap lahan ini. Menurut <a href="https://sejarahjakarta.com/2019/05/06/pondok-yang-gede-di-kampung-yang-kecil/">sejarahjakarta.com</a>, orang-orang pribumi tersebut tinggal di bangunan bersekat-sekat menyerupai rumah kecil yang mereka sebut sebagai pondok. Makanya, banyak sekali daerah di Bekasi yang disebut dengan pondok. Ohhh, begitu!</p><p>Pola lain yang menarik adalah nama hari dan ‘tanah’. Saya pernah naik KRL lalu turun di Stasiun Pasar Minggu. Pernah juga mendengar sebuah stasiun di Jakarta namanya Senen. Wah, nama-nama hari. Apa jangan-jangan Jakarta punya 7 nama hari lengkap dalam seminggu? Lalu teringat juga dengan daerah yang namanya Tanah Abang dan Tanah Kusir di daerah Jakarta pusat. Adakah tanah-tanah yang lain?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*PEwOM5229RPJpOra8bmOYg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cGbo-UDxw0MG1rWv8otM8A.png" /></figure><p>Uh, oh, setelah dilihat lebih dalam, sepertinya Jakarta hanya mengenal 5 hari: Senin, Rabu, Kamis, Jumat dan Minggu. Kenapa begitu ya? Kalau menurut <a href="https://jakarta.bisnis.com/read/20160826/387/578806/jakarta-tempo-doeloe-inilah-asal-usul-nama-pasar-minggu-jakarta-selatan">artikel ini</a>, nama Pasar Minggu diambil karena dulu pasar tersebut hanya beroperasi di hari Minggu. Bisa jadi benar, karena kalau di Belanda selalu ada ‘pasar kaget’ di pusat kota setiap hari Rabu dan Sabtu. Tapi kemana perginya Pasar Selasa dan Pasar Sabtu? Olala.. Menurut <a href="https://www.liputan6.com/news/read/2914721/rahasia-raibnya-pasar-selasa-dan-sabtu-di-jakarta">artikel ini</a>, ternyata Tanah Abang yang tersohor, yang ada di peta sebelah kanan itu konon dulu bernama Pasar Sabtu. Sedangkan Pasar Selasa, sekarang dikenal dengan Pasar Koja di Jakarta Utara. Ternyata..</p><p>“Tom, coba cari tempat-tempat yang namanya ‘Jati’ dong! Aku sering lewat Jatiwarna, Jatisampurna, Jatiasih.. Mungkin ada banyak lagi yang lain?”, ujar pacar saya, saat saya tanya-tanya pendapat soal toponimi ini. Hmm, benar juga! Ada berapa banyak tempat dengan awalan Jati-di Jadetabek?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cK0z3ITWHHzWmOkJU2_hbw.png" /></figure><p>Oow, lagi-lagi sebaran spasial. Kebanyakan toponimi dengan awalan Jati terletak di Jakarta Timur dan Bekasi! Ada apa gerangan? Sejauh ini riset kecil-kecilan saya belum berhasil menemukan fakta yang menarik, hmm. Mungkin ada yang tau?</p><p>Kebon, kampung, pondok, hari, tanah, jati. Selanjutnya? Rawa, lebak, gunung, bukit! Kesamaan dari keempat kata tersebut, mereka semua adalah fitur geografis. Ada Rawamangun, Lebak Bulus, Gunung Sahari, Bukit Duri..</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*dgXjpPjLny_q-h3nLNNGBA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*nL3nSeixL71B2KoOt7cs-g.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*unzXj5RuZvoCfxrGmeGQXg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*BjHMxqsYWiTqYY7GBMCFRg.png" /></figure><p>Olala, lihat peta rawa-rawa itu! Banyak sekali toponimi di Jakarta dengan awalan rawa! Lebih banyak dari yang saya kira. Menurut <a href="https://www.goodnewsfromindonesia.id/2019/12/17/prasasti-banjir-jakarta">artikel ini</a>, dahulu memang banyak sekali rawa-rawa di Jakarta. Genangan tersebut lalu dikuras dan manusia pun hidup di atasnya.. Hmm, tidak heran kalau banjir sudah menjadi cerita rutin orang Jakarta sejak dulu. Jadi, kalau <a href="https://jakarta.bisnis.com/read/20150327/387/416686/sejarah-jakarta-inilah-asal-usul-nama-rawamangun">Rawamangun dulunya adalah rawa-rawa</a>, Lebak Bulus <a href="https://kabar24.bisnis.com/read/20141209/387/381010/inilah-asal-usul-nama-lebak-bulus-di-jakarta">dulunya </a>adalah lebak atau lembah, apakah Gunungsahari dulunya adalah gunung? Entahlah :-)</p><p>OKE! Mungkin itu beberapa temuan menarik dari keisengan saya bermain-main dengan data spasial. Betapa data yang sederhana, sesederhana nama-nama tempat, ternyata memiliki makna dan cerita sejarah di baliknya. Kalau ada teman-teman yang punya ide lain, atau mungkin tau pola-pola yang menarik untuk ditelisik, silahkan kontak saya di email htombayu(at)gmail(dot)com. Kalau ada yang tertarik dengan bagaimana saya membuat visualisasi yang ada di artikel ini, saya sudah unggah <em>source code</em>-nya di <a href="https://github.com/tombayu/weekly-proj/tree/master/toponimi">github</a> saya.</p><p>Cheers!</p><blockquote>Tombayu Amadeo Hidayat</blockquote><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=829cca9e3e29" width="1" height="1" alt=""><hr><p><a href="https://medium.com/datasekitar/toponimi-di-jakarta-829cca9e3e29">Toponimi di Jakarta</a> was originally published in <a href="https://medium.com/datasekitar">Data Sekitar</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Membundel Jaringan Penerbangan Domestik di Indonesia]]></title>
            <link>https://medium.com/datasekitar/membundel-jaringan-penerbangan-domestik-di-indonesia-9febee4f09a2?source=rss----f9109e38318d---4</link>
            <guid isPermaLink="false">https://medium.com/p/9febee4f09a2</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[aviation]]></category>
            <category><![CDATA[public-transportation]]></category>
            <category><![CDATA[jakarta]]></category>
            <category><![CDATA[indonesia]]></category>
            <dc:creator><![CDATA[Tombayu Amadeo Hidayat]]></dc:creator>
            <pubDate>Tue, 02 Feb 2021 21:48:48 GMT</pubDate>
            <atom:updated>2021-02-02T21:48:48.483Z</atom:updated>
            <content:encoded><![CDATA[<p>Beberapa waktu lalu saat berselancar di twitter, saya berkenalan dengan sebuah konsep visualisasi data yang disebut dengan <em>edge bundling</em>. Bayangkan kalau kamu menggambarkan rute jaringan rute pesawat di Indonesia. Jakarta-Surabaya, Jakarta-Makassar, Medan-Pontianak.. Ada begitu banyak, dan kalau kita tarik garis lurus untuk masing-masing pasangan kota tersebut di peta, hasilnya mungkin akan acak adut. Akan banyak garis melintang memotong satu sama lain.</p><p>Maka dari itu, ada sebuah teknik visualisasi data yang disebut dengan <em>edge bundling</em>. Garis-garis yang banyak tadi, apabila posisinya berdekatan, akan dicoba digabungkan (dibundel) oleh teknik visualisasi ini. Tujuannya tidak lain dan tidak bukan adalah agar visualisasi data yang acak adut tadi jadi enak di mata, sehingga kita dapat melihat informasi yan terkandung dalam grafik tersebut dengan lebih jelas.</p><p>Saya iseng-iseng riset sedikit di Google. <em>Edge bundling</em> awalnya memang digunakan untuk memperbaiki visualisasi di grafik hierarkis, yang menunjukkan hubungan. Lalu, bila kita lihat lagi beberapa contoh penggunaan <em>edge bundling</em>, banyak sekali yang menggunakan teknik ini dalam visualisasi di <em>peta</em>. Yak, peta! Kebetulan ada <a href="https://twitter.com/schochastics">seorang yang cukup iseng</a> membuat <em>package</em>nya<em> </em>di R: <a href="https://github.com/schochastics/edgebundle">edgebundle</a>. Saya jadi penasaran ingin coba, karena contoh-contoh yang ditampilkan dalam dokumentasi <em>package-</em>nya sangat menarik. Dan bagi saya, yang paling menarik bila kita berbicara tentang peta adalah <em>pola</em>. Adakah pola spasial yang muncul dari teknik <em>edge bundling</em> ini?</p><p>Sebagai sebuah percobaan untuk menjawab pertanyaan itu, saya pun iseng-iseng mencoba <em>package</em> ini untuk memvisualisasikan jaringan rute penerbangan domestik di Indonesia.</p><p>Dalam package yang saya pakai, ada 3 macam metode edge bundling: <em>force directed, hammer edge, </em>dan <em>bundle stub</em>. Bedanya apa? Saya tidak tahu, hahaha. Disini saya hanya ingin mencoba memvisualisasikan data spasial dengan metode ini. Makanya saya pun bingung saat mengimplementasikan fungsi dalam <em>package </em>ini, karena ada banyak parameter yang bisa kita sesuaikan, yang kemudian akan mempengaruhi bentuk/pola garis-garis hasil <em>edge bundling</em> tadi.</p><p>Lalu apa yang saya lakukan? <em>Looping!</em> Saya pikir, daripada saya coba ubah parameternya satu-satu, lalu lihat hasilnya, lebih baik saya manfaatkan saja teh-no-lohi <em>looping</em>. Dengan menggunakan iterasi <em>for loop</em> sederhana, saya memproduksi dua animasi ini untuk melihat bagaimana efek parameter-parameter yang ada terhadap visualisasi peta yang ingin saya buat.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*mDCylaEJ3eEeh13bz_jHeA.gif" /><figcaption>Efek berbagai parameter dalam fungsi <strong><em>hammer edge</em></strong> di package edgebundle.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*StLvuVEA4KlNqXiQSmA3Qw.gif" /><figcaption>Kalau yang ini, pakai fungsi<strong> force directed.</strong></figcaption></figure><p>Sejujurnya, setelah memproduksi ratusan peta hasil iterasi parameter tadi, saya masih bingung efek dari parameter-parameter itu. Animasi di atas pun kesannya hanya memperlihatkan garis-garis yang bergelinjang di atas peta Indonesia. Tapi secara umum, sepertinya semakin tinggi angka (parameter)nya, garis-garis yang banyak tadi akan semakin terbundel, menjadi satu. Pengecualian ada di fungsi <em>hammer edge</em>, dimana semakin tinggi parameter bw, garis-garisnya terlihat semakin terpisah. Entahlah. Untuk saat ini, saya hanya peduli dengan estetika dan pola: peta mana yang paling cantik? Yang enak dipandang mata, yang bisa memberikan pola spasial yang menarik?</p><p>Setelah semua peta yang dihasilkan saya sortir, muncul satu yang paling menarik bagi saya. Peta ini lahir dari fungsi <em>edge hammer</em>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*lQ2sWlQD5yugTDL23dBzQw.jpeg" /><figcaption>Koridor penerbangan domestik di Indonesia?</figcaption></figure><p>Kalau dilihat dari tebal garisnya, bisa dilihat garis-garis tebal muncul dari kota-kota tertentu: kota-kota di Pulau Jawa, seperti Jakarta, Surabaya, Bandung, Yogyakarta dan Semarang; di bagian barat, yang terlihat paling dominan adalah Batam dan Palembang; di Kalimantan ada Balikpapan; di Sulawesi ada Manado dan tentu saja Makassar, gerbang ke Indonesia bagian timur; juga beberapa kota di Papua, walaupun tebal garisnya tidak begitu dominan. Hipotesis saya, ketebalan garis-garis ini mengindikasikan pentingnya kota-kota tersebut sebagai pusat perekonomian di Indonesia.</p><p>Hal menarik lainnya adalah garis panjang yang membentang di peta itu. Garis-garis yang terpilin di peta itu menghasilkan garis panjang dan tebal, yang saya interpretasikan sebagai koridor jalur penerbangan di Indonesia. Ada koridor Sumatra-Jawa dimana Kota Batam sepertinya memainkan peranan penting; koridor Indonesia Timur yang membentang dari Papua hingga Laut Jawa; lalu koridor Jawa-Bali. Semua garis tersebut bertemu di dekat Laut Jawa, sebelum terpecah lagi ke kota-kota besar di pulau itu. Hal ini saya asumsikan menandakan dominansi Pulau Jawa sebagai pusat ekonomi di Indonesia. Bukan hal baru, tapi menarik! (<em>self proclaim</em>) :-)</p><p>Oke, <em>edge bundling </em>bisa menghasilkan visualisasi yang menarik di peta. Tapi seberapa efektifkah teknik visualisasi ini? Walaupun visualisasi <em>edge bundling</em> menarik dan dapat menghasilkan pola-pola tersendiri, tapi sangat mungkin ada informasi yang hilang akibat generalisasi informasi yang dilakukan oleh teknik ini. Ada pertanyaan mendasar yang tidak bisa dijawab, misalnya: “<em>Kalau naik pesawat dari Surabaya, kita bisa ke kota mana aja sih?</em>”. Karena garis-garis yang banyak tadi terpilin menjadi satu, hubungan antar kota tidak bisa kita lihat.</p><p>Saya menyimpulkan bahwa ada banyak pertanyaan-pertanyaan mendasar yang bisa dijawab secara sederhana. Metode visualisasi data yang <em>fancy</em>, atau mungkin algoritma <em>machine learning</em> yang kompleks, tidak akan bisa menjawab semua pertanyaan. Terkadang kita harus kembali ke dasar. <em>Back to basic</em>. :-)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*xWwG5K2ujEs9I0usrmwovw.jpeg" /><figcaption>Back to basic?</figcaption></figure><p>Lihat peta di atas. Pertanyaan hirarkis yang saya tanyakan sebelumnya bisa dijawab dengan mudah melalui visualisasi sederhana seperti ini. Bisa kemana aja dari Kota Makassar? Kota mana yang paling penting untuk setiap pulau? Dari mana dan ke mana kebanyakan penerbangan domestik di Indonesia? Kota mana yang berperan sebagai gerbang dari Indonesia bagian barat ke Indonesia bagian timur?</p><p>Pada akhirnya: peta mana yang paling cocok buatmu? Silahkan dijawab sendiri :-)</p><blockquote><strong><em>References</em></strong></blockquote><blockquote><a href="https://github.com/tombayu/personal-project/tree/master/flowmap"><em>Source code</em></a><a href="https://github.com/schochastics/edgebundle"><em><br>Package </em>edgebundle <em>oleh David Schoch</em></a><em><br></em><a href="https://ieeexplore.ieee.org/document/4015425"><em>Hierarchical Edge Bundles: Visualization of Adjacency Relations in Hierarchical Data</em></a></blockquote><p>Bonus: jaringan layanan TransJakarta.. di-bundel. Aneh 😛</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*nat7r-wgNVowHoUdd6nhmw.jpeg" /><figcaption>Aslinya begini..</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*x7-yoij80uKuv9rnXR4HSg.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*xmxuHRvKRuSB3VuRVH9LRg.jpeg" /><figcaption>Setelah pakai edgebundle, hasilnya begini. Kiri: titik-titik biru menandakan halte-halte penting di TransJakarta, yang mungkin ada hubungannya dengan pola yang dihasilkan. Kanan: extreme edge bundling; does not make sense at all..</figcaption></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9febee4f09a2" width="1" height="1" alt=""><hr><p><a href="https://medium.com/datasekitar/membundel-jaringan-penerbangan-domestik-di-indonesia-9febee4f09a2">Membundel Jaringan Penerbangan Domestik di Indonesia</a> was originally published in <a href="https://medium.com/datasekitar">Data Sekitar</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Arah Jalan Kota-Kota Indonesia]]></title>
            <link>https://medium.com/datasekitar/arah-jalan-kota-kota-indonesia-782e5c383921?source=rss----f9109e38318d---4</link>
            <guid isPermaLink="false">https://medium.com/p/782e5c383921</guid>
            <category><![CDATA[urban-planning]]></category>
            <category><![CDATA[indonesia]]></category>
            <category><![CDATA[data-visualization]]></category>
            <dc:creator><![CDATA[Mona]]></dc:creator>
            <pubDate>Thu, 24 Dec 2020 18:33:20 GMT</pubDate>
            <atom:updated>2020-12-24T18:31:43.540Z</atom:updated>
            <content:encoded><![CDATA[<blockquote>“Maaf, kalau mau ke Malioboro lewat mana ya?”</blockquote><blockquote>“Oh lurus aja ke Barat, nanti kalau sudah sampai tugu, belok ke Selatan, terus kalau mentok rel, nanti ikut jalan saja ke Timur, bunderan ke Barat, lalu belok kiri ke Selatan, nah itu Malioboro”</blockquote><p>Kalau pernah mampir atau tinggal di Jogja, sebagian besar pasti pernah menemui percakapan semacam ini: tanya alamat kemudian dijawab dengan arah mata angin, bukannya kanan-kiri. Saya sendiri sebagai orang yang besar di Jogja selama 21 tahun merasa <em>guilty </em>karena saya adalah subjek pelaku. Orang Jogja sangat fasih berbicara <em>ngalor-ngidul-ngetan-ngulon (pun intended) </em>karena sejak kecil memang dibiasakan demikian. Kalau ditanya patokannya mana, kami pasti jawab “Pokoknya kalo lihat Gunung Merapi berarti itu Utara” — padahal Gunung Merapi jarang kelihatan sedemikian hingga kalo keluar Jogja, orang Jogja pasti mikir dulu kalo mau kasih arah — tapi tetep kasih petunjuk jalan pake arah mata angin.</p><h3>mas-mas gluget gluget on Twitter</h3><p>Bedanya orang Jogja kalo pas di Jogja sama pas nggak di Jogja : https://t.co/yFwbZUsaza</p><p>Sebenarnya selain Gunung Merapi, orang Jogja dimanjakan oleh tata kotanya, jalannya kebetulan lurus-lurus aja mengikuti arah mata angin. Ketika saya ke kota lain, saya sering frustasi ketika saya tidak bisa merunut jalan karena arahnya kurang jelas itu Selatan atau Utara, itu satu arah atau melingkar. Salah satu contohnya ketika saya pindah ke Malang, saya bingung kok tahu-tahu jalan X bisa tembus Y, kemudian saya menyerah untuk menghapalkan jalan; <em>Google Maps to the rescue.</em></p><p>Tapi apakah benar jalan di Jogja memang lebih teratur daripada kota-kota lain di Indonesia? Konsep membuat teratur arah jalan ini sebenarnya bukan suatu hal yang baru. Sejak 2500 tahun sebelum masehi di peradaban Mohenjo-Daro, sudah mengintegrasikan jalan dengan arah Utara-Selatan dan Timur-Barat (McIntosh, 2007). Kemudian banyak kota abad pertengahan di Eropa yang juga mengadopsi sistem <em>grid </em>atau kisi-kisi Utara-Selatan Barat-Timur untuk memaksimalkan sinar matahari yang masuk kala musim dingin (Liley, 2001). Sistem Eropa ini kemudian kemungkinan masuk juga ke Indonesia ketika masa kolonial, contoh nyatanya di Law of Indies yang dikeluarkan Spanyol yang secara eksplisit meresepkan sistem <em>grid </em>untuk jalanan di sekitar <em>plaza </em>atau pusat kota jajahannya. Di Indonesia sendiri, tata kota sebenarnya dipengaruhi oleh warisan zaman kerajaan, kemudian kolonial, dan pasca-kolonial. Spesifik Jogja sendiri karena memiliki konsep <em>Golong Gilig</em>, Jogja dibangun dengan poros imajiner Utara-Selatan dari Merapi ke Kraton, serta Catur Sagatra, di mana empat komponen kehidupan (pemerintahan, religi, budaya, ekonomi) diletakkan pada empat arah jarum jam, tak heran jika jalan kemudian dibangun mengikuti arah mata angin (Suryanto, 2015).</p><p>Lalu, konsep mengkuantifikasi dan membandingkan keteraturan arah jalan kota satu dan lainnya juga bukan hal yang baru. Courtat et al. di tahun 2011, Gudmundsson and Mohajeri et al. di tahu 2012 hingga 2014 mengkuantifikasi keteraturan arah jalan dengan entropi dan kemudian memvisualisasikannya. Geoff Boeing baru-baru ini mempublikasikan <em>Urban spatial order: street network orientation, configuration, and entropy, </em>di mana ia membuat visualisasi keteraturan jalan di 100 kota di dunia. <a href="https://geoffboeing.com/2019/09/urban-street-network-orientation/"><strong>Riset ini pulalah yang kemudian saya <em>copy</em></strong><em> </em></a>untuk membuktikan apakah iya jalan di Jogja lebih teratur dan seteratur apa jalan-jalan di kota lain di Indonesia.</p><p>Sebagai sampel, saya ambil 50 kota dengan populasi terbanyak menurut <a href="https://id.wikipedia.org/wiki/Daftar_kota_di_Indonesia_menurut_jumlah_penduduk">Wikipedia</a>. Saya ambil <em>street network</em> nya menggunakan OSMnx di python, sehingga <em>street network </em>yang saya ambil berbasis <em>network </em>milik Open Street Map, kemudian saya visualisasikan histogram <em>bearings</em> tiap blok atau <em>edge-nya </em>sesuai arah mata angin.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*1emJT3GWHtUaaGXN3P7C9w.png" /><figcaption>Gambar 1: Arah jalan kota di Indonesia, diurutkan berdasar alfabet</figcaption></figure><p>Hasilnya cukup menarik. Terlihat bahwa beberapa kota sangat teratur, seperti Medan dan Binjai contohnya yang mayoritas jalannya lurus-lurus saja mengikuti empat arah mata angin, tapi ada juga yang ke segala arah seperti Banjarmasin atau Palembang. Menariknya, banyak kota di pulau Jawa yang jalan-jalannya condong ke arah Timur Laut atau ke kanan, sementara tidak banyak yang mengarah ke kiri atau Barat Laut.</p><p>Untuk mengukur seberapa teraturnya jalan-jalan ini, maka saya buat histrogram arah jalan ke 120 <em>bins </em>dengan 3 derajat di tiap <em>bin</em>-nya</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*xj1qOsmMgZHrCDaJIg4wqg.png" /><figcaption>Gambar 2: Histogram arah jalan</figcaption></figure><p>Kemudian ukur entropinya dengan rumus berikut</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/395/1*DCxWkb9WRbqXqgm1dSqjiQ.jpeg" /></figure><p>Di mana <em>n </em>adalah jumlah <em>bins </em>dan P(o<em>i</em>) adalah proporsi di di dalam bin <em>i</em>. Dalam gambar di atas, terlihat ada 4 bins yang menonjol pada histrogram, persis menunjukkan jumlah mata angin. Tapi tidak semua kota punya jalan yang percabangannya empat saja. Sehingga, jumlah <em>n </em>yang ideal adalah yang bisa mewakili banyaknya arah percabangan yang mungkin, yaitu</p><blockquote><em>n = 2*3*4*5 = 120</em></blockquote><p>Dalam kasus ini, kondisi sempurna adalah apabila semua jalan mengacu ke empat mata angin, saya ambil Chicago, sehingga nilai H-nya dengan n=120 adalah 2.593(Ho). Kondisi sebaliknya, adalah jika semua arah memiliki proporsi yang sama, yaitu H= 4.787(Hmax), maka kita bisa menghitung nilai entropi relatifnya sebagai berikut.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/348/1*OM1zmtqWl7gajkxK6HMenQ.jpeg" /></figure><p>T=1 adalah ketika arah jalan sempurna, dan T= 0 adalah apabila sebagian besar jalannya cenderung radial atau tak tentu arahnya.</p><p>Setelah menghitung entropi semua kota, berikut adalah arah jalan kota-kota Indonesia diurutkan berdasar entropi</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*HaO9hszEVqk7OeeNOor_5Q.png" /><figcaption>Gambar 3: Arah jalan diurutkan berdasar entropi</figcaption></figure><p><em>Surprise!</em> Ternyata jalan paling teratur di Indonesia ada di Medan, disusul Kediri, kemudian Binjai dan Yogyakarta. Hehe, jadi frustasi saya beralasan karena secara saintifik, jalan di Jogja memang terbukti memiliki nilai keteraturan yang tinggi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*NzZFkJ_OYJr-eJ9JgF1fFg.png" /><figcaption>Gambar 5: Bearing Kota Chicago vs Jalanan Kota Chicago</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*vUyFyUDFFNiIotTv2Jre6w.png" /><figcaption>Gambar 6: Bearing Kota Medan, juara pertama, vs jalanan Kota Medan</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*jnBc45Lqig61AfieLxNy6g.png" /><figcaption>Gambar 7: Bearing Kota Palembang, entropi terendah, vs jalanan kota Palembang</figcaption></figure><p>Di tiga tempat terakhir ada Jambi, Banjarmasin, dan Palembang, yang kebetulan semuanya di luar pulau Jawa. Tapi apakah memang spesifik pulau Jawa yang begini, mari kita bandingkan nilai entropinya untuk dua kelompok, Jawa dan Non-Jawa.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/478/1*g2u7adAMpm4yhQb8e8hmSg.png" /><figcaption>Gambar 8: Entropi Jawa vs Luar Jawa</figcaption></figure><p>Dari data, ditemui 25 kota terbesar di Jawa dan 25 kota terbesar luar Jawa. Ternyata kalau dilihat kasat mata, entropi dari arah jalan (bearing) kota-kota di Jawa nampak lebih tinggi dibandingkan luar Jawa. Apakah secara statistik demikian? Saya coba melakukan t-test dengan alpha 0.05 dan null hypothesisnya adalah rerata entropi Jawa ≤ entropi luar Jawa. Ternyata hasilnya p-value nya 0.0129 yang mana lebih rendah dari 0.05, sehingga saya bisa <em>reject </em>null hypothesis, sedemikian iya bahwa jalanan di 25 kota terbesar di Jawa lebih teratur daripada 25 kota terbesar di luar Jawa.</p><p>Tapi seperti yang terlihat pada Gambar 8, ada kota luar Jawa yang punya entropi tinggi, seperti Binjai dan Medan misalnya. Sedemikian hingga, saya penasaran dan saya kelompokkan bentuk arah jalanannya dengan menggunakan t-SNE dan gaussian clustering</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*7sqxGyHORvxbIAN5uh5BVQ.png" /><figcaption>Gambar 9: Cluster arah jalan 50 kota besar Indonesia. Ukuran berdasar entropy dan warna teks berdasar Jawa (hitam) atau luar Jawa (abu-abu)</figcaption></figure><p>Ternyata secara umum ada tiga cluster, yaitu cluster biru, di mana jalan-jalannya sebagian besar serong ke kanan, seperti Yogyakarta, Tegal, Pekalongan. Sebagian besar ada di Jawa, kecuali Makassar. Penasaran saya apakah ini ada hubungannya dengan kerajaan mataram dahulu? Entahlah, mugkin ada yang bisa menjelaskan. Custer oranye, adalah cluster yang arah jalannya cenderung tegas utara-selatan-barat-timur. Utamanya di Jakarta, tapi juga banyak daerah di luar Jawa. Kalau saya boleh sotoy mungkin karena kotanya relatif termodernkan sehingga banyak jalanan baru yang lebih mengikuti arah mata angin. Terakhir ada cluster kuning yang entropinya relatif rendah karena bentuk jalannya radial, ke semua arah. Sebagian besar ditemu di luar Jawa.</p><p>Jadi demikianlah kulikan hari ini. Ternyata menarik juga melihat seberapa teratur kota-kota di Indonesia. Entropi rendah yang didominasi luar Jawa ini menarik untuk saya, karena ada banyak faktor yang kemudian bisa digali lagi. Apa karena belum banyak development? Kurang tahu juga. Apa karena topologi? Bisa jadi. Silakan mungkin yang punya jawabannya komentar di bawah ~</p><p>Reference: <a href="https://appliednetsci.springeropen.com/articles/10.1007/s41109-019-0189-1">Urban spatial order: street network orientation, configuration, and entropy | Applied Network Science | Full Text (springeropen.com)</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=782e5c383921" width="1" height="1" alt=""><hr><p><a href="https://medium.com/datasekitar/arah-jalan-kota-kota-indonesia-782e5c383921">Arah Jalan Kota-Kota Indonesia</a> was originally published in <a href="https://medium.com/datasekitar">Data Sekitar</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Visualisasi Kasus Aktif COVID-19 Indonesia]]></title>
            <link>https://medium.com/datasekitar/visualisasi-kasus-aktif-covid-19-indonesia-de8e236430f0?source=rss----f9109e38318d---4</link>
            <guid isPermaLink="false">https://medium.com/p/de8e236430f0</guid>
            <category><![CDATA[data-visualization]]></category>
            <category><![CDATA[covid19]]></category>
            <category><![CDATA[indonesia]]></category>
            <dc:creator><![CDATA[Mona]]></dc:creator>
            <pubDate>Thu, 17 Sep 2020 16:16:14 GMT</pubDate>
            <atom:updated>2020-09-17T14:18:27.556Z</atom:updated>
            <content:encoded><![CDATA[<h3>Visualisasi Kasus Harian COVID-19 Indonesia</h3><p>Saya sudah lama pengen mainan data COVID-19, tapi karena dasarnya saya sangat <a href="https://www.personalitypage.com/four-prefs.html#:~:text=People%20with%20the%20Judging%20preference,Perceivers%20want%20thing%20open%2Dended."><em>perceiving</em></a>, saya paling anti membuat, mengatakan, atau menulis sesuatu yang mana saya tidak punya ilmunya. COVID-19 ini sendiri, adalah salah satu yang saya nggak punya ilmunya; saya nggak punya basic epidemiology. Oleh karena itu sangat tidak mungkin bagi saya untuk membuat prediksi total kasus minggu depan misalnya, atau prediksi kapan hal ini akan berakhir. Apalagi menyimpulkan bahwa fenomena ini adalah hoax. Nggak mungkin. Titik.</p><p>Tapi lagi-lagi karena saya anaknya rada <em>FOMO, </em>saya tetap ingin menyelami data COVID-19, utamanya di Indonesia. Karena tidak ingin sotoy, saya ingin buat visualisasi yang aman-aman saja, menunjukkan data terkini dan paling banteeeeeer, melakukan kategorisasi. Ide ini saya dapatkan ketika melihat <a href="https://www.endcoronavirus.org/countries">endcoronavirus.com</a>, yang mana salah satu kontennya memperlihatkan negara mana saja yang menang melawan Coronavirus, berdasar jumlah kasus aktif kala itu. Sekarang metricsnya menggunakan kasus harian.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*WmXqamoVHBM_Xs81Hb00Yw.png" /></figure><p>Kemudian ternyata di web yang sama ada yang merepro untuk US states, namun disajikan menyerupai letak geografis US states sesungguhnya</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*oo00QSvJb2NrFl6eWKlCbw.png" /></figure><p>Wah semakin tergelitik dong saya. Akhirnya saya memutuskan untuk membuat versi Indonesianya. Berikut adalah beberapa tahapannya</p><h3>1. Data</h3><p>Cari data untuk tiap propinsi di Indonesia sebenarnya tidak sulit, ada <a href="http://www.kawalcovid19.id/">www.kawalcovid19.id</a> yang rajin mengupdate. Datanya sendiri saya dapatkan dari <a href="https://docs.google.com/spreadsheets/d/1ma1T9hWbec1pXlwZ89WakRk-OfVUQZsOCFl4FwZxzVw/edit#gid=2052139453">Google Sheet berikut</a>, tab Timeline.</p><h3><strong>2. Metrics</strong></h3><p>Saya menggunakan metric bernama <a href="https://www.medrxiv.org/content/10.1101/2020.05.21.20109298v1.full.pdf">“Progress to Zero (P0)”</a>, yaitu 1-(A/B) di mana A adalah rolling average kasus harian seminggu terakhir dan B adalah rolling average kasus harian puncak.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/868/1*9nmqSpktW-ck6YT35Rqibg.png" /></figure><p>Contohnya seperti kasus Gorontalo di atas. Kiri adalah kasus harian, kanan adalah plot jika kita melakukan rerata tiap tujuh hari kebelakang. Titik hijau atau rolling average hingga hari ini adalah rerata dari titik-titik biru, yakni kasus baru 7 hari terakhir. Sementara titik ungu adalah puncah dari rolling average. P0 sesimpel 1 dikurangi hasil dari titik hijau dibagi titik ungu.</p><h3>3. Visualisasi</h3><p>Saya gunakan grid terinspirasi dari endcoronavirus.org tersebut di atas. Dua angka utama di tiap provinsi berturut-turut adalah rolling average terakhir dari kasus harian dan nilai P0. Apabila P0=0, maka saya kategorikan sebagai “Sangat amat perlu perhatian”, antara 0 dan 70% sebagai “Perlu perhatian” dan lebih dari 70% sebagai “Hampir menang”, 100% sebagai “Bebas wabah”</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*-RXAnvvaFSoYYpCVHUrYjw.png" /><figcaption>Kasus harian per provinsi, grid style</figcaption></figure><p>Untuk lebih jelasnya berapa P0 per provinisi, dapat dilihat pada bar chart berikut</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*fbURq5VrohJjxBamL9oocw.png" /><figcaption>P0 tiap Provinsi Indonesia</figcaption></figure><p>Ternyata hanya 3 provinsi yang masuk dalam zona kuning! Selebihnya masih merah dan sayangnya ada delapan provinsi yakni Aceh, DIY, Sumut, Lampung, Riau, Papua Barat, Papua dan NTT yang P0 nya masih 0%, artinya rolling average seminggu lalu merupakan rolling average tertinggi sehingga potensinya masih akan terus naik. Harus suuuuper waspada.</p><p>Sekali lagi, saya sadar saya hanyalah penggiat data dan bukan epidemiologis sehingga saya tidak bisa memberi saran bagaimana cara meningkatkan P0 misalnya, atau bagaimana menghadapi virus ini secara umum. Pastinya, dengarkan dokter, dengarkan para ahli. Kroscek segala informasi. Jangan percaya hoax! Semoga wabah ini segera berakhir dan semua kembali seperti sedia kala.</p><p><a href="https://github.com/nmonarizqa/weekly-viz/tree/master/covid19-provinsi">Github</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=de8e236430f0" width="1" height="1" alt=""><hr><p><a href="https://medium.com/datasekitar/visualisasi-kasus-aktif-covid-19-indonesia-de8e236430f0">Visualisasi Kasus Aktif COVID-19 Indonesia</a> was originally published in <a href="https://medium.com/datasekitar">Data Sekitar</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Mudik 2020 vs 2019]]></title>
            <link>https://medium.com/datasekitar/mudik-2020-vs-2019-e1deacd45ec7?source=rss----f9109e38318d---4</link>
            <guid isPermaLink="false">https://medium.com/p/e1deacd45ec7</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[data-visualization]]></category>
            <category><![CDATA[indonesia]]></category>
            <category><![CDATA[mudik]]></category>
            <category><![CDATA[traffic]]></category>
            <dc:creator><![CDATA[Mona]]></dc:creator>
            <pubDate>Sat, 13 Jun 2020 06:13:43 GMT</pubDate>
            <atom:updated>2020-06-13T06:13:43.398Z</atom:updated>
            <content:encoded><![CDATA[<p>Buat teman-teman muslim, lebaran tahun ini rasanya sungguh berbeda karena adanya aturan PSBB. Buat yang merantau, berkumpul bersama keluarga di kampung halaman pun jadi hampir mustahil karena adanya <a href="https://news.detik.com/berita/d-4989468/larangan-mudik-2020-berlaku-untuk-daerah-psbb-ini-daftarnya">larangan mudik</a>. Tapi karena ternyata <a href="https://www.wartaekonomi.co.id/read282455/mudik-dilarang-pulang-kampung-boleh-pak-jokowi-covid-19-dan-corona-beda">“pulang kampung”</a> diperbolehkan, serta jutaan alasan lainnya, ada saja upaya yang dilakukan orang-orang untuk kemudian mudik. Dari membuat surat izin resmi, hingga <a href="https://www.suara.com/otomotif/2020/05/13/140301/viral-jual-beli-surat-keterangan-sehat-palsu-demi-bisa-mudik-di-gilimanuk">beli palsu di internet.</a> Sungguh kreatif rakyat +62 ini.</p><p>Saya pun tidak bisa mudik tentunya, tapi lain halnya dengan teman-teman yang mungkin tiap tahun mudik, saya biasa tidak mudik. Ini sudah tahun keempat saya tidak mudik dan berlebaran bersama keluarga. Karenanya, tahun lalu saya sempat iseng merekam lalu-lintas kala mudik demi kepuasan pribadi membuat skenario “what if” apabila saya mudik dari Jakarta ke Jogja. Tahun ini pun saya melakukan hal yang sama. Penasaran, saya ingin tahu apa ada bedanya lalu-lintas mudik tahun lalu dengan tahun ini dengan membuat beberapa visualisasi. Metodenya persis seperti yang saya lakukan untuk membuat animasi <a href="https://medium.com/datasekitar/lalu-lintas-jakarta-di-pekan-kemerdekaan-2f0d67c23240">lalu-lintas Jakarta </a>ini, hanya dibuat lebih luas saja lingkupnya. Saya kemudian mengumpulkan data mengenai nilai kemacetan (<em>jam factor). </em>Nilai 0 berarti tidak ada kemacetan sama sekali, 10 berarti macet total.</p><h3>1. Pergerakan lalu lintas dari waktu ke waktu</h3><p>Pertama yang saya lakukan adalah membuat perbandingan spasial, menampilkannya pada peta, atas untuk tahun 2020 dan bawah untuk tahun 2019. Hijau berarti lancar (nilai kemacetan 0–3.99), kuning berarti ramai (nilai kemacetan 4–7.99), merah berarti padat merayap (nilai kemacetan 8–10).</p><h3>Mona on Twitter</h3><p>Mudik 2019 vs 2020, dalam animasi. Hari H lebaran paling kelihatan bedanya. Walau tahun ini tidak berkumpul secara fisik bersama keluarga, semoga tali silaturrahmi tetap terjaga di dunia maya. Selamat lebaran semuanya! https://t.co/AsKbL0Ou34</p><p>Secara kasat mata, mungkin tidak terlalu kelihatan bedanya. Kalaupun kelihatan, sedikiiit sekali terlihat bahwa sebelum hari H 2020, tingkat kemacetannya lebih rendah daripada sebelum hari H tahun 2019. Kuning-merah terlihat lebih banyak di 2019. Yang mungkin paling mencolok adalah ketika<strong> hari-H Idul Fitri, di jam 6–8 yang biasanya ramai antrian ke dan dari tempat sholat Ied, kini sepi karena sebagian besar orang sholat Ied di rumah masing-masing</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*znbVxjY1u880YgxJPn7jEA.png" /><figcaption>Efek Sholat Ied #dirumahaja</figcaption></figure><p>Buat saya pribadi, penduduk Jalan Solo yang selalu ramai ketika lebaran, yang paling kelihatan lainnya adalah lalu lintas dalam dan antar kota di hari-H 2020 ternyata tidak semacet 2019. Mungkin karena orang-orang sebagian besar tidak melakukan “ujung” atau silaturrahmi fisik ke tetua, teman, dan saudara lainnya. Seandainya saya mudik tahun ini, tampaknya saya tidak perlu mengkhawatirkan terjebaknya saya di kemacetan Jalan Solo tahun ini.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*sSvWvzha2VgiUy9tdZopeg.png" /><figcaption>Jalur antar kota di hari-H 2020 tidak semacet 2019</figcaption></figure><p>Tapi apakah orang benar-benar tidak mudik? Mari kita visualisasikan rerata nilai kemacetan dalam <em>time-series.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*rKQkibY_zM8jc5h2teKAAA.png" /><figcaption>Rerata angka kemacetan untuk semua ruas jalan.</figcaption></figure><p>Pertama kita lihat di semua ruas jalan yang ada di peta visualisasi saya di atas. Garis biru relatif di bawah garis merah semenjak H-3 hingga hari-H, menunjukkan bahwa memang benar penduduk Jakarta-Jabar-Jateng-DIY ini sebagian besar #dirumahaja. Rerata penurunan tingkat kemacetannya sendiri adalah 32%. Puncak harian biasanya terjadi saat menjelang buka puasa, dimana orang-orang sibuk mencari takjil. Berbeda dengan tahun-tahun sebelumnya, tahun ini grafiknya langsung turun setelah maghrib karena orang tidak bepergian kembali untuk tarawih.</p><p>Namun apakah ini berarti orang-orang <strong><em>benar-benar </em></strong>tidak mudik? Mari kita lihat apa yang terjadi di jalan-jalan utama antara Jakarta-Jogja (jalan tol, antar propinsi).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*V3__vtDs0hKVNpmbc0jN0Q.png" /></figure><p>Ternyata selain saat hari-H, tingkat kemacetannya tidak begitu berbeda! Yang menarik adalah kalau puncak arus mudik di tahun-tahun sebelumnya mungkin terjadi sekitaran H-3 dan H-2, tahun ini mungkin terjadi<strong> di H-1 karena garis biru 2020 tampak mengungguli garis merah 2019</strong>. Jujur saya kurang tahu kenapa. Mungkin diakibatkan viralnya #indonesiaterserah sehingga orang bodo amat terus mudik, atau minimnya pengamanan di perbatasan, atau karena banyak lalu lintas mudik lokal, atau malah karena orang ramai mengirim <em>hampers</em> sehari sebelum lebaran?</p><h3>2. Clustering</h3><p>Untuk mencari tahu apakah benar H-1 lebih ramai karena orang-orang mengirim hampers, saya kelompokkan timeseries dari selisih nilai kemacetan 2020 dan 2019 di setiap ruas jalan ke sembilan kelompok menggunakan K-Means clustering. Semakin rendah nilainya, semakin lebih sepi jalan teresebut dibanding tahun 2019.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2JYb5XPyB5zRZKUNf2ftRA.png" /><figcaption>Clustering selisih nilai kemacetan di tiap jalan</figcaption></figure><p>Cluster 8 dan 9 ini cukup menarik buat saya. Cluster 9 ini tampaknya terdiri dari jalan-jalan yang justru lebih macet ketika mudik 2019 ini, sedangkan cluster 8, di mana H-1 dan hari H lebih ramai daripada 2020, akan membantu saya membuktikan bahwa terjadi lebih banyak lalu-lintas dalam kota karena banyak orang mudik lokal dan atau kirim-kirim hampers.</p><h4>Mari kita mulai dengan cluster 9</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*MYv_s6Wjo-IDTZkU9q9E7A.jpeg" /><figcaption>Cluster 9 — Lebih ramai daripada 2019</figcaption></figure><p>Ternyata cluster 9 ini tersebar di beberapa daerah, utamanya di pintu tol dan daerah perbatasan daerah. Saya curiga ini diakibatkan beberapa kabupaten/kota yang menerapkan pengecekan di perbatasan, dan karena jalur mudik relatif lebih banyak lalu-lintasnya daripada jalan dalam kota, hal tersebut berdampak pada sedikit naiknya kemacetan. Buat yang punya <em>insight</em> lain kenapa kenaikan ini terjadi, boleh menambahkan di kolom komentar di bawah.</p><h4>Selanjutnya mari kita kulik cluster 8</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*SEPBS9FzBs-Ja1OcxtFRnA.jpeg" /><figcaption>Cluster 8 — H-1 lebih ramai daripada 2019</figcaption></figure><p>Cluster 8 ini terdiri dari jalan-jalan yang justru lebih heboh di 2020 ini daripada 2019 pada hari H dan H-1. Tidak banyak sebenarnya, dan tidak seperti cluster 9 yang sebagian besar ada di jalan antar-propinsi, cluster 8 ini dipenuhi jalan dalam kota. Sehingga sepertinya mungkin kecurigaan saya benar bahwa bagi-bagi hampers, mudik dalam kota, dan silaturahmi dalam kota saja menjadi <em>trending topic</em> dan kelumrahan baru pada mudik kali ini.</p><h4>Cluster 1, 2, 3…</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*3KiEcCmZewm5bwDigfvFZw.jpeg" /><figcaption>Cluster 1, 2, 3 — jauh lebih sepi daripada 2019</figcaption></figure><p>Saya tidak akan bahas semua cluster karena saya tidak ingin tulisan ini jadi skripsi yang membosankan, jadi saya skip cluster-cluster yang tidak menarik. Cluster menarik selanjutnya adalah cluster 1, 2, dan 3 yang secara umum jauh lebih tidak ramai daripada mudik 2019. Idealnya kan semua jalan di kabupaten/kota, tapi ternyata tidak demikian. Sebagian besar tersebar di Bandung dan Jakarta.</p><p>Dari sini saya kepikiran. Karena tiap wilayah punya kebijakan masing-masing, pasti hasilnya juga masing-masing. Saya penasaran, kabupaten/kota manakan yang paling menerapkan PSBB dan sebaliknya.</p><h3>3. Perbandingan tiap Kabupaten/Kota</h3><p>Untuk mengetahui hal teresebut, mari kita lihat distribusinya di tiap kabupaten/kota yang jalan-jalannya termasuk dalam peta dan animasi saya di atas. Saya rata-rata nilai kemacetan dari seluruh jalan di kota/kabupaten tersebut, kemudian saya bandingkan distribusinya.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/572/1*1sV_Fm4PPytjaC2_Ku7ScQ.png" /><figcaption>Distribusi nilai kemacetan per kabupaten/kota</figcaption></figure><p>Pada tahun 2019 (garis merah), rerata nilai kemacetan adalah 1.2 dengan standar deviasi 0.11, sedangkan pada tahun 2020 (garis biru), rerata nilai kemacetannya 0.97 dengan standar deviasi 0.05.</p><p>Sekilas terlihat memang tahun 2020 lebih sepi karena rerata kemacetannya lebih rendah. Tapi apakah lebih sepi secara statistik? Oke, kalimat-kalimat saya selanjutnya akan sangat statistik tapi mohon jangan pusing duluan. Jadi, saya lakukan <a href="https://en.wikipedia.org/wiki/Welch%27s_t-test">Welch’s t-test</a> dengan <em>null hypothesis (H0) </em>bahwa rerata 2019 lebih rendah atau sama dengan rerata 2020 dengan <em>confidence interval </em>0.05. Hasilnya saya dapatkan <em>p-value</em> 2.58e-06 yang kurang dari 0.05 sehingga H0 <em>rejected. </em><strong>TLDR; terbukti benar bahwa lalu lintas mudik 2020 secara statistik tidak semacet mudik 2019</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*IP4xo_0QwBy-ZkBL17xJgA.png" /><figcaption>Penurunan kemacetan lalu lintas tiap kabupaten</figcaption></figure><p>Saya petakan penurunan kemacetan lalu lintas mudik 2019 ke 2020 dengan warna hijau ke merah, di mana hijau paling tua berarti terjadi penurunan (lebih lengang) 0.5 hingga 2 poin dan merah berarti terjadi kenaikan (lebih macet) 0.1 hingga 1 poin. Nilai penurunan ini selanjutnya akan saya sebut dengan “indeks #dirumahaja”.</p><p>Terlihat sebagian besar ada di sebaran hijau yang berarti lebih tidak macet. Jawa Tengah nampak lebih hijau secara umum daripada Jawa Barat, walaupun terlihat ada beberapa kota/kabupaten yang hijaunya paling pekat alias paling #dirumahaja. Kota/kabupaten manakah yang paling #dirumahaja tersebut?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/475/1*eoUSwWSnLCZ2_OhwpApJcA.png" /><figcaption>Top 5</figcaption></figure><p>Nah sekarang terlihat siapa-siapa saja juaranya. Lima kabupaten/kota dengan indeks #dirumahaja tertinggi adalah Bandung Barat yang nilai kemacetannya turun 68% (!!!), disusul dengan Kabupaten Bandung, Kota Depok, Kabupaten Purbalingga, Kota Bandung, dan Kota Magelang. Empat dari lima terletak di Jawa Barat, sehingga tidak salah jika Jawa Barat dianugerahi gugus tugas sebagai <a href="https://www.cnnindonesia.com/nasional/20200520183616-20-505453/gugus-tugas-anggap-jawa-barat-terbaik-hadapi-covid-19">provinsi terbaik dalam menangani COVID-19</a>.</p><p>Sekarang mari kita lihat kabupaten/kota mana saja yang ternyata jadi lebih ramai kala mudik 2020.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/473/1*rN2CKkrih4wIcqcl6l6wUA.png" /><figcaption>Bottom 5</figcaption></figure><p>Menarik, ternyata yang memiliki kenaikan tertinggi adalah Batang (45.33%) disusul oleh Kendal, Kota Pekalongan, Demak, Purwakarta, dan Semarang. Menariknya, semua terletak di jalur utara mudik dan beberapa ada di percabangan jalur mudik seperti Purwakarta, Semarang dan Kendal. Walaupun persenannya naik, tapi sebenarnya secara poin, nainya tidak begitu banyak karena dasarnya kabupaten-kabupaten tersebut sepi, tidak semacet Jakarta atau Bandung misalnya.</p><h3>Kesimpulannya….</h3><ul><li>Iya, benar bahwa mudik 2020 lebih sepi dari mudik 2019</li><li>Tapi pintu jalur tol dan jalur utama perbatasan jadi lebih ramai! Saya menyesal karena nggak ambil data se-Jawa penuh, mengingat Surabaya yang sekarang jadi <a href="https://kupang.tribunnews.com/2020/06/04/fadli-zon-bilang-surabaya-saat-ini-bukan-lagi-zona-merah-tapi-zona-hitam-covid-19-mencemaskan">zona hitam karena katanya gara-gara mudik</a>. Kalo ambil se-Jawa kan saya bisa sotoy buktiin gitu.</li><li>Lalu lintas dalam kota terpantau lebih ramai di H-1 dan hari H di tahun 2020</li><li>Bandung juara</li></ul><p>Kalau kamu sudah baca sampai sini, terima kasih atas waktunya! Jangan lupa cuci tangan, jaga jarak dan pakai masker. Satu-satunya yang bisa menjaga kesehatan kita adalah diri kita sendiri :)</p><p><strong>Bonus</strong>: Buat yang penasaran sama indeks #dirumahaja untuk tiap kota/kabupaten di wilayah yang tercakup pada peta di atas, bisa scroll di bawah ini. Siap-siap pegel ya soalnya panjang.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/476/1*e7lNCEBTjYb5oOUIGJvWNQ.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e1deacd45ec7" width="1" height="1" alt=""><hr><p><a href="https://medium.com/datasekitar/mudik-2020-vs-2019-e1deacd45ec7">Mudik 2020 vs 2019</a> was originally published in <a href="https://medium.com/datasekitar">Data Sekitar</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Sleman Macet?]]></title>
            <link>https://medium.com/datasekitar/sleman-5c743aaf7461?source=rss----f9109e38318d---4</link>
            <guid isPermaLink="false">https://medium.com/p/5c743aaf7461</guid>
            <category><![CDATA[jogja]]></category>
            <dc:creator><![CDATA[Mona]]></dc:creator>
            <pubDate>Tue, 13 Nov 2018 19:48:57 GMT</pubDate>
            <atom:updated>2017-05-18T14:36:54.446Z</atom:updated>
            <content:encoded><![CDATA[<p>Sebagai mantan penduduk Sleman (karena KTP saya sudah pindah Malang), saya akhir-akhir ini takjub kalo pulang ke rumah orang tua saya di Sleman: macetnya kadang jadi nggak kira-kira! Buat yang tidak tahu, Sleman adalah salah satu kabupaten ter-ramai di Propinsi DIY. Kalo temen-temen pernah ke Jogja, terus ke Prambanan atau Amplaz atau UGM atau bandara, nah itu masuk wilayah Sleman.</p><p>Sleman menurut saya adalah salah satu kabupaten yang ter-<em>gentrified</em> (duh istilah Bahasa Indonesianya apa ya), yang perkembangannya paling pesat dan paling mengundang kelas menengah ke atas untuk tinggal. Hal ini dibuktikan dengan banyaknya apartemen yang sekarang memenuhi Sleman. — <em>Tapi, sebagai korban gempa 2006, saya sama sekali nggak pernah kepikiran untuk tinggal di apartemen manapun di Jogja. Saya nggak kebayang kalo suatu hari gempa, saya ada di lantai 20 dan nggak sempat turun sampe bangunannya ambruk :(</em></p><p>Nah, karena saya penasaran seberapa <em>gentrified</em>-kah desa-desa di Sleman, saya iseng cari tahu seberapa “macet” desa-desa di Sleman, sebagai salah satu proxy gentrifikasi (aslinya banyak faktornya, cuman saya lagi mager aja). Untuk mendapatkan datanya, saya menggunakan <a href="https://developers.google.com/maps/documentation/distance-matrix/">Google Distance Matrix API</a> di mana kita bisa mendapatkan estimasi durasi dari tempat asal ke tujuan. Waktu estimasi didapat dari <em>history</em>-nya perjalanan tersebut di waktu lampau. Di eksperimen ini, saya mengambil <em>timeframe </em>Senin pagi 26 Desember 2016 (06:00–08:30) dan Jumat sore 23 Desember 2016 (16:00–20:00) yang saya perkirakan jadi waktu-waktu paling macet di Sleman. Untuk Senin pagi, saya gunakan <em>nol km </em>sebagai destinasi dan <em>centroid </em>dari tiap desa di Sleman untuk tempat asal. Untuk Jumat sore, sebaliknya. Dipilih nol km biar adil aja gitu, habisnya pusat aktivitas pagi Jogja cenderung agak mencar (Gramed, Senopati, Jendral Sudirman, Timoho, etc). Kenapa dipilih tanggal deket Natal? Karena saya waktu itu eksperimennya tengah Desember pas lagi ngaggur :’) tapi asumsi saya, untuk melakukan estimasi, Google hanya merata-rata, sehingga tanggal merah tidak begitu berpengaruh banyak.</p><h3>Hasil</h3><p>Kecepatan yang didapat (<em>duration/distance) </em>lalu direrata berdasar waktu dan desa, kemudian diurutkan berdasar jarak ke nol km (terdekat → paling atas). Hasilnya, Nogotirto dan Sinduadi (UGM) paling macet cuy dengan rata-rata kecepatan hanya 17 km/jam. Daerah kos-kosan mahasiswa dan perumahan seperti Condongcatur, Caturtunggal, Trihanggo, Sariharjo, Ambarketawang, Minomartani juga menunjukkan dominasi warna merah. Selain itu kalo mau berangkat kerja, hindari berangkat jam 7 pagi karena itu adalah jam termacet. Perbedaan warna mencolok juga terlihat antara jam 17:30 dan 18:00 yang artinya, mending pulang sebelum jam 18:00 soalnya kalo udah jam 18:00 bakal lebih kerasa macetnya. Menariknya, ternyata jarak jauh nggak menjamin kecepatan yang lebih tinggi. Pakembinangun dan Wukirsari contohnya, nampak lebih merah dari beberapa desa di atasnya di Gambar 1.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/924/1*6LnvY5J32vFj4Dyz3DMLvg.png" /><figcaption>Gambar 1. Rata-rata kecepatan untuk tiap desa</figcaption></figure><p>Untuk meng-<em>capture </em>jarak dengan lebih jelas, mari kita visualisasikan ke peta dengan warna-warna yang membedakan tiap <em>quantile</em> (kelompok). Gambar 2 menunjukkan distribusi kecepatan ke km nol di Senin pagi. Bisa dilihat disini, sepanjang jalan Kaliurang didominasi warna merah, menunjukkan bahwa daerah jakal emang lebih macet dari daerah sekitarnya di jam-jam berangkat kerja / sekolah. Pola yang sama juga bisa dijumpai di Jalan Godean (hingga sampai Godean), Jalan Magelang (sampai Tridadi), Mlati dan arah Jalan Solo hinga Purwomartani.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fnm2773.carto.com%2Fviz%2F78dd1bc2-3a9e-11e7-9763-0e3ff518bd15%2Fembed_map&amp;url=https%3A%2F%2Fnm2773.carto.com%2Fbuilder%2F78dd1bc2-3a9e-11e7-9763-0e3ff518bd15%2Fembed&amp;image=https%3A%2F%2Fcartocdn-ashbu.global.ssl.fastly.net%2Fnm2773%2Fapi%2Fv1%2Fmap%2Fstatic%2Fnamed%2Ftpl_78dd1bc2_3a9e_11e7_9763_0e3ff518bd15%2F1200%2F630.png&amp;key=d04bfffea46d4aeda930ec88cc64b87c&amp;type=text%2Fhtml&amp;schema=carto" width="800" height="600" frameborder="0" scrolling="no"><a href="https://medium.com/media/90f6f999239987c4dfdf53aff65ea36a/href">https://medium.com/media/90f6f999239987c4dfdf53aff65ea36a/href</a></iframe><p>Ketika jam pulang, secara keseluruhan kecepatan rerata jadi naik, dari sekitar 23 km/jam di pagi hari ke 30 km/jam, namun setelah dikelompokkan berdasar <em>quantile, </em>polanya berbeda: ada banyak desa yang berubah “kelompok”. Dari Gambar 3, terlihat Jalan Godean kalau jam pulang ternyata tidak semacet jam berangkat. Jalan Kaliurang tetap macet, kemungkinan karena orang-orang ingin berakhir pekan di Kaliurang. Menariknya, ada perbedaan warna mencolok antara Merapi timur vs Merapi barat (Merapi timur lebih ngetop?). Daerah timur secara keseluruhan juga lebih macet dari daerah barat, mungkin karena jumlah penduduk yang <em>nglaju </em>dari Klaten / Solo / Gunung Kidul ke Jogja lebih banyak daripada dari arah barat (untuk Jalan Wates musti ditambah data Bantul biar bisa ditarik kesimpulannya). Kalitirto, dimana bandara Adisutjipto berada, berubah dari merah muda di pagi hari ke merah tua di peta sore. Tampaknya di Jumat sore, bandara lebih sibuk daripada Senin pagi.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fnm2773.carto.com%2Fviz%2F2075045e-3a9e-11e7-b5ad-0ef24382571b%2Fembed_map&amp;url=https%3A%2F%2Fnm2773.carto.com%2Fbuilder%2F2075045e-3a9e-11e7-b5ad-0ef24382571b%2Fembed&amp;image=https%3A%2F%2Fcartocdn-ashbu.global.ssl.fastly.net%2Fnm2773%2Fapi%2Fv1%2Fmap%2Fstatic%2Fnamed%2Ftpl_2075045e_3a9e_11e7_b5ad_0ef24382571b%2F1200%2F630.png&amp;key=d04bfffea46d4aeda930ec88cc64b87c&amp;type=text%2Fhtml&amp;schema=carto" width="800" height="600" frameborder="0" scrolling="no"><a href="https://medium.com/media/35c3628667878c4c4a27f46a9d03753c/href">https://medium.com/media/35c3628667878c4c4a27f46a9d03753c/href</a></iframe><h3>Kesimpulan</h3><ul><li>Rerata kecepatan pagi 23 km/jam, sore 30 km/jam, ke dan dari nol km.</li><li>Pusat keramaian di Sleman adalah seputaran ring road dan Jakal, seperti Caturtunggal, Sinduadi (UGM), Trihanggo, Condongatur. Mungkin daerah sini juga adalah yang paling <em>gentrified.</em></li><li>Berangkatlah sebelum jam 7, pulanglah sebelum jam 6 sore.</li></ul><p>Begitulah hasil iseng saya kali ini. Hasilnya <em>obvious </em>sebenernya, tapi paling tidak sekarang ada bukti untuk justifikasi kalo tempat X adalah daerah macet hehehee. Untuk gentrifikasi sendiri, karena banyak faktor, saya belum bisa menyimpulkan lebih dalam. Jalan macet ini misalnya, pun bisa karena lebar jalan yang lebih sempit, atau emang jumlah penduduknya jauh bertambah. Oleh karena itu, dibutuhkan riset yang lebih mendalam — dan data yang lebih banyak tentunya. Semoga tulisan ini nggak menyia-nyiakan sekian menit dalam hidup teman-teman :p. Sampai jumpa!</p><p><em>Best, Mona.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5c743aaf7461" width="1" height="1" alt=""><hr><p><a href="https://medium.com/datasekitar/sleman-5c743aaf7461">Sleman Macet?</a> was originally published in <a href="https://medium.com/datasekitar">Data Sekitar</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>