GEOSPATIAL BIG DATA UNTUK PEMETAAN LISTRIK PADAM DI DKI JAKARTA

MUAMAR NANDIKA BAHARAIN, Dr. Nur Mohammad Farda, S.Si., M.Cs.

2018 | Skripsi | S1 KARTOGRAFI DAN PENGINDERAAN JAUH

Perkembangan teknologi informasi mendorong peningkatan jumlah data tergeoreferensi yang sangat besar, serta perangkat komputasi dan media penyimpanan data yang murah telah mendukung perkembangan big data geospasial dengan sangat cepat. Big data geospasial dapat digunakan untuk memetakan kejadian listrik padam dari ekstraksi tweet melalui API Public Twitter secara online. Penelitian ini bertujuan (1) mengkaji proses crawling data listrik padam di DKI Jakarta bulan Maret dan April 2018, (2) mengukur pelayanan prima dari rasio jumlah listrik padam yang berasal dari netizen dengan data balasan PLN (Perusahaan Listrik Negara) pada akun @pln_123, dan (3) memetakan dan menganalisis sebaran spasial listrik padam di DKI Jakarta bulan Maret dan April 2018. Penelitian ini menggunakan big data geospasial Twitter dengan lokasi kajian seluruh kecamatan di DKI Jakarta. Tahapan penelitian ini terdiri atas tahap penarikan (crawling) data tweet, tahap pembersihan data tweet (data cleaning), tahap penyimpanan data tweet (data storing), tahap pemilihan data tweet (data selecting), tahap visualisasi dan analisis data. Proses penarikan (crawling) dan proses pembersihan (cleaning) data tweet dilakukan menggunakan RStudio, proses penyimpanan (storing) di phpMyAdmin, proses pemilihan dilakukan dengan sistem yang telah disusun berbasis C#, dan proses visualisasi data tweet direpresentasikan dalam bentuk peta kualitatif kejadian listrik padam dan peta diagram batang jumlah hari listrik padam, waktu listrik padam, dan jumlah laporan listrik padam. Hasil dari penelitian ini ditemukan bahwa RStudio dapat digunakan untuk proses penarikan (crawling) data tweet. Selain itu, ditemukan bahwa adanya penurunan persentase faktor penilaian pelayanan prima dari PLN terhadap penyediaan informasi penyebab kejadian listrik kepada netizen. Kejadian listrik padam secara spasial membentuk pola yang menyebar dengan kejadian listrik padam tersedikit selalu terjadi pada minggu kelima, dan kejadian listrik padam terbanyak pada bulan Maret 2018 pada minggu keempat dan bulan April 2018 pada minggu kedua. Waktu kejadian listrik padam terbanyak pada pukul 15.00 dan tersedikit pada pukul 23.00 pada bulan Maret dan April 2018.

The development of information technology drives an enormous increase in the amount of georeferenced data, as well as inexpensive computing devices and data storage media has supported the development of geospatial big data very quickly. Geospatial big data can be used to map out power outages from tweet extraction via the online API Public Twitter. This study aims to (1) examine the process of crawling data list in DKI Jakarta in March and April 2018, (2) to measure the excellent service from the ratio of the number of power outages originating from netizens with the data of PLN (Perusahaan Listrik Negara) on account @ pln_123, and (3) mapped and analyzed the spatial distribution of power outages in DKI Jakarta in March and April 2018. This study used big geospatial data Twitter with the location of the study of all districts in Jakarta. The stages of this research consist of tweet tweet stage, tweet data cleaning, data storage tweets, data selecting, visualization and data analysis. The process of withdrawal (crawling) and cleaning process (cleaning) data tweet done used RStudio, the saving process (storing) in phpMyAdmin, the selection process was done by a system that has been compiled based on C#, and the process of tweet data visualization is represented in the form of qualitative map of power outages and diagram of the stem map of the number of days of power outages, the power outages, and the number of electricity outages. The results of this study found that RStudio can be used to process (crawling) data tweet. In addition, it was found that there was a decrease in the percentage of excellent service assessment factors from PLN to provide information on the cause of electrical incident to netizens. Power outages occur spatially forming a spread pattern with the least power outages in the fifth week, and most power outages occur in March 2018 in the fourth week and April 2018 in the second week. The most frequent power outages occur at 3 pm and at least 11:00 am in March and April 2018.

Kata Kunci : Big data geospasial, Twitter, RStudio, Listrik Padam