Analisis Data Spasiotemporal Untuk Mengetahui Karakteristik Mobilitas Manusia Individu
Kelik Triyono, Widyawan, S.T., M.Sc., Ph.D.; Ir. Adhistya Erna Permanasari, S.T., M.T., Ph.D.
2024 | Tesis | S2 Teknologi Informasi
Menurut
data (BPS), 67,88% penduduk Indonesia yang berusia 5 tahun ke atas sudah
memiliki smartphone. GPS pada smartphone merekam informasi
mobilitas pengguna berupa lokasi dan waktu. Analisis data spasiotemporal
telah banyak dilakukan, sebagai contoh klasifikasi pola mobilitas pengguna smartphone.
Identifikasi lokasi kunci yang disebut sebagai home dan work
dalam analisis data mobilitas memegang peranan penting. Pada masa pandemi COVID-19,
Pemerintah mengeluarkan kebijakan tentang pembatasan mobilitas masyarakat yang berdampak
pada pola mobilitas masyarakat untuk beraktivitas khususnya bekerja. Terdapat perubahan
mekanisme bekerja yang dikenal dengan istilah work from home dan juga work
from office sehingga sulit untuk membedakan pola mobilitas antara orang
yang berada di rumah karena tidak bekerja dan juga orang yang bekerja dari
rumah.
Penelitian ini bertujuan
untuk mengetahui pola mobilitas individu berdasarkan rangkaian lokasi dan waktu
yang terbentuk. Setiap individu mempunyai karakteristik mobilitas yang
berbeda-beda seperti lokasi, jarak antar lokasi dan durasi pada suatu lokasi. Clustering
dengan menggunakan DBCAN dilakukan untuk mengidentifikasi lokasi individu. Untuk
memprediksi pola mobilitas individu dilakukan dengan menggunakan tiga algoritma
yang berbeda. Decission Tree mempunyai kinerja paling baik pada hampir semua
matriks dengan nilai rata-rata 0,9. Terdapat 99 uid teridentifikasi mempunyai
lokasi work sebagai dasar untuk membedakan tipe individu antara komuter
teratur dan penduduk. Pada tipe individu komuter teratur dibedakan menjadi
komuter teratur WFO dan komuter teratur WFH yang diidentifikasi berdasarkan
hari, sedangkan pada tipe penduduk dibedakan menjadi penduduk, komuter tidak
teratur dan lainnya. Hasil analisis menunjukkan bahwa setiap individu dapat
memiliki lebih dari satu pola mobilitas harian yang berbeda berdasarkan tipe
individu.
This research aims to determine individual
mobility patterns based on a series of locations and times that are formed.
Each individual has different mobility characteristics such as location,
distance between locations and duration at a location. Clustering using DBCAN
was carried out to identify individual locations. To predict individual
mobility patterns, three different algorithms are used. Decission Tree has the
best performance on almost all matrices with an average value of 0.9 so it is
used to predict mobility patterns that do not yet have a label. There are 99
UIDs identified as having a work location as a basis for distinguishing
individual types between regular commuters and residents. The individual type
of regular commuter is divided into regular WFO commuters and regular WFH
commuters which are identified based on days, while the population type is
divided into residents, irregular commuters and others. The analysis results
show that each individual can have more than one daily mobility pattern which
differs based on individual type.
Kata Kunci : identifikasi lokasi, karakteristik mobilitas, rentang waktu mobilitas, prediksi mobilitas, klasifikasi individu