Membuat Heatmap Kemacetan Bandung dengan Jupyter Notebook

Pada pembahasan kali ini, akan dijelaskan kepentingan kita mengenai Heatmap, salah satunya pada kasus kemacetan bandung.

Data diambil dari lokasi lokasi yang diberikan oleh detik.com di sini pada tahun 2024.
Lalu aka didapatkan lokasi yang disusun sebagai berikut:

data = [
    ["1", "Sepanjang Jalan AH Nasution", -6.9147, 107.6860],
    ["2", "Sepanjang Jalan Soekarno Hatta", -6.9500, 107.6500],
    ["3", "Jalan Ciwastra", -6.9740, 107.6550],
    ["4", "Jalan Gatot Subroto", -6.9230, 107.6340],
    ["5", "Jalan Jakarta", -6.9225, 107.6530],
    ["6", "Jalan Ibrahim Adjie", -6.9340, 107.6530],
    ["7", "Jalan PHH Mustofa", -6.8980, 107.6420],
    ["8", "Jalan Setiabudi", -6.8583, 107.5958],
    ["9", "Jalan Sukajadi", -6.8850, 107.5950],
    ["10", "Jalan Pasir Kaliki", -6.9000, 107.6000],
]

lalu kita coba buat filenya dengan nama kemacetan_bandung.xlsx.
kemudian pada cell baru, kita bangun menggunakan folum dan pandas, kode yang disusun sebagai berikut.

import folium
from folium.plugins import HeatMap
import pandas as pd

# Membaca data dari file Excel
df = pd.read_excel("Heatmap Kemacetan Bandung/kemacetan_bandung.xlsx")

# Membuat peta dasar menggunakan folium
m = folium.Map(location=[-6.9147, 107.6860], zoom_start=12)

# Menambahkan heatmap
heat_data = [[row['Latitude'], row['Longitude']] for index, row in df.iterrows()]
HeatMap(heat_data).add_to(m)

# Tampilkan peta langsung di notebook
m

maka data yang dihasilkan seperti ini:

gambar.1 heatmap yang paling disarankan, dengan tingkatan medium.
yang menariknya ada generalisasi yang dihasilkan dari heatmap ini:

gambar.2 generalisasi dengan zoom paling detail.

gambar.3 generalisasi dengan zoom paling kasar.

zoom detil ini menjelaskan bahwa kemungkinan skalanya bisa 5.000 sampai 25.000, karena melihat sifat titik yang tidak mengalami penggabungan akibat buffer yang dibangun.

zoom medium, dengan skala 25.000 sampai 75.000 menjelaskan adanya pengaruh penggabungan buffer sehingga membentuk kluster yang dapat menjelaskan, daerah mana saja yang perlu dikelola agar adanya pengurangan kendaraan, ataupun tambahan moda transportasi umum (seperti mrt ataupun krl), dengan memperhatikan sektor pariwasata/hiburan, sektor perkantoran, dan sektor pendudukan.

zoom kasar, dengan skala 75.000 sampai 200.000 lebih memperlihatkan adanya kluster yang lebih besar, yang memperlihatkan indikasi daerah dengan tingkat kemacetan paling parah, yang bisa kita ambil perwakilan bedasarkan kelurahan dan kecamatan. perlu tindakan yang lebih disana mengenai penambahan alokasi moda transportasi, seperti pembahasan tematik zoom medium, dengan meletakkan stasiun pusat di bagian tengah.

walaupun begitu, heatmap ini perlu dikaji kembali karena banyak faktor yang mempengaruhi seperti keakuratan, ilmu transportasi yang lebih mendalam, serta faktor kemampuan membangun moda transportasi yang lebih baik.