Analisis Spasial Hotel Kawasan Danau Toba Secara Daring
Meet Our Team
Cahyani C U 15416072
Christian Adi 15416028 Ihsan Yudanto 15416004
Dias M A 15416062
Yahya Haytsam 15416098
Contents Flowchart & Software
Latar Belakang & Dasar Teori
Penilaian & Pembobotan
WebScraping
Visualisasi & Analisis Data
Hosting
Kesimpulan & Penutup
latar belakang. Sistem Informasi Geografis (SIG) merupakan komponen penting dalam perencanaan tata ruang. Akan tetapi, penggunaan SIG dalam perencanaan tata ruang di Indonesia cenderung hanya dipandang sebagai pembuat peta; yang diperburuk dengan sulitnya melakukan pengumpulan data. Peralihan RUANG DIGITAL RUANG FISIK
Perkembangan teknologi digital pada akhirnya menjadi alternatif dalam memahami fenomena yang terjadi dalam ruang. Data tak lagi dikumpulkan dengan melakukan observasi dalam ruang fisik, akan tetapi diserap secara masif dari ruang digital; tempat data tersebar secara acak.
latar belakang. Data-data digital yang cenderung lebih acak dan tersebar pun dikumpulkan dengan scraping dan diterjemahkan dengan suatu sistem informasi untuk mengaitkannya dengan aspek ruang dan waktu. Sistem ini dikembangkan menjadi suatu sistem informasi perencanaan yang menerjemahkan data-data dari ruang digital dan memvisualkannya untuk memahami fenomena/permasalahan spasiotemporal dan menemukan solusinya.
RUANG DIGITAL
Scraping & Visualizing by System
DIGITAL REPRESENTATION OF PHYSICAL PLACE
latar belakang. Wilayah analisis yang dipilih adalah Danau Toba, yang merupakan salah satu destinasi pariwisata prioritas negara saat ini. Danau Toba ini akan dikembangkan dengan membangun desa-desa pada Kawasan Strategis Pariwisata Nasional (KSPN) Danau Toba. Salah satu dari desa tersebut adalah desa Sigapiton. Rencananya, desa Sigapiton akan menjadi daerah intervensi pembangunan pemerintah yang kemudian akan mempengaruhi Kawasan Danau Toba sekitarnya. Bagian Timur Danau Toba
dasar teori.
terkait analisis spasial O'Sullivan dan Unwin (2003) menyatakan bahwa terdapat 4 area dalam literatur terkait analisis spasial yang secara ringkas, yaitu: Analisis Data Spasial: Proses mereferensi data aspasial ke dalam ruang. Analisis Statistik Spasial: Proses menguji data spasial. (co: Hotspot Analysis)
“Are the data typical or unexpected relative to statistical model?� Pemodelan Spasial: Proses rekonstruksi fenomena spasial untuk dipelajari dan diprediksi. Manipulasi Data Spasial: Sistem untuk menangkap, mengumpulkan, dan mengolah data spasial dari beragam sumber, termasuk sensus, survey, atau scraping. dalam buku Geographic Information Analysis, 2003
dasar teori.
terkait pengembangan pariwisata
Strategi pengembangan pariwisata yang prinsipil untuk dilaksanakan adalah terkait Atraksi, Aksesibilitas, dan Amenitas dari suatu destinasi pariwisata ataupun kawasan di sekitarnya.
Atraksi: Daya tarik dari destinasi pariwisata (Bentang alam, kegiatan, suasana, dll). Aksesibilitas: Kemudahan destinasi pariwisata untuk dijangkau. Amenitas: Kenyamanan dari destinasi atau kawasan pariwisata. Ellen R. Sutrisno dalam Analisis Strategi Pengembangan Pariwisata Kawasan Selat Lembeh di Kota Bitung, 2018
dasar teori.
terkait pengembangan pariwisata Standar Indikator Pengukuran
Standar indikator pengukuran ditambah dengan jumlah fasilitas pendukung seperti fasilitas kesehatan, minimarket, ATM, dan restoran dalam radius yang sama.
dasar teori. terkait web scraping
Web scraping adalah teknik untuk mendapatkan informasi dari website secara otomatis tanpa harus menyalin secara manual. Tujuan dari web scraping adalah untuk mencari informasi tertentu dan kemudian mengumpulkannya dalam format yang baru. Web scraping berfokus dalam mendapatkan data dengan cara pengambilan dan ekstraksi.
Manfaat dari web scraping adalah agar informasi yang didapat lebih terfokus sehingga memudahkan dalam melakukan suatu pencarian. Aplikasi web scraping hanya berfokus pada cara memperoleh data melalui pengambilan dan ekstraksi data dengan ukuran data yang bervariasi. Terdapat 4 langkah dalam web scrapping, dimulai dari Create Scraping Template, Explore Site Navigation, Automate Navigation and Extraction, serta Extracted Data and Package History.
dasar teori.
terkait skoring dan pembobotan
Metode skoring merupakan suatu metode pemberian skor atau nilai terhadap masing - masing value parameter untuk menentukan tingkat kemampuannya. penilaian ini berdasarkan kriteria yang telah ditentukan. Sedangkan metode pembobotan atau disebut juga weighting adalah suatu metode yang digunakan apabila setiap karakter memiliki peranan berbeda atau jika memiliki beberapa parameter untuk menentukan kemampuan lahan atau sejenisnya
Metode skoring dan pembobotan yang digunakan adalah Pairwise Comparison Matrix dengan analisis AHP sederhana. Pembobotan dilakukan dengan membandingkan antara kriteria satu dengan yang lain. Tabel skala ukuran AHP menggunakan ukuran 1-9.
dasar teori.
terkait visualisasi data
Visualisasi data merupakan bentuk mengkomunikasikan informasi secara jelas dan efisien kepada pengguna melalui grafik informasi yang dipilih, seperti tabel, peta dan grafik 1. Visualisasi yang efektif membantu pengguna dalam menganalisis dan penalaran tentang data dan bukti. Dengan adanya visualisasi data, pembuatan data yang kompleks dapat lebih mudah diakses, dipahami, dan dapat dianalisis. Dalam konteks perencanaan sebagai tipe operasi geografis, hasil akhir dapat ditampilkan dalam bentuk peta atau grafik sehingga efektif untuk disimpan dan diberikan informasi geografis. 1
Friedman (2008)
Plugin.
Anaconda 3. Spyder. Jupyter Notebook. QGIS. Python. Pandas. GeoPandas. Numpy. Kepler.gl
Hosting.
Main Console.
software – services.
Github. Google Cloud.
flowchart.
2) 4) 3)
1)
Install Anaconda 3
Download Console & Plugin
Download Plugin & Services
5)
Scoring Data
6)
Visualisasi dan Analisis Data
Hosting Data
web-scraping. Web scraping dilakukan dengan menggunakan software Spyder. Web scraping dilakukan untuk mencari hotel, fasilitas kesehatan, atm, restoran, dan minimarket dalam radius 10 km dari koordinat titik-titik terluar dari Danau Toba. Web scraping digunakan untuk mendapatkan keterangan nama tempat, alamat, koordinat, rating, dan harga.
Output yang dihasilkan setelah web scraping selesai adalah file berjenis comma separated value (CSV) yang berisi tabel seluruh keterangan dari hotel, fasilitas kesehatan, atm, restoran, dan minimarket yang dicantumkan dalam script coding.
web-scraping.
scoring & pembobotan. Berdasarkan hasil web-scraping masih diperlukan analisis pengukuran lokasi • Jarak penginapan/hotel dengan lokasi wisata, • Keterjangkauan dengan fasilitas kesehatan, minimarket, restoran, ATM
Menggunakan analisis buffer dengan QGIS Hasil analisis akan digunakan untuk melakukan scoring Sumber: Hasil Analisis, 2020.
scoring & pembobotan. • Analisis scoring & pembobotan dilakukan untuk menentukan klasifikasi penginapan/hotel • Menggunakan Pairwise Comparison: 1. Membandingkan tingkat kepentingan antar kriteria, menghasilkan bobot 2. Menghitung nilai kriteria (Indikator x Bobot) 3. Menentukan klasifikasi nilai kriteria Ket Nilai 1 sama penting 3 lebih penting (level moderate) 5 tingkat kepentingan melebihi yang satunya
7 sangat penting dibanding lainnya 9 perbedaan kepentingan sangat ekstrim
Sumber: Hasil Analisis, 2020.
scoring & pembobotan. • Bobot
2. Nilai Indikator
Wisata
Harga
Rating
Faskes
Market
ATM
Restoran Rata-rata
Bobot
Wisata
0.65
0.71
0.45
0.41
0.41
0.41
0.41
0.50
50%
Harga
0.22
0.24
0.45
0.41
0.41
0.41
0.41
0.37
37%
Rating
0.13
0.05
0.09
0.18
0.18
0.18
0.18
0.14
14%
Faskes
0.09
0.03
0.03
0.06
0.02
0.18
0.02
0.06
6%
Market
0.09
0.03
0.03
0.18
0.06
0.18
0.06
0.09
9%
ATM
0.09
0.03
0.03
0.02
0.02
0.06
0.02
0.04
4%
Restoran
0.09
0.03
0.03
0.18
0.06
0.18
0.06
0.09
9%
Total
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
Input
1 2
Nama Tempat Hotel Ompu Herti Hotel Pandu Lakeside Parapat
6
1 0
4 4
1 0
Jarak ke lokasi wisata
Harga
Rating
Faskes
Market
ATM
Restoran
1
Hotel Ompu Herti
0.4
0.4
0.8
0.6
0.8
1
0.2
2
Hotel Pandu Lakeside Parapat
0.6
0.2
0.8
0.2
0.8
1
0.6
3 4
Carolina Hotel Tiara Bunga Hotel
0.4 0.4
0.2 0.4
1 1
0.2 0.6
0.2 0.6
0.2 0.2
1 0.2
Total
Keterangan
62%
Baik
66%
Baik
54%
Baik
60%
Baik
No
Nama Tempat
Jarak ke lokasi wisata
1
Hotel Ompu Herti
0.2
0.1
0.1
2
Hotel Pandu Lakeside Parapat
0.3
0.1
0.1
3
Carolina Hotel
0.2
0.1
0.1
4
Tiara Bunga Hotel
0.2
0.1
0.1
Convert
Jarak ke Harg Ratin Fask Mar Restor ATM wisata a g es ket an 8
Nama Tempat
3. Nilai Indikator X Bobot
1. Input & Konversi No
No
2 3
4 7
0 1
Jarak Harg Ratin Fask Mar Restor ke ATM a g es ket an wisata 2 3
2 1
4 4
3 1
4 4
5 5
1 3
3
Carolina Hotel
8
0
4.3
0
0
0
4
2
1
5
1
1
1
5
4
Tiara Bunga Hotel
8
1
4.2
1
1
0
0
2
2
5
3
3
1
1
Harga Rating Faskes
Market
ATM
Restoran
0.04
0.07
0.04
0.02
0.01
0.07
0.04
0.05
0.01
0.02
0.01
0.09
0.04
0.05
0.01
0.02
visualisasi – analisis. Pada tahap ini, proses dilakukan dengan jupyter notebook untuk membuat serta menyimpan hasil dari visualisasi yang dilakukan oleh kepler.gl. Tabel data hasil pembobotan yang memiliki koordinat kemudian ditambahkan ke layanan kepler.gl menggunakan pandas serta geopandas. Perubahan dilakukan untuk menganalisis data hingga menjadi peta yang diinginkan untuk disimpan dalam bentuk halaman hypertext markup language (html).
visualisasi – analisis. Console Plugin Hosting
: Anaconda 3 > Jupyter Notebook. : Pandas, GeoPandas, Kepler.Gl : Kepler.Gl > html.
visualisasi – analisis.
hosting. Tahap ini merupakan cara untuk membuat halaman html yang telah disimpan sebelumnya agar dapat dikelola melalui internet berupa web online sehingga mudah untuk diakses seluruh orang. Dilakukan dengan penyimpanan halaman html kedalam repository menggunakan Github sebagai sarana hosting data.
hosting. Membuat akun GitHub > Membuat repository/project di hard drive > Unggah halaman html > Commit >
Publish repository ke halaman GitHub.com > Aktifkan website melalui pranala yang telah diberikan.
https://cahyanictr.github.io/ Tugas-Besar-SIP/ https://diasmakbar.github.io
/skoringhoteltoba/
temuan. • Pengolahan data spasial pada software aspasial sedikit tricky. Namun, apabila formatnya sudah bagus maka prosesnya akan lebih mudah. • Pembobotan dan scoring data masih dilakukan secara manual (Ms. Excel), apabila bisa menggunakan pengkodingan dan database online, hasil scoring dapat dihasilkan secara otomatis dengan data real time. • Masih kesulitan membuat proses web-scraping bertingkat.
kesimpulan. • Hasil scoring: terdapat 71 hotel berada pada pengklasifikasian baik, 13 sangat baik, 10 cukup, dan 2 kurang. • Mayoritas klasifikasi hotel dengan kategori baik, sangat dipengaruhi jarak lokasi hotel ke tempat wisata, harga, dan rating. • Analisis persebaran hotel dapat dilihat dengan adanya ‘klaster’ kumpulan hotel baik secara kepadatan maupun hasil skor. Hal ini menunjukkan persebaran hotel dan persebaran fasilitas pendukung (atm, restoran, fasilitas kesehatan, serta minimarket) berdasarkan skor.
kesimpulan. • Keterbatasan pengetahuan menjadikan project ini masih sederhana, potensi software beserta plugin terbuka lebar apabila dapat di-explore dengan baik. • Sistem perencanaan dapat dibuat daring (melalui hosting dan console yang ada) sehingga terjangkau oleh siapa pun yang memiliki komputer dan akses internet yang cukup.