Clustering data lintasan berdasarkan karakteristiknya

Abstract

Lintasan adalah jalur yang dibuat oleh benda/entitas bergerak. Perkembangan teknologi pelacakan posisi yang pesat menyebabkan kuantitas (jumlah) dan kualitas (ketepatan) data lintasan yang terdiri dari durasi dan posisi entitas dapat dikumpulkan menjadi meningkat pesat. Hal ini membuka peluang untuk melakukan berbagai analisis pada data lintasan. Salah satu analisis yang dapat dilakukan pada data lintasan adalah pengelompokan data lintasan. Pengelompokan data lintasan berguna untuk mengetahui kelompok-kelompok entitas yang bergerak bersama-sama. Kelompok entitas adalah dua atau lebih individu yang bergerak dalam sebuah bidang gerak yang sama dan menunjukan kemiripan karakteristik lintasan dalam konteks spasial. Dua buah lintasan yang berada dalam sebuah kelompok akan menunjukan karakteristik yang serupa. Hal ini disebabkan dua buah individu berkelompok pada umumnya memiliki tujuan bergerak yang serupa sehingga akan melakukan gerakan yang serupa pula. Pengelompokan entitas dapat dibagi menjadi 2 berdasarkan data lintasannya. Pertama, suatu entitas dapat menjadi anggota kelompok-kelompok yang berbeda dan dapat berubah identitas kelompoknya seiring berjalannya waktu. Penelitian ini akan berfokus kepada tipe yang kedua di mana sebuah entitas hanya dapat menjadi anggota dari satu kelompok yang sama selama durasi lintasannya. Lebih jauh lagi, penelitian ini hanya memperhatikan data lintasan dari data pergerakan pejalan kaki. Pada penelitian ini, pengelompokkan dilakukan dengan cara membandingkan ukuran karakteristik lintasan. Ukuran karakteristik lintasan dibagi menjadi 3 kategori yaitu karakteristik waktu, intrinsik, dan spasial. Masing-masing kategori digunakan seagai parameter pembanding lintasan untuk tahapan clustering spesifiknya. Masing-masing clusteringnya adalah Highly Connected Subgraph, Anisotropic DBSCAN , dan DBSCAN secara berututan. Proses clustering akan dilakukan secara beruntun dimana hasil clustering tahap sebelumnya akan di cluster ulang menggunakan karakteristik selanjutnya, membagi kelompok lintasan secara bertahap. Selanjutnya, metodologi pengelompokkan yang diusulkan akan diuji dengan berbagai data lintasan pejalan kaki nyata yang didapatkan dari penelitian sebelumnya. Hasil eksperimen menunjukkan bahwa secara keseluruhan perangkat lunak yang diimplementasikan, mampu mengelompokan lintasan-lintasan kedalam kelompok yang bermakna dan relevan ketika dibandingkan dengan hasil identifikasi manusia pada kondisi dan tipe data yang ideal. Relevansi hasil clustering juga ditemukan pada skenario-skenario yang pada penelitian sebelumnya kurang berhasil dikelompokan, sebagai contohnya, 2 buah lintasan dengan bentuk, kecepatan, dan posisi spasial yang sama dapat dibedakan berdasarkan arah gerak maupun posisi jendela waktunya.