Memahami Pergerakan Polusi Udara di Jakarta Tahun 2021 dengan Folium pada Python

_Gambaran polusi udara di Jakarta. Sumber: Forest Digest _

Pendahuluan

Polusi udara adalah salah satu masalah lingkungan terbesar yang dihadapi kota-kota besar di seluruh dunia, termasuk Jakarta. Kualitas udara yang buruk dapat menyebabkan berbagai masalah kesehatan serius, seperti penyakit pernapasan, kardiovaskular, hingga kematian dini. Di Jakarta, polusi udara sering kali disebabkan oleh berbagai sumber seperti kendaraan bermotor, industri, dan pembakaran sampah. Memahami dan memvisualisasikan data polusi udara dapat membantu kita dalam mengambil tindakan yang tepat untuk mengurangi dampak negatifnya dan meningkatkan kualitas hidup masyarakat.

Python, sebagai salah satu bahasa pemrograman yang paling populer, menawarkan berbagai library untuk analisis data dan visualisasi. Salah satu library yang sangat efektif untuk visualisasi peta adalah Folium. Dengan menggunakan Folium, kita dapat membuat peta interaktif yang menampilkan distribusi polusi udara di Jakarta secara dinamis dari waktu ke waktu. Dalam artikel ini, kita akan mengeksplorasi bagaimana menggunakan Python dan Library Folium terkhusus pada Heatmap untuk memvisualisasikan data polusi udara, sehingga kita bisa memahami permasalahan. Mari kita lanjut ke bagian berikutnya untuk memahami lebih jauh bagaimana kita dapat melakukan ini.

Persiapan dan Prosesing Data

Data yang digunakan dalam analisis ini diambil dari Kaggle, yang menyediakan informasi mengenai indeks kualitas udara di Jakarta. Dataset ini terdiri dari lima tabel yang masing-masing mewakili lokasi pengambilan sampel polusi udara, yaitu Bundaran HI, Jagakarsa, Kelapa Gading, Kebon Jeruk, dan Lubang Buaya. Setiap tabel mencakup data dari tahun 2010 hingga 2021, memberikan cakupan waktu yang luas untuk analisis perubahan kualitas udara di berbagai wilayah di Jakarta. Data ini mengandung berbagai metrik kualitas udara seperti PM10, PM2.5, SO2, CO, O3, dan NO2, yang memungkinkan kita untuk memahami lebih dalam mengenai sumber dan fluktuasi polusi udara di kota ini.

Namun, meskipun dataset ini kaya akan informasi mengenai kualitas udara, ada kekurangan penting yang perlu diatasi untuk tujuan visualisasi peta, yaitu absennya parameter latitude dan longitude dari setiap titik pengambilan sampel. Tanpa koordinat geografis ini, kita tidak dapat memetakan data dengan akurat. Oleh karena itu, langkah pertama dalam persiapan data ini adalah menambahkan informasi latitude dan longitude untuk setiap lokasi pengambilan sampel. Ini akan memungkinkan kita untuk membuat peta interaktif yang tidak hanya menampilkan distribusi polusi udara tetapi juga memperlihatkan bagaimana polusi tersebut berubah dari waktu ke waktu di berbagai lokasi. Mari kita pelajari lebih lanjut dataset ini melalui tautan yang diberikan dan terus membaca untuk melihat detail proses penambahan informasi geografis ini.

Langkah Pertama

Langkah pertama adalah memuat dan membaca dataset menggunakan fungsi load_and_filter_data. Fungsi ini bertugas untuk membaca file CSV yang berisi data kualitas udara, memfilter data berdasarkan tahun tertentu, serta mengisi nilai yang hilang dengan rata-rata dari kolom yang bersangkutan. Berikut adalah contoh implementasi fungsi tersebut:

_Gambar 1. Fungsi Load and Filter Data _

Selain itu, kita juga perlu mengumpulkan file path untuk setiap tabel yang tersedia dan menambahkan koordinat yang sesuai untuk setiap lokasi pengambilan sampel polusi udara. Berikut adalah contoh daftar file path dan koordinat yang telah ditentukan:

_Gambar 2. Memuat Data dan Menentukan Koordinat _

Dengan menambahkan informasi geografis ini, kita dapat melanjutkan ke langkah berikutnya untuk membuat peta interaktif yang menampilkan distribusi polusi udara di Jakarta dari waktu ke waktu. Mari kita pahami dataset ini lebih lanjut melalui tautan yang diberikan dan terus membaca untuk melihat detail proses penambahan informasi geografis ini.

Langkah Kedua

Setelah memuat data dan menambahkan koordinat, langkah berikutnya adalah memfilter data untuk tahun 2021 dan menggabungkan semua dataset menjadi satu. Ini memungkinkan kita untuk melakukan analisis terpusat dan menyeluruh. Berikut adalah contoh kode untuk melakukan proses ini: _Gambar 3. Mengambil Data untuk tahun 2021 dan menggabungkan semua dataset _

Dengan menggabungkan dataset dan menambahkan kolom koordinat ini, kita siap untuk melanjutkan ke langkah berikutnya yaitu visualisasi data. Visualisasi ini akan membantu kita memahami bagaimana polusi udara berubah di berbagai lokasi di Jakarta dari waktu ke waktu. Mari kita lanjutkan ke bagian berikutnya untuk melihat proses terakhir sebelum visualisasi ini.

Langkah Ketiga

Setelah menggabungkan dataset dan menambahkan kolom koordinat, langkah berikutnya adalah membuat kolom baru untuk hari, bulan, dan tahun dari kolom tanggal. Selain itu, kita juga perlu memilih kolom-kolom yang relevan untuk visualisasi. Berikut adalah contoh kode untuk melakukan langkah ini:

_Gambar 4. Mengambil kolom pada tabel yang dibutuhkan untuk visualisasi _

Dengan langkah-langkah ini, data telah siap untuk divisualisasikan. Selanjutnya, kita akan membuat peta interaktif yang menunjukkan distribusi dan perubahan polusi udara di Jakarta. Mari kita lanjutkan ke bagian berikutnya untuk melihat detail proses visualisasi ini.

Data Visualization

Setelah mempersiapkan dan membersihkan data, langkah selanjutnya adalah melakukan visualisasi untuk memahami distribusi dan perubahan polusi udara di Jakarta. Untuk tujuan ini, kita akan menggunakan pustaka Python Folium, yang memungkinkan kita untuk membuat peta interaktif dengan mudah. Dengan Folium, kita dapat menambahkan lapisan heatmap yang menunjukkan intensitas polusi udara berdasarkan waktu dan lokasi.

Langkah Pertama

Langkah pertama dalam visualisasi adalah membuat peta dasar yang akan menjadi kanvas untuk menampilkan data polusi udara. Kita akan memulai dengan mengimpor pustaka yang diperlukan dan membuat peta pusat di Jakarta. Berikut adalah contoh fungsi untuk membuat peta dasar:

_Gambar 5. Membuat fungsi untuk menghasilkan peta pada kota Jakarta _

Setelah peta dasar dibuat, langkah berikutnya adalah menambahkan data polusi udara ke peta tersebut. Kita akan menggunakan HeatMap untuk membuat heatmap yang menunjukkan intensitas polusi udara. Berikut adalah contoh kode untuk menambahkan data polusi udara ke peta:

_Gambar 6. Menambahkan dataset pm10 pada peta heatmap _

Langkah Kedua

Langkah kedua dalam proses visualisasi adalah mengambil data berdasarkan bulan untuk memungkinkan visualisasi polusi udara dari bulan ke bulan. Dalam langkah ini, kita membuat daftar kosong bernama df_month_list yang akan menampung data agregat setiap bulan. Kemudian, kita melakukan iterasi melalui setiap bulan dalam dataset, mengelompokkan data berdasarkan latitude dan longitude, serta menghitung rata-rata nilai PM10 untuk setiap koordinat. Hasilnya kemudian dimasukkan ke dalam daftar df_month_list sebagai kumpulan data yang telah teragregasi per bulan. Proses ini memastikan bahwa kita memiliki data yang siap untuk divisualisasikan secara dinamis, memperlihatkan perubahan polusi udara di Jakarta dari bulan ke bulan.

_Gambar 7. Mengambil bulan untuk visualisasi dari waktu ke waktu _

Langkah Ketiga

Langkah selanjutnya adalah proses visualisasi dinamis dari waktu ke waktu. Dalam tahap ini, kita membuat peta dasar baru dengan menggunakan fungsi generateBaseMap yang sebelumnya telah didefinisikan. Kemudian, kita menambahkan lapisan HeatMapWithTime ke peta tersebut dengan menggunakan data bulanan yang telah kita persiapkan dalam daftar df_month_list. Konfigurasi heatmap termasuk pengaturan radius, gradien warna berdasarkan intensitas polusi, serta tingkat opasitas minimum dan maksimum. Setelah heatmap dinamis ditambahkan ke peta, kita menyimpan peta tersebut sebagai file HTML dengan nama 'Air_Pollution_HeatMapTime.html'. Terakhir, peta yang telah dibuat ditampilkan untuk memvisualisasikan bagaimana polusi udara di Jakarta berubah dari bulan ke bulan. Langkah ini memungkinkan kita untuk secara interaktif mengeksplorasi data polusi udara dan memahami tren serta pola yang muncul seiring berjalannya waktu.

_Gambar 8. Menampilkan visualisasi pergerakan polusi udara dari waktu ke waktu _

_Gambar 9. Visualisasi dinamis polusi udara pada beberapa titik di Jakarta _

Penutup dan Kesimpulan

Folium adalah alat yang sangat bermanfaat dalam pemetaan pergerakan dan perubahan polusi udara dari waktu ke waktu. Dengan memanfaatkan parameter latitude dan longitude, kita dapat membuat peta interaktif yang tidak hanya menunjsukkan lokasi polusi udara tetapi juga bagaimana intensitas polusi tersebut berubah sepanjang waktu. Visualisasi dinamis ini memungkinkan kita untuk lebih memahami tren polusi udara di berbagai lokasi, serta mengidentifikasi area-area dengan tingkat polusi yang tinggi.

Berdasarkan visualisasi yang telah kita buat, dapat dilihat bahwa ketiga titik, yaitu Bundaran HI, Kelapa Gading, dan Kebon Jeruk, menunjukkan tingkat polusi udara yang cukup tinggi. Peta heatmap yang kita buat dengan Folium mengungkapkan bahwa konsentrasi polusi di lokasilokasi ini cenderung meningkat dari bulan ke bulan. Informasi ini sangat berharga untuk perencanaan kebijakan dan tindakan mitigasi untuk mengurangi dampak negatif polusi udara terhadap kesehatan masyarakat dan lingkungan.

Dengan demikian, penggunaan Folium dalam analisis dan visualisasi data polusi udara memberikan wawasan yang mendalam dan memfasilitasi pengambilan keputusan yang lebih baik. Visualisasi interaktif ini tidak hanya memperjelas distribusi polusi udara tetapi juga memungkinkan analisis temporal yang kritis untuk memahami dinamika polusi di Jakarta.