Analitik Kecepatan Hauling & Pipeline Data Geospasial

01. Tantangan & Kebutuhan Utama

Operasi logistik dan hauling tambang menghasilkan data telemetri dalam jumlah masif. Setiap unit mencatat Latitude, Longitude, Kecepatan, dan Odometer setiap beberapa detik, menghasilkan ribuan baris data yang tersebar di puluhan file Excel (XLS) setiap harinya.

Memproses data ini secara manual untuk mengetahui seberapa cepat truk melaju di segmen jalan tertentu (berdasarkan patok Kilometer / KM) sangatlah mustahil. Data mentah memiliki banyak anomali (misalnya: kecepatan terbaca 0 padahal sedang bergerak), membutuhkan konteks spasial (mencocokkan titik GPS dengan fisik patok KM jalan), dan memerlukan *clustering* waktu yang rumit untuk menghitung durasi akurat saat truk melanggar batas kecepatan aman (misal >40 km/jam) tanpa menghitung waktu istirahat (idle).

02. Peran & Implementasi Sistem

Saya merancang dan membangun keseluruhan pipeline pemrosesan data menggunakan Python, Pandas, dan GeoPandas, yang dikemas rapi dalam sebuah Jupyter Notebook sehingga dapat dijalankan secara terjadwal:

Konversi Format Otomatis: Membuat skrip yang menggunakan LibreOffice mode headless untuk secara otomatis mengkonversi file .xls usang menjadi format .xlsx modern sebelum diolah, mencegah kerusakan file dan memastikan kompatibilitas dengan library pembaca Excel.
Geospatial Joining (GeoPandas): Memetakan setiap titik koordinat GPS ke patok rute kilometer (KM) tertentu menggunakan gpd.sjoin() dengan fungsi `intersects` terhadap shapefile *bounding box* yang telah ditentukan.
Klasifikasi Arah Jalan (Direction): Mengimplementasikan logika untuk melacak perubahan nilai KM terhadap waktu (dKM) untuk secara otomatis menandai apakah unit sedang bergerak maju (Return / kosong) atau mundur (Hauling / bermuatan) di sepanjang rute.
Analitik Kecepatan Berbasis Clustering Waktu: Mengembangkan algoritma kustom seperti mean_valid_speed() (untuk mengabaikan pembacaan anomali) dan duration_over40_clustered(), yang menghitung secara pasti berapa menit yang dihabiskan di atas batas kecepatan, sekaligus menangani data jeda atau truk berhenti.

03. Pipa Data Interaktif (Pipeline Explorer)

Berikut adalah demonstrasi interaktif tentang bagaimana log telemetri mentah digabungkan secara spasial dan diagregasi menjadi tabel analitik yang bersih:

01. Data Mentah Koordinat & Kecepatan

Setiap unit truk (TRK-015, TRK-030, dll) mengirimkan data lokasi (Latitude/Longitude), kecepatan, dan odometer setiap beberapa detik. Data ini digabungkan dari puluhan file XLS harian:

#	Date	Unit	Latitude	Longitude	Speed (km/h)	Kecepatan (km/jam)
1	2025-12-28 08:14:38	TRK-015_XX1234YY	-2.78471	121.202570	0	30635.225
2	2025-12-28 08:14:26	TRK-015_XX1234YY	-2.78458	121.202680	28	30635.340
3	2025-12-28 08:14:22	TRK-015_XX1234YY	-2.78451	121.202810	42	30635.500
4	2025-12-16 07:49:05	B-015_DD8966UF	-2.832530	121.202950	35	30635.750

02. Spatial Join & Penentuan Arah (Direction)

Menggunakan GeoPandas, titik koordinat (Latitude/Longitude) di-map ke bounding box KM yang telah ditentukan. Perubahan nilai KM antar waktu digunakan untuk menentukan apakah truk sedang jalan kosong (Return) atau bermuatan (Hauling):

Plot Aktual: GeoPandas Spatial Join

Loading map…

Loading map…

# GeoPandas Spatial Join
gdf_join=gpd.sjoin(gdf_all, gdf_geofence, how="left", predicate="intersects")
# Direction Classification based on Delta KM
def classify_direction(d):
if d > 0: return "Return"  # moving to higher KM
elif d < 0: return "Hauling" # moving to lower KM

03. Agregasi Metrik Kecepatan & Output Akhir

Setelah pengelompokan, data dihitung untuk mendapatkan rata-rata kecepatan yang valid (mengabaikan speed 0 atau speed tidak masuk akal), dan menggunakan algoritma clustering durasi waktu untuk menghitung persis berapa lama truk melaju di atas 40 km/jam:

Daily Average Speed per Segment - Dec 27
DriverUnitKM Route SegmentsAVG SpeedAVG Payload (t)
1234567891011121314151617181920212223
John SmithTRK-053--25393227242126342931393831353330393943412732.5826.71
UnknownTRK-02015232131372726383933322638373533323034-48452632.130.00
David MillerTRK-009234027393025232133413227373530352928393638392231.7024.60
Robert ChenTRK-008--20353322222229303127363732332931413641432831.3524.95
Michael ChangTRK-011323623353226222228353128363529333131363236342630.8226.32
James WilsonTRK-010264123353120193333343126343329302827403534343130.7225.46
William DavisTRK-054--25383025231923342732353830343131333338312730.2924.68
Thomas BrownTRK-003284330373222212127382726313225313130333536312630.1225.03
Daniel TaylorTRK-038113424363225232125333028353528332727383738362529.4925.70
Joseph AndersonTRK-050153224393224222227352829423927332729273035352629.4826.61
Route Average Speed213323333023212326312726323328302727313135312528.1426.03

Daily Average Speed per Segment - Dec 27
John Smith	TRK-053	-	-	25	39	32	27	24	21	26	34	29	31	39	38	31	35	33	30	39	39	43	41	27	32.58	26.71
Unknown	TRK-020	15	23	21	31	37	27	26	38	39	33	32	26	38	37	35	33	32	30	34	-	48	45	26	32.13	0.00
David Miller	TRK-009	23	40	27	39	30	25	23	21	33	41	32	27	37	35	30	35	29	28	39	36	38	39	22	31.70	24.60
Robert Chen	TRK-008	-	-	20	35	33	22	22	22	29	30	31	27	36	37	32	33	29	31	41	36	41	43	28	31.35	24.95
Michael Chang	TRK-011	32	36	23	35	32	26	22	22	28	35	31	28	36	35	29	33	31	31	36	32	36	34	26	30.82	26.32
James Wilson	TRK-010	26	41	23	35	31	20	19	33	33	34	31	26	34	33	29	30	28	27	40	35	34	34	31	30.72	25.46
William Davis	TRK-054	-	-	25	38	30	25	23	19	23	34	27	32	35	38	30	34	31	31	33	33	38	31	27	30.29	24.68
Thomas Brown	TRK-003	28	43	30	37	32	22	21	21	27	38	27	26	31	32	25	31	31	30	33	35	36	31	26	30.12	25.03
Daniel Taylor	TRK-038	11	34	24	36	32	25	23	21	25	33	30	28	35	35	28	33	27	27	38	37	38	36	25	29.49	25.70
Joseph Anderson	TRK-050	15	32	24	39	32	24	22	22	27	35	28	29	42	39	27	33	27	29	27	30	35	35	26	29.48	26.61
Route Average Speed	21	33	23	33	30	23	21	23	26	31	27	26	32	33	28	30	27	27	31	31	35	31	25	28.14	26.03

04. Hasil & Dampak (Outcomes)

Pipeline otomatis ini sepenuhnya menghilangkan kebutuhan untuk manipulasi Excel secara manual. Pekerjaan yang sebelumnya membutuhkan waktu berjam-jam untuk melakukan VLOOKUP manual dan perapian format kini dapat diselesaikan dalam hitungan detik.

Manajemen kini menerima laporan ringkasan harian Excel yang bersih, yang menunjukkan secara akurat unit mana yang melanggar batas kecepatan, di patok kilometer mana, dan untuk berapa lama. Tingkat kedalaman analisis secara spasial dan temporal ini sangat penting untuk menegakkan protokol keselamatan (safety) dan mengoptimalkan siklus hauling.

Analitik Kecepatan Hauling & Pipeline Data Geospasial

Alur Pemrosesan Data

Raw GPS Logs

Conversion

Spatial Join

Algorithm

Report Excel