Dalam kurun waktu dekade terakhir, analisa geospasial menggunakan big data merupakan suatu teknologi utama yang merevolusi industri secara luas. Secara luas analisa menggunakan big data mulai digunakan setelah beberapa lembaga dan bisnis menghasilkan volume data yang sangat besar dalam beberapa dekade, seperti lembaga pemerintah, swasta seperti Google, Departemen Meteorologi yang mendapatkan citra satelit dan juga industri logistik yang bekerja menggunakan data geospasial.
Salah satu perusahaan besar yang menghasilkan big data ialah Alphabet yang merupakan perusahaan induk Google, dimana perusahaan ini berkecimpung dalam sistem pencarian secara daring dan juga melayani hampir 80 persen bisnis periklanan online di seluruh dunia. Setiap ekosistem bisnis yang dilakukan Alfabet menggunakan data yang disimpan dan digunakan oleh Google, dimana setiap data ini tidak diperhatikan oleh pengguna google, tetapi beberapa tahun belakangan ini, gerakan keamanan privasi dan transparansi operasi yang google lakukan mengakibatkan Google harus melepaskan kumpulan data yang selama ini tidak sengaja dikumpulkan ke sebuah portal online bernama Takeout.
Takeout merupakan suatu portal online yang memungkinkan pengguna dapat mendapatkan akses ke data pelacakan untuk semua layanan aplikasi Google, termasuk e-mail yang telah dikirim dan Peta lokasi yang pengguna lalui. Oleh sebab itu, beberapa peneliti tertarik dengan data aktivitas pelacakan google dan segera menganalisis data peta dan informasi lokasi yang telah dibagikan, karena hal ini dapat di ibaratkan suatu tambang emas data. Lalu, data yang didapatkan untuk tujuan analisis diambil dari sistem GPS kendaraan logistik (truk) yang terhubung dengan Layanan Google Location dan memiliki entry data lebih dari 10.000.000 entri data selama 5 tahun.
Struktur data yang telah diambil cukup sulit dipahami karena berisikan data geospasial yang cukup kompleks dan perlu disederhanakan untuk tujuan analisis. Penyederhanaan data ini dilakukan dengan mengubah data menjadi format yang dapat dipahami seperti Hari, Lokasi, Waktu dan Aktivitas. Data geospasial yang dianalisis memerlukan perincian yang lengkap diambil dari file data Google Takeout, dimana data ini berisikan sebaran "timestamp" yang dilaporkan secara mingguan, dengan mengategorikan menurut hari dan jam. Data kemudian diekstraksi menjadi data timestamp dan data lokasi aktivitas yang kemudian akan diproses lebih lanjut.
Data dari google Takeout membantu beberapa perusahaan yang bergerak dalam Industri Logistik. Beberapa perusahaan ini telah melihat perubahan cara pandang pada kebijakan SDM, dimana secara spesifik kebijakan SDM yang menargetkan pengemudi di Industri Logistik beberapa tahun terakhir. Penyedia layanan logistik mulai melihat masalah yang dihadapi oleh pekerja mereka saat melakukan pekerjaan mereka.Â
Sebuah penelitian mencatat bahwa, pengemudi truk di India mencatat jam kerja yang sangat tinggi, sekitar setengah dari pengemudi mengatakan mereka melakukan lebih dari 12 perjalanan logistik dalam sebulan, dan rata-rata 50% dari perjalanan dilakukan lebih dari 12 jam. Penelitian menggunakan data Google Takeout menelusuri lebih dalam pola-pola aktivitas perjalanan yang dilakukan oleh pengemudi, dimana hal ini diversifikasi dengan analisis data geospasial dengan perbandingan data yang diberikan oleh supervisor pada perusahaan logistik tersebut.
Data lokasi yang diambil selama 1 tahun, mulai dari data pada tanggal 1 Januari 2018 sampai dengan 31 Desember 2018, jarak dari setiap titik lokasi kemudian digabungkan setiap bulan. Aktivitas-aktivitas tersebut kemudian dirangkum dianalisis menjadi kategori "Day Time" dan "Night Time" lalu informasi aktivitas-aktivitas yang dilakukan pengemudi yang sedang bertugas ke dalam dikelompokkan pada jenis berikut:
- Still (Kendaraan tidak bergerak)
- Walking/Running (Kegiatan saat driver sedang tidak dalam kendaraan/istirahat atau kendaraan terkena macet sehingga berjalan lambat)
- In Vehicle (Saat kendaraan bergerak)
Hasil yang dianalisis menggunakan data spasial Google Takeout mendapati bahwa, pengemudi kendaraan logistik pada saat "Day Time" menghabiskan waktu 48% pada kategori Still (Tidak bergerak) dan 29% In Vehicle (Bergerak) dan selebihnya dalam keadaan Walking/Runnig , lalu saat Night Time pengemudi lebih banyak bergerak / In Vehicle 67% dan Still (tidak bergerak) 33%.
Berdasarkan hasil yang didapati dapat ditelusuri bahwa pada saat Day Time para pengemudi logistik tersebut lebih banyak tidak bergerak, atau terkena macet saat Day Time dibandingkan para pengemudi yang bergerak. Lalu pada saat malam hari / Night Time pengemudi lebih banyak bergerak dan selebihnya tidak bergerak atau sedang istirahat. Lonjakan aktivitas bergerak di malam hari mungkin disebabkan oleh pengemudi yang hanya diizinkan pulang pergi setelah jam tertentu.Â
Kemudian hasil analisis sampingan berdasarkan data geospasial dari sampel menunjukkan rata-rata perjalanan/bulan dari pengemudi yang sedang bertugas ialah 4200 Km/bulan yang dimana hal ini jauh dari ambang batas maksimal yang ditempuh oleh pengemudi saat sedang bertugas yaitu 3000 Km/bulam yang telah ditetapkan kebijakan perusahaan logistik, bahkan pada bulan tertentu didapati bahwa total jarak perjalanan mencapai 6000 Km
Berdasarkan hasil temuan diatas menunjukkan bahwa, ketersediaan data pelacakan dan juga data geospasial yang kaya di sektor logistik yang didapatkan oleh layanan Google dapat membantu cara penelitian baru pada Industri Logistik. Berdasarkan analisis data tersebut dapat ditemukan parameter-parameter baru yang dapat digunakan untuk menganalisis pola dan perilaku pengemudi sehingga dapat meninjau kondisi kerja mereka, dan tidak hanya itu juga analisis geospasial ini dapat digunakan diseluruh armada logistik seperti pengawasan, serta rekomendasi jarak tempuh ke lokasi pekerjaan yang sesuai berdasarkan aktivitas perjalanan yang telah mereka lakukan sebelumnya, sehingga dapat dilakukan pengawasan dan distribusi pekerjaan yang setara dalam industri logistik. Sehingga hal ini menunjukkan penggunaan analisis dengan data geospasial memilik peluang yang tak terbatas untuk menghasilkan informasi-informasi dan analisis prediktif untuk industri di masa depan.
