Banyak orang saat ini menggunakan Strava untuk berbagi pencapaian mereka ketika melakukan aktivitas olahraga. Dengan Strava, kamu dapat dengan mudah memantau dan berbagi rute saat hiking, berlari, bersepeda, berkuda hingga mengemudi. Selain itu, kamu bisa melihat rincian seperti jarak, waktu, dan kecepatan rata-rata. Yang lebih menarik, Strava memungkinkan kamu berinteraksi dengan komunitas olahraga, sehingga kamu dapat memotivasi teman-teman atau mengikuti pencapaian mereka.

Sebagai orang yang juga kompetitif, saya juga menggunakan Strava untuk dapat mengejar pencapaian teman-teman saya. Dalam blog ini saya akan berbagi cara untuk meniru visualisasi data yang biasa dihasilkan oleh strava menggunakan R.

Data yang diperlukan

Dalam simulasi ini, kita akan menggunakan rute GPX yang dihasilkan dari trekking di Bukit Paniisan. Unduh data tersebut melalui tautan berikut ini; data_trekking_gpx. Lalu unduh paket yang diperlukan dalam daftar paket dibawah ini

library(XML)
library(lubridate)
library(geosphere)
library(tidyverse)
library(ggplot2)
library(cowplot)
library(leaflet)
library(mapview)

Membaca data GPX

Mengunggah data GPX dan mengambil informasi yang dibutuhkan ke dalam data frame

# Membaca data gpx
gpx_data <- htmlTreeParse(file = "Ngebukit.gpx", useInternalNodes = TRUE)

# Mengakses data kordinat, elevasi dan waktu
coords <- xpathSApply(doc = gpx_data, path = "//trkpt", fun = xmlAttrs)
elevation <- xpathSApply(doc = gpx_data, path = "//trkpt/ele", fun = xmlValue)
datetime <- xpathSApply(doc = gpx_data, path = "//trkpt/time", fun = xmlValue)

# Mengatur ke dalam dataframe
df <- data.frame(
  lon = as.numeric(coords["lon", ]),
  lat = as.numeric(coords["lat", ]),
  elevation = as.numeric(elevation),
  datetime = as_datetime(datetime, tz="Asia/Bangkok")
)

head(df)

       lon       lat elevation            datetime
1 106.9304 -6.592982     481.4 2023-09-03 08:48:20
2 106.9304 -6.592972     481.3 2023-09-03 08:48:21
3 106.9304 -6.592963     481.3 2023-09-03 08:48:22
4 106.9304 -6.592954     481.3 2023-09-03 08:48:23
5 106.9304 -6.592945     481.3 2023-09-03 08:48:24
6 106.9304 -6.592936     481.3 2023-09-03 08:48:25

Kemudian, kita akan mengondisikan data tersebut untuk mendapatkan informasi jarak trajectories (pergerakan dari satu titik GPS ke titik berikutnya), dan tempo (waktu yang dibutuhkan untuk mencapai jarak tempuh sejauh 1 km)

# Menghitung jarak (dalam meter) antara dua titik GPS berturut-turut menggunakan formula Haversine
df <- 
  df %>%
  mutate(lat_lead = lead(lat)) %>%
  mutate(lon_lead = lead(lon)) %>%
  rowwise() %>%
  mutate(dist_to_lead_m = distm(c(lon, lat), 
                                c(lon_lead, lat_lead), 
                                fun = distHaversine)[1,1]) %>%
  ungroup()

# Menghitung selisih waktu (dalam detik) antara titik GPS berturut-turut
df <- 
  df %>%
  mutate(datetime_lead = lead(datetime)) %>%
  mutate(ts_diff_s = as.numeric(difftime(datetime_lead, 
                                         datetime, units = "secs"))) 

# Menghitung kecepatan dalam meter per detik dan kilometer per jam
df <- 
  df %>%
  mutate(speed_m_per_sec = dist_to_lead_m / ts_diff_s) %>%
  mutate(speed_km_per_h = speed_m_per_sec * 3.6)

# Menghitung jarak akumulasi
df <-
  df %>%
  mutate(distance = cumsum(dist_to_lead_m))

# Menghapus nilai yang hilang (NAs) dan jarak 0
df <- na.omit(df)
df <- df[!grepl("0", df$dist_to_lead_m),]

# Menghitung tempo dalam menit per kilometer
df <- 
  df %>%
  mutate(pace_minperkm = ((ts_diff_s/60) /(dist_to_lead_m/1000))) 

# Menghapus beberapa kolom yang tidak akan digunakan lagi
df <- 
  df %>% 
  select(-c(lat_lead, lon_lead, 
            datetime_lead, ts_diff_s))

# Menampilkan data yang sudah dikelola
head(df) %>% as.data.frame()

       lon       lat elevation            datetime dist_to_lead_m
1 106.9304 -6.592958     481.2 2023-09-03 08:48:27       2.728283
2 106.9304 -6.592934     481.2 2023-09-03 08:48:28       1.684376
3 106.9304 -6.592847     481.0 2023-09-03 08:48:34       1.662734
4 106.9305 -6.592823     480.9 2023-09-03 08:48:37       1.335520
5 106.9305 -6.592811     480.8 2023-09-03 08:48:46       1.882918
6 106.9307 -6.592979     480.3 2023-09-03 08:49:01       1.749643
  speed_m_per_sec speed_km_per_h distance pace_minperkm
1        2.728283       9.821817 11.95751      6.108849
2        1.684376       6.063752 13.64189      9.894863
3        1.662734       5.985842 23.87679     10.023653
4        1.335520       4.807871 27.48938     12.479537
5        1.882918       6.778506 31.36685      8.851508
6        1.749643       6.298716 62.28717      9.525751

Membuat plot elevasi dan tempo

Setelah itu, kita bisa membuat grafik yang menggambarkan plot elevasi sepanjang jarak tempuh dan tempo.

# Plot Elevasi
plot_elevation <- df %>%
    ggplot(aes(x = distance/1000, y = elevation)) +
    geom_line(color="green") +
    geom_ribbon(aes(ymin = min(elevation), ymax = elevation), 
                fill = "gray", alpha = 0.5) +
    ylab("Elevation (m)") +
    xlab("Distance (km)") +
    theme_bw() +
    theme(axis.title.x = element_blank(),
          axis.text.x = element_blank())  
  
# Plot Tempo
plot_pace <- df %>%
    filter(pace_minperkm < 20) %>%
    ggplot(aes(x = distance/1000, y = pace_minperkm)) + 
    geom_line(color = "blue") + 
    labs(y = "Pace (min/km)") + 
    xlab("Distance (km)") +
    scale_y_reverse() + 
    theme_bw()
  
# Menggabungkan kedua plot menggunakan plot_grid dari cowplot
combined_plot <- plot_grid(plot_elevation, plot_pace, ncol = 1, rel_heights = c(3, 2))
  
# Menampilkan plot yang digabungkan
combined_plot

Plot rute tersebut pada peta

Lalu kita akan menambahkan anotasi penanda jarak tempuh dalam jalur tersebut di setiap 1 km, lalu menampilkan rute trekking tersebut pada peta.

# Menambahkan markah jarak pada peta
df_dist_marks <- 
  df %>% 
  mutate(dist_m_cumsum_km_floor = floor(distance / 1000)) %>%
  group_by(dist_m_cumsum_km_floor) %>%
  filter(row_number() == 1, dist_m_cumsum_km_floor > 0)

# Menampilkan jalur trekking pada peta
leaflet() %>%
  addTiles() %>%
  addPolylines(data = df, lat = ~lat, lng = ~lon) %>%
  addMarkers(data = df_dist_marks, lat = ~lat, lng = ~lon, label =  ~dist_m_cumsum_km_floor, 
             labelOptions = labelOptions(noHide = T, direction = 'top', textOnly = T))

Selanjutnya, kita juga dapat meningkatkan atau memperkaya informasi jalur pergerakan kita dengan menggunakan fungsi dibawah ini untuk membuat rentang elevasi dalam jalur trekking.

# Buat fungsi untuk mendapatkan warna berdasarkan rentang elevasi
get_color <- function(elevation) {
  if (elevation < 567) {
    return("green")
  }
  if (elevation < 656) {
    return("yellow")
  }
  if (elevation < 757) {
    return("orange")
  }
  return("red")
}

# Buat dataset baru dengan variabel warna
df_color <- df %>%
  rowwise() %>%
  mutate(color = get_color(elevation))

# Tambahkan kolom warna sebelumnya menggunakan fungsi lag dari dplyr
df_color$last_color <- dplyr::lag(df_color$color)

# Buat peta yang sudah ada gradasi elevasi

map <- leaflet() %>% addTiles()
for (color in levels(as.factor(df_color$color))) {
  map <- addPolylines(map, lat = ~lat, lng = ~lon, data = df_color[df_color$color == color | df_color$last_color == color, ], color = ~color) %>%
    addLabelOnlyMarkers(data = df_dist_marks, lat = ~lat, lng = ~lon, label =  ~dist_m_cumsum_km_floor, 
               labelOptions = labelOptions(noHide = T, direction = 'top', textOnly = T, icon=NULL))
}

map

Penutup

Contoh diatas merupakan salah satu hal yang bisa dilakukan oleh R dengan data GPX. Kedepannya mungkin saya akan berbagi cara bagaimana meganimasikan rute tersebut.

--- title: "Membaca Data Jalur GPS di R" description: "Visualisasi dan pemetaan jalur menggunakan R " author: - name: Ryan Avriandy date: "2023-10-20" categories: - r - gis - leaflet - data-viz - strava --- Banyak orang saat ini menggunakan Strava untuk berbagi pencapaian mereka ketika melakukan aktivitas olahraga. Dengan Strava, kamu dapat dengan mudah memantau dan berbagi rute saat *hiking*, berlari, bersepeda, berkuda hingga mengemudi. Selain itu, kamu bisa melihat rincian seperti jarak, waktu, dan kecepatan rata-rata. Yang lebih menarik, Strava memungkinkan kamu berinteraksi dengan komunitas olahraga, sehingga kamu dapat memotivasi teman-teman atau mengikuti pencapaian mereka. Sebagai orang yang juga kompetitif, saya juga menggunakan Strava untuk dapat mengejar pencapaian teman-teman saya. Dalam blog ini saya akan berbagi cara untuk meniru visualisasi data yang biasa dihasilkan oleh strava menggunakan R. # Data yang diperlukan Dalam simulasi ini, kita akan menggunakan rute GPX yang dihasilkan dari *trekking* di [Bukit Paniisan.](https://youtu.be/WosdtRpf-0M?si=vvC1yyssGdwriphN) Unduh data tersebut melalui tautan berikut ini; [data_trekking_gpx](https://github.com/ryanavri/ryroot_data/blob/main/gpxdatainr/Ngebukit.gpx). Lalu unduh paket yang diperlukan dalam daftar paket dibawah ini ```{r load_library, message=FALSE, warning=FALSE} library(XML) library(lubridate) library(geosphere) library(tidyverse) library(ggplot2) library(cowplot) library(leaflet) library(mapview) ``` # Membaca data GPX Mengunggah data GPX dan mengambil informasi yang dibutuhkan ke dalam *data frame* ```{r load_data, message=FALSE, warning=FALSE} # Membaca data gpx gpx_data <- htmlTreeParse(file = "Ngebukit.gpx", useInternalNodes = TRUE) # Mengakses data kordinat, elevasi dan waktu coords <- xpathSApply(doc = gpx_data, path = "//trkpt", fun = xmlAttrs) elevation <- xpathSApply(doc = gpx_data, path = "//trkpt/ele", fun = xmlValue) datetime <- xpathSApply(doc = gpx_data, path = "//trkpt/time", fun = xmlValue) # Mengatur ke dalam dataframe df <- data.frame( lon = as.numeric(coords["lon", ]), lat = as.numeric(coords["lat", ]), elevation = as.numeric(elevation), datetime = as_datetime(datetime, tz="Asia/Bangkok") ) head(df) ``` Kemudian, kita akan mengondisikan data tersebut untuk mendapatkan informasi jarak *trajectories* (pergerakan dari satu titik GPS ke titik berikutnya), dan tempo (waktu yang dibutuhkan untuk mencapai jarak tempuh sejauh 1 km) ```{r edit_df} # Menghitung jarak (dalam meter) antara dua titik GPS berturut-turut menggunakan formula Haversine df <- df %>% mutate(lat_lead = lead(lat)) %>% mutate(lon_lead = lead(lon)) %>% rowwise() %>% mutate(dist_to_lead_m = distm(c(lon, lat), c(lon_lead, lat_lead), fun = distHaversine)[1,1]) %>% ungroup() # Menghitung selisih waktu (dalam detik) antara titik GPS berturut-turut df <- df %>% mutate(datetime_lead = lead(datetime)) %>% mutate(ts_diff_s = as.numeric(difftime(datetime_lead, datetime, units = "secs"))) # Menghitung kecepatan dalam meter per detik dan kilometer per jam df <- df %>% mutate(speed_m_per_sec = dist_to_lead_m / ts_diff_s) %>% mutate(speed_km_per_h = speed_m_per_sec * 3.6) # Menghitung jarak akumulasi df <- df %>% mutate(distance = cumsum(dist_to_lead_m)) # Menghapus nilai yang hilang (NAs) dan jarak 0 df <- na.omit(df) df <- df[!grepl("0", df$dist_to_lead_m),] # Menghitung tempo dalam menit per kilometer df <- df %>% mutate(pace_minperkm = ((ts_diff_s/60) /(dist_to_lead_m/1000))) # Menghapus beberapa kolom yang tidak akan digunakan lagi df <- df %>% select(-c(lat_lead, lon_lead, datetime_lead, ts_diff_s)) # Menampilkan data yang sudah dikelola head(df) %>% as.data.frame() ``` # Membuat plot elevasi dan tempo Setelah itu, kita bisa membuat grafik yang menggambarkan plot elevasi sepanjang jarak tempuh dan tempo. ```{r plot_gpstrack} # Plot Elevasi plot_elevation <- df %>% ggplot(aes(x = distance/1000, y = elevation)) + geom_line(color="green") + geom_ribbon(aes(ymin = min(elevation), ymax = elevation), fill = "gray", alpha = 0.5) + ylab("Elevation (m)") + xlab("Distance (km)") + theme_bw() + theme(axis.title.x = element_blank(), axis.text.x = element_blank()) # Plot Tempo plot_pace <- df %>% filter(pace_minperkm < 20) %>% ggplot(aes(x = distance/1000, y = pace_minperkm)) + geom_line(color = "blue") + labs(y = "Pace (min/km)") + xlab("Distance (km)") + scale_y_reverse() + theme_bw() # Menggabungkan kedua plot menggunakan plot_grid dari cowplot combined_plot <- plot_grid(plot_elevation, plot_pace, ncol = 1, rel_heights = c(3, 2)) # Menampilkan plot yang digabungkan combined_plot ``` # Plot rute tersebut pada peta Lalu kita akan menambahkan anotasi penanda jarak tempuh dalam jalur tersebut di setiap 1 km, lalu menampilkan rute trekking tersebut pada peta. ```{r km_label} # Menambahkan markah jarak pada peta df_dist_marks <- df %>% mutate(dist_m_cumsum_km_floor = floor(distance / 1000)) %>% group_by(dist_m_cumsum_km_floor) %>% filter(row_number() == 1, dist_m_cumsum_km_floor > 0) ``` ```{r map_basic} # Menampilkan jalur trekking pada peta leaflet() %>% addTiles() %>% addPolylines(data = df, lat = ~lat, lng = ~lon) %>% addMarkers(data = df_dist_marks, lat = ~lat, lng = ~lon, label = ~dist_m_cumsum_km_floor, labelOptions = labelOptions(noHide = T, direction = 'top', textOnly = T)) ``` Selanjutnya, kita juga dapat meningkatkan atau memperkaya informasi jalur pergerakan kita dengan menggunakan fungsi dibawah ini untuk membuat rentang elevasi dalam jalur trekking. ```{r spec_color} # Buat fungsi untuk mendapatkan warna berdasarkan rentang elevasi get_color <- function(elevation) { if (elevation < 567) { return("green") } if (elevation < 656) { return("yellow") } if (elevation < 757) { return("orange") } return("red") } # Buat dataset baru dengan variabel warna df_color <- df %>% rowwise() %>% mutate(color = get_color(elevation)) # Tambahkan kolom warna sebelumnya menggunakan fungsi lag dari dplyr df_color$last_color <- dplyr::lag(df_color$color) ``` ```{r comp_map} # Buat peta yang sudah ada gradasi elevasi map <- leaflet() %>% addTiles() for (color in levels(as.factor(df_color$color))) { map <- addPolylines(map, lat = ~lat, lng = ~lon, data = df_color[df_color$color == color | df_color$last_color == color, ], color = ~color) %>% addLabelOnlyMarkers(data = df_dist_marks, lat = ~lat, lng = ~lon, label = ~dist_m_cumsum_km_floor, labelOptions = labelOptions(noHide = T, direction = 'top', textOnly = T, icon=NULL)) } map ``` ```{r savemap, echo=FALSE, message=FALSE, warning=FALSE} # Simpan peta sebagai gambar mapshot(map, file = "~/Rplot.png") ``` # Penutup Contoh diatas merupakan salah satu hal yang bisa dilakukan oleh R dengan data GPX. Kedepannya mungkin saya akan berbagi cara bagaimana meganimasikan rute tersebut.