Latar Belakang Project

Jumlah pasien terkonfirmasi positif Covid-19 di Kota Yogyakarta dalam dua pekan terakhir terus mengalami peningkatan, bahkan jumlahnya bertambah hingga dua kali lipat dalam sepekan terakhir.

Berdasarkan data corona.jogjakota.go.id, jumlah warga terkonfirmasi positif pada 27 Juli tercatat sebanyak sembilan orang, 38 sembuh dan tiga meninggal dunia. Namun jumlah tersebut berkembang dua kali lipat menjadi 20 terkonfirmasi positif, 41 sembuh dan tiga meninggal dunia per 2 Agustus pukul 12.00 WIB.

Sumber: https://republika.co.id/berita/daerah/jawa-tengah-diy/qehji9366/kasus-covid19-di-yogyakarta-melonjak-dua-kali-lipat

Projek ini bertujuan untuk memvisualisasikan data perkembangan Covid-19 di DIY dan mencoba mencari insight yang bermanfaat.

Langkah pertama adalah melihat update data hingga 5-Agustus-2020 di Provinsi D.I.Y.

Beberapa pertanyaan yang perlu dijawab adalah:

Kapan tanggal pembaharuan data penambahan kasus?
Berapa jumlah total kasus COVID-19 di Daerah Istimewa Yogyakarta?
Berapa persentase kematian akibat COVID-19 di Daerah Istimewa Yogyakarta?
Berapa persentase tingkat kesembuhan dari COVID-19 di Daerah Istimewa Yogyakarta?

library(httr)

## Warning: package 'httr' was built under R version 3.6.3

resp_diy <- GET("https://data.covid19.go.id/public/api/prov_detail_DAERAH_ISTIMEWA_YOGYAKARTA.json")
cov_diy_raw <- content(resp_diy, as = "parsed", simplifyVector = TRUE)

print("Tanggal Update Data:")

## [1] "Tanggal Update Data:"

cov_diy_raw$last_date

## [1] "2020-08-05"

print("Jumlah Kasus Total:")

## [1] "Jumlah Kasus Total:"

cov_diy_raw$kasus_total

## [1] 801

print("Persentase Kasus Meninggal:")

## [1] "Persentase Kasus Meninggal:"

cov_diy_raw$meninggal_persen

## [1] 2.621723

print("Persentase Kasus Sembuh:")

## [1] "Persentase Kasus Sembuh:"

cov_diy_raw$sembuh_persen

## [1] 59.55056

Memperoleh Informasi yang Lebih Lengkap

cov_diy <- cov_diy_raw$list_perkembangan
str(cov_diy)

## 'data.frame':    143 obs. of  9 variables:
##  $ tanggal                     : num  1.58e+12 1.58e+12 1.58e+12 1.58e+12 1.58e+12 ...
##  $ KASUS                       : int  1 0 0 0 0 0 0 0 0 0 ...
##  $ MENINGGAL                   : int  0 0 0 0 0 0 0 1 0 1 ...
##  $ SEMBUH                      : int  0 0 0 0 1 0 0 0 0 0 ...
##  $ DIRAWAT_OR_ISOLASI          : int  1 0 0 0 -1 0 0 -1 0 -1 ...
##  $ AKUMULASI_KASUS             : int  1 1 1 1 1 1 1 1 1 1 ...
##  $ AKUMULASI_SEMBUH            : int  0 0 0 0 1 1 1 1 1 1 ...
##  $ AKUMULASI_MENINGGAL         : int  0 0 0 0 0 0 0 1 1 2 ...
##  $ AKUMULASI_DIRAWAT_OR_ISOLASI: int  1 1 1 1 0 0 0 -1 -1 -2 ...

Menyiapkan Data

Ada beberapa tahapan yang akan Anda lakukan untuk menjinakan data cov_diy, yaitu:

Menghapus kolom "DIRAWAT_OR_ISOLASI" dan "AKUMULASI_DIRAWAT_OR_ISOLASI"
Menghapus semua kolom yang berisi nilai kumulatif
Mengganti nama kolom "KASUS" menjadi "kasus_baru"
Merubah format penulisan kolom berikut menjadi huruf kecil + kolom MENINGGAL + kolom SEMBUH
Memperbaiki data pada kolom tanggal

library(dplyr)

## Warning: package 'dplyr' was built under R version 3.6.3

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

new_cov_diy <-
  cov_diy %>% 
  select(-contains("DIRAWAT_OR_ISOLASI")) %>% 
  select(-starts_with("AKUMULASI")) %>% 
  rename(
    kasus_baru = KASUS,
    meninggal = MENINGGAL,
    sembuh = SEMBUH
    ) %>% 
  mutate(
    tanggal = as.POSIXct(tanggal / 1000, origin = "1970-01-01"),
    tanggal = as.Date(tanggal)
  )

Menunjukkan Melalui Gambar

Kasus Harian Positif COVID-19 di DIY

library(ggplot2)

## Warning: package 'ggplot2' was built under R version 3.6.3

ggplot(new_cov_diy, aes(tanggal, kasus_baru)) +
    geom_col(fill = "salmon") +
    labs(
      x = NULL,
      y = "Jumlah kasus",
      title = "Kasus Harian Positif COVID-19 di DIY",
      caption = "Sumber data: covid.19.go.id"
    )

Insight :

Berdasarkan gambar di atas, terlihat bahwa terjadi kemunculan kasus yang signifikan pada akhir bulan Juli dan awal Agustus. Kemungkinan ini disebabkan karena pergerakan masyarakat untuk menyambut hari raya Idul Adha.

Grafik untuk Kasus Sembuh

library(ggplot2)

ggplot(new_cov_diy, aes(tanggal, sembuh)) +
  geom_col(fill = "olivedrab2") +
  labs(
    x = NULL,
    y = "Jumlah kasus",
    title = "Kasus Harian Sembuh Dari COVID-19 di DIY",
    caption = "Sumber data: covid.19.go.id"
  )

Insight :

Berdasarkan gambar di atas, terlihat bahwa jumlah kasus sembuh relatif stagnan pada bulan Mei Juni dan Juli. Jumlah kasus sembuh meningkat signifikan pada akhir bulan Juli dan Agustus. Ini berarti kasus sembuh dapat mengimbangi kasus baru.

Grafik untuk Kasus Meninggal

library(ggplot2)

ggplot(new_cov_diy, aes(tanggal, meninggal)) +
  geom_col(fill = "darkslategray4") +
  labs(
    x = NULL,
    y = "Jumlah kasus",
    title = "Kasus Harian Meninggal Akibat COVID-19 di DIY",
    caption = "Sumber data: covid.19.go.id"
  )

Insight :

Berdasarkan gambar di atas, terlihat bahwa jumlah kasus meninggal meningkat signifikan pada bulan Juli dan Agustus. Meskipun demikian, jumlah tersebut nampak masih mampu dikendalikan oleh pemerintah.

Menggali Lebih Dalam

Apakah Pekan ini Lebih Baik?

Setelah mengamati grafik perkembangan kasus Anda menyadari bahwa terjadi fluktuasi pertambahan kasus harian. Dilandasi hal tersebut Anda kemudian ingin mencoba mengamati bagaimana perkembangan kasus dalam rentang waktu pekanan. Bagaimanakah caranya?

library(dplyr)
library(lubridate)

## Warning: package 'lubridate' was built under R version 3.6.3

## 
## Attaching package: 'lubridate'

## The following objects are masked from 'package:base':
## 
##     date, intersect, setdiff, union

cov_diy_pekanan <- new_cov_diy %>% 
  count(
    tahun = year(tanggal),
    pekan_ke = week(tanggal),
    wt = kasus_baru,
    name = "jumlah"
  )

Menjawab Pertanyaan

library(dplyr)

cov_diy_pekanan <-
  cov_diy_pekanan %>% 
  mutate(
    jumlah_pekanlalu = dplyr::lag(jumlah, 1),
    jumlah_pekanlalu = ifelse(is.na(jumlah_pekanlalu), 0, jumlah_pekanlalu),
    lebih_baik = jumlah < jumlah_pekanlalu
  )

glimpse(cov_diy_pekanan)

## Rows: 22
## Columns: 5
## $ tahun            <dbl> 2020, 2020, 2020, 2020, 2020, 2020, 2020, 2020, 20...
## $ pekan_ke         <dbl> 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23...
## $ jumlah           <int> 1, 0, 7, 15, 23, 11, 21, 28, 48, 38, 19, 11, 12, 2...
## $ jumlah_pekanlalu <dbl> 0, 1, 0, 7, 15, 23, 11, 21, 28, 48, 38, 19, 11, 12...
## $ lebih_baik       <lgl> FALSE, TRUE, FALSE, FALSE, FALSE, TRUE, FALSE, FAL...

Membuat Bar Chart

library(ggplot2)

ggplot(cov_diy_pekanan, aes(pekan_ke, jumlah, fill = lebih_baik)) +
  geom_col(show.legend = FALSE) +
  scale_x_continuous(breaks = 9:32, expand = c(0, 0)) +
  scale_fill_manual(values = c("TRUE" = "seagreen3", "FALSE" = "salmon")) +
  labs(
    x = NULL,
    y = "Jumlah kasus",
    title = "Kasus Pekanan Positif COVID-19 di DIY",
    caption = "Sumber data: covid.19.go.id"
  )

Insight :

Pada pekan pertama Bulan Agustus, jumlah kasus pekanan relatif lebih sedikit dari minggu-minggu sebelumnya. Ini merupakan indikasi bahwa pelonjakan kasus mulai mampu dikendalikan.

Visualisasi Pola dan Dinamika

library(dplyr)

cov_diy_akumulasi <- 
  new_cov_diy %>% 
  transmute(
    tanggal,
    akumulasi_aktif = cumsum(kasus_baru) - cumsum(sembuh) - cumsum(meninggal),
    akumulasi_sembuh = cumsum(sembuh),
    akumulasi_meninggal = cumsum(meninggal)
  )

str(cov_diy_akumulasi)

## 'data.frame':    143 obs. of  4 variables:
##  $ tanggal            : Date, format: "2020-03-16" "2020-03-17" ...
##  $ akumulasi_aktif    : int  1 1 1 1 0 0 0 -1 -1 -2 ...
##  $ akumulasi_sembuh   : int  0 0 0 0 1 1 1 1 1 1 ...
##  $ akumulasi_meninggal: int  0 0 0 0 0 0 0 1 1 2 ...

Transformasi Data

library(dplyr)
library(tidyr)

## Warning: package 'tidyr' was built under R version 3.6.3

cov_diy_akumulasi_pivot <- 
  cov_diy_akumulasi %>% 
  gather(
    key = "kategori",
    value = "jumlah",
    -tanggal
  ) %>% 
  mutate(
    kategori = sub(pattern = "akumulasi_", replacement = "", kategori)
  )

pivot_longer()

cov_diy_akumulasi_pivot <-
  cov_diy_akumulasi %>%
  pivot_longer(
    cols = -tanggal,
    names_to = "kategori",
    names_prefix = "akumulasi_",
    values_to = "jumlah"
  )

Visualisasi

library(ggplot2)

ggplot(cov_diy_akumulasi_pivot, aes(tanggal, jumlah, colour = (kategori))) +
  geom_line(size = 0.9) +
  scale_y_continuous(sec.axis = dup_axis(name = NULL)) +
  scale_colour_manual(
    values = c(
      "aktif" = "salmon",
      "meninggal" = "darkslategray4",
      "sembuh" = "olivedrab2"
    ),
    labels = c("Aktif", "Meninggal", "Sembuh")
    ) +
  labs(
    x = NULL,
    y = "Jumlah kasus akumulasi",
    colour = NULL,
    title = "Dinamika Kasus COVID-19 di DIY",
    caption = "Sumber data: covid.19.go.id"
  )

Insight :

Jumlah kasus sembuh mendominasi, meskipun terjadi lonjakan kasus baru, namun pemerintah berhasil untuk meningkatkan jumlah pasien yang sembuh. Ini pertanda baik sekali. Bahkan tingkat kesembuhan sudah mencapai lebih dari 50% pada pekan pertama Agustus.

Hubungan Kasus Baru dan Jumlah Kasus Aktif

cov_diy_akumulasi2 <- 
  new_cov_diy %>% 
  transmute(
    tanggal,
    kasus_baru=kasus_baru,
    akumulasi_aktif = cumsum(kasus_baru) - cumsum(sembuh) - cumsum(meninggal),
    akumulasi_sembuh = cumsum(sembuh),
    akumulasi_meninggal = cumsum(meninggal)
    )
ggplot(cov_diy_akumulasi2, aes(x=tanggal)) +
  geom_line(aes(y = kasus_baru, colour = "Kasus Baru"))+
  geom_line(aes(y = akumulasi_aktif, colour = "Akumulasi Kasus Aktif"))+
  scale_y_continuous(sec.axis = sec_axis(~.*5, name = "Akumulasi Kasus Aktif"))+
  scale_colour_manual(values = c("blue", "red"))+
  labs(y = "Kasus Baru",
       x = "Tanggal",
       colour = "Parameter")+
  theme(legend.position = "top")+
  theme(plot.title.position = "plot")

Insight :

Jumlah kasus baru berkontribusi langsung terhadap jumlah kasus aktif.

Proporsi Kasus Aktif, Sembuh dan Meninggal

Akan ditunjukkan perbandingan jumlah kasus aktif, sembuh dan meninggal. Visualisasi ini dapat membantu untuk melihat apakah jumlah kasus sembuh sudah lebih dominan atau belum.

data <- cov_diy_akumulasi_pivot[199:length(cov_diy_akumulasi_pivot$tanggal),]
ggplot(data, aes(tanggal, jumlah)) +
  geom_col(aes(fill = kategori), width = 0.7)+
  labs(
    x = NULL,
    y = "Jumlah kasus akumulasi",
    colour = NULL,
    title = "Proporsi Kasus Aktif, Sembuh, dan Meninggal",
    caption = "Sumber data: covid.19.go.id"
  )

Insight :

Jumlah kasus sembuh selalu mendominasi, meskipun demikian, akhir-akhir ini terjadi lonjakan kasus aktif yang harus diwaspadai.

Persentase Kesembuhan

Persentasi kesembuhan yang tinggi merupakan pertanda kuat bahwa penanganan wabah sudah berhasil dilakukan berikut visualisasi persentase tingkat kesembuhan terhadap titik puncak kasus positif.

cov_diy_akumulasi3 <- 
  new_cov_diy %>% 
  transmute(
    tanggal,
    persentasesembuh = sembuh/max(kasus_baru)
    )

data1 <- cov_diy_akumulasi3[67:length(cov_diy_akumulasi_pivot$tanggal),]

ggplot(data1, aes(tanggal, persentasesembuh)) +
  geom_col(size = 0.9) +
  labs(
    x = NULL,
    y = "Jumlah kasus akumulasi",
    colour = "persentasesembuh",
    title = "Persentase Kasus Sembuh Terhadap Titik Puncak",
    caption = "Sumber data: covid.19.go.id"
  )

## Warning: Removed 286 rows containing missing values (position_stack).

Insight :

Persentase kasus sembuh meningkat signifikan pada bulan Juli dan Agustus.

Analisis Data COVID-19 di DIY

Joko Eliyanto

August 6, 2020

Latar Belakang Project

Memperoleh Informasi yang Lebih Lengkap

Menyiapkan Data

Menunjukkan Melalui Gambar

Kasus Harian Positif COVID-19 di DIY

Insight :

Grafik untuk Kasus Sembuh

Insight :

Grafik untuk Kasus Meninggal

Insight :

Menggali Lebih Dalam

Apakah Pekan ini Lebih Baik?

Menjawab Pertanyaan

Membuat Bar Chart

Insight :

Visualisasi Pola dan Dinamika

Transformasi Data

pivot_longer()

Visualisasi

Insight :

Hubungan Kasus Baru dan Jumlah Kasus Aktif

Insight :

Proporsi Kasus Aktif, Sembuh dan Meninggal

Insight :

Persentase Kesembuhan

Insight :