VISUALISASI DATA PENYEBARAN COVID 19 DI INDONESIA DAN MALAYSIA

Moh. Badri Tamam, Anwari Anwari, Hozairi Hozairi

Abstract


Seluruh dunia saat ini sedang mengalami pandemi yang disebut Novel Coronavirus 19 (2019-nCOv). Hingga saat ini, belum ada yang bisa memastikan kapan pandemi COVID-19 ini akan berakhir. Virus yang memiliki laju penyebaran sangat cepat ini telah menyebar ke 203 negara, termasuk Indonesia dan Malaysia. Indonesia adalah negara berpenduduk muslim terbesar di dunia. Saat merayakan salah satu hari raya Idul Fitri, Indonesia memiliki budaya mudik untuk bertemu dengan keluarga masing-masing. Salah satu alternatif pilihan untuk pulang adalah dengan menggunakan transportasi umum. Untuk meningkatkan kesadaran masyarakat tentang penyebaran virus ini, kami mengusulkan studi berupa visualisasi data penyebaran COVID-19 di Indonesia dan Malaysia. Untuk melakukan ini, pertama-tama perlu untuk mengintegrasikan data pada data COVID-19 saat ini menggunakan Python. Matplotlib dan pandas adalah metode untuk membuat visualisasi data lebih interaktif, mudah dibaca, dan mudah dianalisa. Visualisasi yang dilakukan adalah mengubah data tabel yang kaku menjadi bentuk grafik, diagram, dan sebagainya yang mampu memperlihatkan perubahan dan perbedaan data menjadi lebih jelas. Alhasil, tampilan data hasil analisis biasa menjadi lebih cantik dengan visual yang baik menggunakan matplotlib dan pandas, dari hasil pengujian terlihat jelas penyebaran covid 19 yang paling signifikan adalah Indonesia, dimana sejak hari ke 65 melonjak.

Kata kunci: Covid19, Matplotlib, Python, Visualisasi


References


S. Duli, “Data Visualizations in Python | R | Tableau | D3.js,” pp. 1–6.

K. Adawadkar, “Python Programming-Applications and Future,” International Journal of Advance Engineering and Research Development, vol. 4, no. 04, pp. 1–4, 2017.

D. M. Macleod, J. S. Areeda, S. B. Coughlin, T. J. Massinger, and A. L. Urban, “GWpy: A Python package for gravitational-wave astrophysics,” SoftwareX, vol. 13, p. 100657, 2021.

S. Singh et al., “MECHELASTIC: A Python library for analysis of mechanical and elastic properties of bulk and 2D materials,” Computer Physics Communications, vol. 267, 2021.

I. F. Ahmad, “Asesmen Alternatif Dalam Pembelajaran Jarak Jauh Pada Masa Darurat Penyebaran Coronavirus Disease (Covid-19) Di Indonesia,” PEDAGOGIK: Jurnal Pendidikan, vol. 7, no. 1, pp. 195–222, 2020.

J. Lin, X. Ma, S.-C. Lin, J.-H. Yang, R. Pradeep, and R. Nogueira, Pyserini: An Easy-to-Use Python Toolkit to Support Replicable IR Research with Sparse and Dense Representations, vol. 1, no. 1. Association for Computing Machinery, 2021.

A. K. Fauziyyah, “Analisis Sentimen Pandemi Covid19 Pada Streaming Twitter Dengan Text Mining Python,” Jurnal Ilmiah SINUS, vol. 18, no. 2, p. 31, 2020.

K. Kurniawan and D. Antoni, “Visualisasi Data Penduduk Dalam Membangun E-government Berbasis Sistem Informasi Geografis (GIS),” Jurnal Sisfokom (Sistem Informasi dan Komputer), vol. 9, no. 3, pp. 310–316, 2020.

K. Kobayashi and T. S. Suzuki, “Free analysis and visualization programs for electrochemical impedance spectroscopy coded in python,” Electrochemistry, vol. 89, no. 2, pp. 218–222, 2021.

D. Saepuloh, “Visualisasi Data Covid 19 Provinsi Dki Jakarta Menggunakan Tableau Data Visualization Of Covid 19 Province Dki Jakarta Using Tableau bernama Severe Acute Respiratory Syndrome Perbedaan Tableau Desktop Tableau Public Open Source Berbayar ( bukan open sourc,” vol. 13, no. 2, pp. 55–64, 2020.

M. C. Sorkun, D. Mullaj, J. M. V. A. Koelman, and S. Er, “ChemPlot, a Python library for chemical space visualization,” pp. 1–18, 2021.

D. Makowski et al., “NeuroKit2: A Python toolbox for neurophysiological signal processing,” Behavior Research Methods, vol. 53, no. 4, pp. 1689–1696, 2021.

N. Sharon, “Comparative Analysis of Data Visualization Libraries Matplotlib and Seaborn in Python,” International Journal of Advanced Trends in Computer Science and Engineering, vol. 10, no. 1, pp. 277–281, 2021.

K. M. Vamsi, P. Lokesh, K. N. Reddy, and P. Swetha, “Visualization of Real World Enterprise Data using Python Django Framework,” IOP Conference Series: Materials Science and Engineering, vol. 1042, no. 1, p. 012019, 2021.

J. Piazentin Ono, J. Freire, and C. T. Silva, “Interactive data visualization in Jupyter notebooks,” Computing in Science and Engineering, vol. 23, no. 2, pp. 99–106, 2021.

HeriSupriyanto, " Perbandingan Metode Supervised Learning Untuk Peramalan Time Series Pada Kunjungan Pasien Rawat Jalan" Jurnal Simantec Vol. 10,No. 2 Juni 22




DOI: https://doi.org/10.21107/simantec.v11i1.14252

Refbacks

  • There are currently no refbacks.


Copyright (c) 2022 Moh. Badri Tamam

Indexed By