Covid-19 adalah pandemi yang sudah mewabah ke seluruh dunia. Sebagian besar negara-negara di dunia sudah terjangkit. Penanganan tiap-tiap negara pun berbeda, sesuai dengan kebijakan pemerintah. Hal ini mengakibatkan perbedaan trend kenaikan atau penurunan kasus covid berbeda-beda tiap negara.

Pada kesempatan kali ini, kita akan membahas salah satu project dari DQLab mengenai Analisis Data Covid-19 di Dunia dan ASEAN. Dataset yang digunakan adalah data covid-19 dari salah satu open API yang tersedia yaitu https://covid19-api.org/.

Import Library

Library yang akan digunakan dalam kasus ini, yaitu

  • requests untuk menunjuk API url yang akan diakses
  • json untuk mengambil data dengan extensi json
  • numpy untuk perhitungan numerik
  • pandas untuk membuat dataframe dan manipulasi data
  • matplotlib untuk memvisualisasi data dengan grafik
# Import library yang digunakan
import requests
import json
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

import warnings
warnings.filterwarnings("ignore")

Mengakses Data

Membuat Fungsi get API

Tahap pertama adalah membuat fungsi python untuk mengambil data json pada url yang ditunjuk/dipilih. Dimana data sukses diambil dengan status code 200. Jika tidak artinya data gagal untuk diambil.

# Fungsi untuk mengambil data dari API
def get_json(api_url):
	response = requests.get(api_url)
	if response.status_code == 200:
		return json.loads(response.content.decode('utf-8'))
	else:
		return None

Memanggil API Covid19

Tahap kedua adalah mengambil data covid-19. Rekapitulasi data COVID-19 global berada di https://covid19-api.org/. Lalu kita akan mengambil data covid19 di seluruh negara pada tanggal tertentu. Untuk kasus ini, record data yang diambil adalah ‘2020-09-12’, kemudian masukkan hasil respon api ke dalam variabel.

Untuk mendapatkan dataframe covid-19, kita gunakan fungsi bawaan dari pandas yaitu pd.io.json.json_normalize dan panggil function yang sudah dibuat sebelumnya, yaitu get_json(). Lalu kita bisa menampilkan beberapa data awal sebagai sampel.

# Mengambil record data covid-19 pada tanggal tertentu
record_date = '2020-09-12'
covid_url = 'https://covid19-api.org/api/status?date='+record_date

# Membuat dataframe covid-19
df_covid_worldwide = pd.io.json.json_normalize(get_json(covid_url))
df_covid_worldwide.head()
country last_update cases deaths recovered
0 US 2020-09-11T23:32:03 6440541 192886 2417878
1 IN 2020-09-11T23:32:03 4562414 76271 3542663
2 BR 2020-09-11T23:32:03 4238446 129522 3683047
3 RU 2020-09-11T23:32:03 1048257 18309 865646
4 PE 2020-09-11T23:32:03 710067 30344 544745

Merubah Format date

Terlihat data kolom last_update belum menggunakan format yang sesuai. Untuk itu kita akan ubah menjadi format nya menggunakan fungsi pd.to_datetime dengan format YYYY-mm-dd HH:MM:SS. Kemudian ubah bentuk datetime untuk mengambil date only dengan fungsi date() setiap baris nya.

# Merubah format data tanggal
df_covid_worldwide['last_update'] = pd.to_datetime(df_covid_worldwide['last_update'], 
                                                   format='%Y-%m-%d %H:%M:%S')
df_covid_worldwide['last_update'] = df_covid_worldwide['last_update'].apply(lambda x: x.date())

# Tampilan data setelah diformat
df_covid_worldwide.head()
country last_update cases deaths recovered
0 US 2020-09-11 6440541 192886 2417878
1 IN 2020-09-11 4562414 76271 3542663
2 BR 2020-09-11 4238446 129522 3683047
3 RU 2020-09-11 1048257 18309 865646
4 PE 2020-09-11 710067 30344 544745

Mengambil Data Countries

Tahap berikutnya adalah mengambil data countries. Data tersebut berasal dari url https://covid19-api.org/api/countries. Lalu kita akan ambil hanya kolom nama negara dan kode negara saja untuk dijadikan dataframe.

# Mengambil data countries dari API
countries_url = 'https://covid19-api.org/api/countries'
df_countries = pd.io.json.json_normalize(get_json(countries_url))

# Ambil kolom yang digunakan
df_countries = df_countries.rename(columns={'alpha2': 'country'})[['name','country']]

df_countries.head()
name country
0 Afghanistan AF
1 Albania AL
2 Algeria DZ
3 Andorra AD
4 Angola AO

Analisis COVID-19 di Dunia

Merge Covid19 Data dan Countries

Pertama kita akan gabungkan 2 dataframe yang telah dibuat sebelumnya yaitu df_covid_worldwide dan df_countries menggunakan fungsi merge berdasarkan kode negara atau kolom country. Lalu tampilkan 5 data teratas hasil merge dataframe.

# Merge dataframe
df_covid_denormalized = pd.merge(df_covid_worldwide, df_countries, on='country')

# Menampilkan 5 data teratas
df_covid_denormalized.head()
country last_update cases deaths recovered name
0 US 2020-09-11 6440541 192886 2417878 United States of America
1 IN 2020-09-11 4562414 76271 3542663 India
2 BR 2020-09-11 4238446 129522 3683047 Brazil
3 RU 2020-09-11 1048257 18309 865646 Russian Federation
4 PE 2020-09-11 710067 30344 544745 Peru

Terlihat negara United States of Amerika memiliki kasus covid-19 terbanyak yaitu 6.440.541 kasus pada update terkini.

Menghitung Fatality Ratio

Selanjutnya kita akan mencari rasio tingkat kematian dari total kasus yang terjadi pada tiap negara. Caranya adalah menambahkan kolom baru bernama fatality_ratio, yang merupakan pembagian antara kolom deaths dan cases.

# Mencari fatality ratio tiap negara
df_covid_denormalized['fatality_ratio'] = df_covid_denormalized['deaths']/df_covid_denormalized['cases']

df_covid_denormalized.head()
country last_update cases deaths recovered name fatality_ratio
0 US 2020-09-11 6440541 192886 2417878 United States of America 0.029949
1 IN 2020-09-11 4562414 76271 3542663 India 0.016717
2 BR 2020-09-11 4238446 129522 3683047 Brazil 0.030559
3 RU 2020-09-11 1048257 18309 865646 Russian Federation 0.017466
4 PE 2020-09-11 710067 30344 544745 Peru 0.042734

Top 20 Negara dengan Fatality Ratio Tertinggi

Kita akan ambil 20 negara teratas dengan kolom fatality_ratio tertinggi dengan mengurutkan data secara descending menggunakan fungsi sort_values.

# Menampilkan 20 Negara dengan fatality ratio tertinggi
df_fatality_rate = df_covid_denormalized.sort_values(by='fatality_ratio', ascending=False)

df_top_20_fatality_rate = df_fatality_rate.head(20)
df_top_20_fatality_rate
country last_update cases deaths recovered name fatality_ratio
143 YE 2020-09-11 2007 582 1211 Yemen 0.289985
18 IT 2020-09-11 284796 35597 212432 Italy 0.124991
13 GB 2020-09-11 364085 41703 1848 United Kingdom of Great Britain and Northern I... 0.114542
35 BE 2020-09-11 90568 9917 18659 Belgium 0.109498
6 MX 2020-09-11 652364 69649 541804 Mexico 0.106764
191 EH 2020-09-11 10 1 8 Western Sahara 0.100000
28 EC 2020-09-11 113206 10749 91242 Ecuador 0.094951
11 FR 2020-09-11 401794 30899 89823 France 0.076903
39 NL 2020-09-11 83369 6290 1846 Netherlands 0.075448
157 TD 2020-09-11 1081 79 934 Chad 0.073080
38 SE 2020-09-11 86505 5846 0 Sweden 0.067580
25 CA 2020-09-11 137531 9214 121523 Canada 0.066996
181 FJ 2020-09-11 32 2 24 Fiji 0.062500
154 LR 2020-09-11 1315 82 1199 Liberia 0.062357
84 SD 2020-09-11 13470 834 6731 Sudan 0.061915
155 NE 2020-09-11 1178 69 1100 Niger 0.058574
68 IE 2020-09-11 30571 1781 23364 Ireland 0.058258
160 SM 2020-09-11 722 42 662 San Marino 0.058172
26 BO 2020-09-11 124205 7193 79483 Plurinational State of Bolivia 0.057912
91 HU 2020-09-11 10909 631 4014 Hungary 0.057842

Visualisasi Top 20 Negara dengan Fatality Rate Tertinggi

Untuk memvisualisasikan negara-negara dengan kasus fatality rate tertinggi akibat covid-19 ini dapat dilakukan dengan menggunakan bar chart. Dimana sumbu x adalah kolom name (nama negara), dan sumbu y adalah kolom fatality_ratio, lalu gunakan fungsi plt.barh(x, y) dari library matplotlib agar nama negara terlihat jelas.

# Membuat grafik Top 20 Negara
plt.figure(figsize=(13, 8))

top_20 = df_top_20_fatality_rate.sort_values(by='fatality_ratio')
x = top_20['name']
y = top_20['fatality_ratio']
plt.barh(x,y)

# Labeling axis
plt.xlabel('Fatality Rate')
plt.ylabel('Country Name')
plt.title('Top 20 Highest Fatality Rate Countries')
# plt.xticks(rotation=90)
# plt.tight_layout()

plt.show()

png

Dari grafik tersebut dapat disimpulkan Negara Yemen memiliki fatality ratio tertinggi yaitu 0.289985, walaupun memiliki total kasus lebih sedikit dibandingkan Italy di peringkat kedua.

Analisis COVID-19 di ASEAN

Menggabungkan Dataframe

Kali ini kita akan membandingkan kasus covid-19 di negara ASEAN, yaitu Indonesia, Thailand, Singapore, Malaysia, Philippines, Vietnam, Brunei, Myanmar (Burma), Cambodia, Laos. Berikut adalah kode negara ASEAN yang akan kita masukkan sebagai list.

  • ID -> Indonesia
  • TH -> Thailand
  • SG -> Singapore
  • MY -> Malaysia
  • PH -> Philippines
  • VN -> Vietnam
  • BN -> Brunei
  • MM -> Myanmar
  • KH -> Cambodia
  • LA -> Laos

Untuk itu, API country akan dipanggil berkali-kali sebanyak negara yang ada di list tersebut menggunakan perulanagan/looping. Tahapan mengambil data API masih sama seperti di awal.

# Membuat list kode negara ASEAN
countries = ['ID','TH','SG','MY','PH','VN','BN','MM','KH','LA']

# Looping untk mengambil data covid-19 tiap negara
i = 0
for country in countries:
	covid_timeline_url = 'https://covid19-api.org/api/timeline/'+country
	df_covid_timeline = pd.io.json.json_normalize(get_json(covid_timeline_url))
	df_covid_timeline['last_update'] = pd.to_datetime(df_covid_timeline['last_update'], format='%Y-%m-%dT%H:%M:%S')
	df_covid_timeline['last_update'] = df_covid_timeline['last_update'].apply(lambda x: x.date())
	if i==0:
		df_covid_timeline_merged = df_covid_timeline
	else:
		df_covid_timeline_merged = df_covid_timeline.append(df_covid_timeline_merged, ignore_index=True)
	i=i+1

df_covid_timeline_merged.head()
country last_update cases deaths recovered
0 LA 2020-09-12 23 0 21
1 LA 2020-09-11 23 0 21
2 LA 2020-09-10 22 0 21
3 LA 2020-09-09 22 0 21
4 LA 2020-09-08 22 0 21

Merge Data Covid19 Dengan Data Country

Tahap berikutnya adalah menggabungkan 2 dataframe yaitu df_covid_timeline_merged dengan df_countries dengan kolom country (kode negara) sebagai pivot.

# Merge Data Covid-19 dan Country
df_covid_timeline_denormalized = pd.merge(df_covid_timeline_merged, df_countries, on='country')

df_covid_timeline_denormalized.head()
country last_update cases deaths recovered name
0 LA 2020-09-12 23 0 21 Lao People's Democratic Republic
1 LA 2020-09-11 23 0 21 Lao People's Democratic Republic
2 LA 2020-09-10 22 0 21 Lao People's Democratic Republic
3 LA 2020-09-09 22 0 21 Lao People's Democratic Republic
4 LA 2020-09-08 22 0 21 Lao People's Democratic Republic

Pertumbuhan Kasus Covid-19 di ASEAN

Untuk melihat pertumbuhan kasus covid-19, kita akan memfilter kolom last_update dari data covid-19 sehingga hanya data dari tanggal 1 Maret 2020 ke atas yang diambil menggunakan fungsi datetime.date dari library datetime dengan format (YYYY, mm, dd).

import datetime

# Filter pertumbuhan covid-19 pada tanggal tertentu
df_covid_timeline_denormalized = df_covid_timeline_denormalized[(df_covid_timeline_denormalized['last_update'] >= datetime.date(2020, 3, 1))]

Visualisasi Kasus Covid-19 di ASEAN

Untuk menggambarkan pertumbuhan kasus covid-19, kita akan gunakan line chart. Dimana sumbu x adalah tanggal (last_update) pada tiap-tiap negara dan y adalah jumlah kasus (cases) pada tiap-tiap negara.

# List negara ASEAN
countries = ['ID','TH','SG','MY','PH','VN','BN','MM','KH','LA']

# Membuat perulangan line chart tiap negara

plt.figure(figsize=(12,7))
for country in countries:
	country_data = df_covid_timeline_denormalized['country']==country
	x = df_covid_timeline_denormalized[country_data]['last_update']
	y = df_covid_timeline_denormalized[country_data]['cases']
	plt.plot(x, y, label = country)

plt.legend()
plt.xlabel('Record Date')
plt.ylabel('Total Cases')
plt.title('Asean Covid19 Cases Comparison')

plt.show()

png

Dari grafik di atas dapat disimpulkan Negara Philippines memiliki jumlah kasus terbanyak di ASEAN yaitu diatas 250.000 kasus, disusul Indonesia di peringkat 2, dan Singapore di peringkat 3.