KELOMPOK 9

Projek UAS EDA

 Anggota Kelompok

Deswita Nur A F Yuliana Alif Alamsyah

11220940000002 11220940000024 11220940000028

Marwah Habibah R Syahril Adam

11220940000040 11220940000050
 Topik Bahasan

PENDAHULUAN VISUALISASI DATA

PRE-PROCESSING DATA KESIMPULAN

Pendahuluan
 Pendahuluan

Rumusan Masalah:
1. Bagaimana distribusi kasus COVID-19 di seluruh dunia?
2. Bagaimana perkembangan tren mingguan dari jumlah kasus COVID-19 di negara
Indonesia dan Malaysia?
3. Bagaimana hubungan antara jumlah orang yang divaksinasi dengan kasus baru
COVID-19 terbanyak di 25 negara terhadap tingkat efektivitas vaksinasi?
4. Bagaimana pengaruh vaksinasi booster terhadap sistem kekebalan tubuh di 25
negara dengan "PERSONS_BOOSTER_ADD_DOSE" nya sebagai nilai maksimum?
5. Apakah hanya dengan melakukan vaksinasi dosis ke-1 dapat mempengaruhi
penurunan ataupun kenaikan kasus baru maupun kematian pada COVID-19 di 10
negara dengan "PERSONS_VACCINATED_1PLUS_DOSE" nya sebagai nilai
maksimum?
 Pendahuluan

Tujuan: Sumber Data:

Menganalisis dan
memvisualisasikan data kasus
COVID-19 serta vaksinasi
https://data.who.int/dashboard
COVID-19 dari WHO untuk
s/covid19/data?n=c
mendapatkan wawasan terkait
tren dan distribusi kasus serta
efektivitas vaksinasi.
 Pendahuluan

WHO COVID-19
Global Data
Date_reported: Tanggal pelaporan kepada WHO.
Country_code: Kode negara ISO Alpha-2.
Country: Nama negara
WHO_region: Kantor regional WHO yang menjadi anggota negara tersebut.
New_cases: Jumlah kasus terkonfirmasi baru yang dilaporkan pada hari tertentu.
Cumulative_cases: Total kumulatif kasus terkonfirmasi yang dilaporkan kepada WHO hingga tanggal tertentu.
New_deaths: Jumlah kematian terkonfirmasi baru yang dilaporkan pada hari tertentu.
Cumulative_deaths: Total kumulatif kematian terkonfirmasi yang dilaporkan kepada WHO hingga tanggal
tertentu.
 Pendahuluan

Vaccination Data
DATE_UPDATED: Tanggal pembaruan terakhir.
TOTAL_VACCINATIONS: Total kumulatif dosis vaksin yang diberikan.
PERSONS_VACCINATED_1PLUS_DOSE: Jumlah kumulatif orang yang divaksinasi dengan setidaknya satu dosis.
TOTAL_VACCINATIONS_PER100 : Total kumulatif dosis vaksin yang diberikan per 100 populasi.
PERSONS_VACCINATED_1PLUS_DOSE_PER100: Jumlah kumulatif orang yang divaksinasi dengan setidaknya satu dosis per 100
populasi.
PERSONS_LAST_DOSE: Jumlah kumulatif orang yang divaksinasi dengan rangkaian primer lengkap.
PERSONS_LAST_DOSE_PER100: Jumlah kumulatif orang yang divaksinasi dengan rangkaian primer lengkap per 100 populasi.
VACCINES_USED: Nama singkat gabungan vaksin dalam format "Perusahaan - Nama Produk."
FIRST_VACCINE_DATE: Tanggal vaksinasi pertama, setara dengan tanggal mulai/peluncuran vaksin pertama yang diberikan di suatu
negara.
NUMBER_VACCINES_TYPES_USED: Jumlah jenis vaksin yang digunakan per negara, wilayah, atau area.
PERSONS_BOOSTER_ADD_DOSE: Jumlah kumulatif orang yang divaksinasi dengan setidaknya satu dosis penguat atau dosis.
tambahan.
PERSONS_BOOSTER_ADD_DOSE_PER100: Jumlah kumulatif orang yang divaksinasi dengan setidaknya satu dosis penguat
atau dosis tambahan per 100 populasi.
Pre-processing
1. Menghapus kolom/variabel yang tidak diperlukan pada data

Code: Code:

Output: Output:

Data Covid Data Vaksin

Hal ini dilakukan untuk memperkecil ukuran data dengan berisikan variabel yang hanya diperlukan.
Dan ini juga akan membuat data lebih efisien untuk proses selanjutnya.
2. Mengubah tipe data pada data

Code: Code:

Output:

Data Covid Data Vaksin

Hal ini dilakukan karena ada beberapa variabel yang belum sesuai dengan jenis datanya sendiri. Oleh
karena itu, kami akan mengubah menjadi sesuai dengan datanya.
3. Memeriksa duplikasi pada data

Code: Code:

Output: Output:

Data Covid Data Vaksin

Hal ini dilakukan untuk mengetahui apakah ada data yang terduplikasi atau tidak pada data tersebut,
sebagai bahan pertimbangan untuk mengambil tindakan lebih lanjut nantinya.
4. Menghapus data yang terduplikasi pada data

Code: Code:

Output: Output:

Data Covid Data Vaksin

Hal ini dilakukan untuk mencegah terjadinya data yang mis interpretasi dan salah tafsir.
5. Memeriksa noise pada data
Kontinu: Code:

Output:

Kategorik:

Data Vaksin

Data Covid
Hal ini dilakukan untuk mengetahui apakah ada kesalahan pada data tersebut.
5. Memeriksa noise pada data Covid

Nilai data pada data COVID haruslah bernilai positif karena merupakan suatu data yang diperoleh
melalui pengamatan dan pencatatan jumlah kasus, sehingga tidak mungkin bernilai negatif. Oleh
karena itu, jika terdapat nilai data yang bernilai negatif, maka diyakini sebagai noise atau
gangguan yang mungkin berasal dari kesalahan pengukuran atau pemrosesan data. Ternyata
setelah melakukan screening melalui statistika deskriptif ditemukan data yang nilai minimalnya
bernilai negatif. Lebih jauh lagi akan diperiksa banyaknya data pada setiap variabel yang
bernilai negatif.

Memeriksa Variabel yang negatif:

6. Memeriksa keberadaan outlier pada data Covid
Dilakukan untuk mengetahui apakah ada data yang menyimpang jauh ke kanan atau ke kiri.
Tetapi, di sini kami tidak akan menghapus outlier yang ada karena nantinya akan berguna untuk
mendapatk|an suatu insight dari visualisasi yang ada. Berikut variabel yang akan diperiksa
outliernya:
Variabel “New_cases” Variabel "Cumulative_cases"
Code: Code:

Output: Output:
6. Memeriksa keberadaan outlier pada data Covid
Dilakukan untuk mengetahui apakah ada data yang menyimpang jauh ke kanan atau ke kiri.
Tetapi, di sini kami tidak akan menghapus outlier yang ada karena nantinya akan berguna untuk
mendapatk|an suatu insight dari visualisasi yang ada. Berikut variabel yang akan diperiksa
outliernya:
Variabel "Cumulative_deaths" Variabel "New_deaths"
Code: Code:

Output: Output:
6. Memeriksa keberadaan outlier pada data Vaksin
Dilakukan untuk mengetahui apakah ada data yang menyimpang jauh ke kanan atau ke kiri.
Tetapi, di sini kami tidak akan menghapus outlier yang ada karena nantinya akan berguna untuk
mendapatk|an suatu insight dari visualisasi yang ada. Berikut variabel yang akan diperiksa
outliernya:

Variabel "TOTAL_VACCINATIONS" Variabel "PERSONS_VACCINATED_1PLUS_DOSE"

Code:
Code:

Output: Output:
Variabel "PERSONS_BOOSTER_ADD_DOSE"

Code:

Output:
7. Memeriksa keberadaan missing value pada data
Hal ini dilakukan untuk mengetahui pada variabel apa saja yang terdapat "NaN," dan akan
dilakukan tindak lanjut yang sesuai untuk mengatasinya.

Data Covid Data Vaksin

Code: Code:

Output: Output:
8. Mengimputasi missing value pada data

Data Covid Data Vaksin

Hal ini dilakukan untuk menggantikan nilai Hal ini dilakukan untuk menggantikan nilai
"NaN" dengan "Other". "NaN" dengan nilai mean.
Code: Code:

Output: Output:
Visualisasi Data
Distribusi kasus COVID-19 di seluruh dunia
Perkembangan Tren Mingguan Jumlah Kasus COVID-19 di
Indonesia dan Malaysia
Hubungan antara jumlah orang yang divaksinasi dengan kasus
baru COVID-19 terbanyak di 25 negara terhadap tingkat
efektivitas vaksinasi

Meskipun China memiliki jumlah kasus baru yang tinggi, total vaksinasi mereka juga sangat
besar. Ini dapat mengindikasikan bahwa vaksinasi telah membantu mengurangi dampak pandemi.
Hubungan vaksinasi booster terhadap sistem kekebalan tubuh di
25 negara dengan "PERSONS_BOOSTER_ADD_DOSE" nya sebagai
nilai maksimum

Perbandingan antara jumlah dosis vaksinasi booster dan jumlah kasus baru dapat memberikan indikasi
tentang efektivitas vaksinasi booster dalam melindungi individu dari infeksi atau mengurangi tingkat
keparahan penyakit. Sehingga, vaksinasi booster berpengaruh terhadap sistem kekebalan tubuh di 25
negara dengan "PERSONS_BOOSTER_ADD_DOSE" nya sebagai nilai maksimum.
Hubungan vaksinasi dosis ke-1 terhadap penurunan ataupun
kenaikan kasus baru maupun kematian pada COVID-19 di 10
negara berdasarkan "PERSONS_VACCINATED_1PLUS_DOSE"
terbanyak

Vaksinasi dosis pertama (PERSONS_VACCINATED_1PLUS_DOSE) memiliki korelasi positif yang kuat

dengan jumlah kasus baru (New Cases). Namun, korelasi antara vaksinasi dosis pertama dan jumlah
kematian baru (New Deaths) relatif rendah, menandakan bahwa vaksinasi dosis pertama mungkin tidak
memiliki dampak signifikan terhadap tingkat kematian.
Kesimpulan
 Kesimpulan
1. Dari peta, dapat kita lihat persebaran jumlah kasus COVID-19 di seluruh dunia dari waktu ke waktu.
2. Perkembangan Tren Mingguan Jumlah Kasus COVID-19 di Indonesia dan Malaysia dari grafik.
3. Negara-negara yang mengalami tingkat kasus baru yang tinggi juga cenderung memiliki total vaksinasi
yang tinggi. Sebaliknya, negara-negara dengan total vaksinasi yang rendah lebih mungkin menghadapi
jumlah kasus baru yang lebih tinggi. Temuan ini menunjukkan adanya kompleksitas dalam mengendalikan
penyebaran virus (efektivitas), di mana vaksinasi saja tidak selalu menjadi penentu tunggal dalam
mereduksi kasus baru. Faktor-faktor lain seperti kebijakan pencegahan, kapasitas sistem kesehatan, dan
respons masyarakat kemungkinan turut berperan dalam mengatasi COVID-19 di berbagai negara.
4. Perbandingan antara jumlah dosis vaksinasi booster dan jumlah kasus baru dapat memberikan indikasi
tentang efektivitas vaksinasi booster dalam melindungi individu dari infeksi atau mengurangi tingkat
keparahan penyakit. Sehingga, vaksinasi booster berpengaruh terhadap sistem kekebalan tubuh di 25 negara
dengan "PERSONS_BOOSTER_ADD_DOSE" nya sebagai nilai maksimum. Faktor-faktor tambahan seperti
efektivitas vaksin terhadap varian, kebijakan kesehatan masyarakat, dan respons masyarakat juga memainkan
peran penting dalam pengaruh efektivitas vaksinasi booster.
5. Vaksinasi dosis pertama (PERSONS_VACCINATED_1PLUS_DOSE) memiliki korelasi positif yang kuat dengan
jumlah kasus baru (New Cases). Namun, korelasi antara vaksinasi dosis pertama dan jumlah kematian baru
(New Deaths) relatif rendah, menandakan bahwa vaksinasi dosis pertama mungkin tidak memiliki dampak
signifikan terhadap tingkat kematian. Jadi, meskipun vaksinasi dosis pertama dapat berhubungan positif
dengan penurunan kasus baru, tidak dapat dianggap sebagai satu-satunya faktor penentu untuk mengurangi
tingkat kematian. Faktor-faktor lain seperti efektivitas vaksin, kebijakan pencegahan, dan respons
masyarakat juga berpengaruh dalam penyebaran COVID-19.
Terima kasih!

YA TIDAK