Mencoba SHINYAPPS: Visualisasi Shiny COVID 19

Shiny Web App

Banyak orang bilang bahwa R tidak powerful enough untuk dijadikan basis suatu aplikasi. Memang benar adanya, karena awalnya R digunakan sebagai data analisys tools. Namun, dengan perkembangan yang ada, kini R bisa digunakan untuk membuat suatu aplikasi web-based seperti Shiny Apps.

Awalnya saya agak malas untuk mempelajari hal ini. Rmarkdown Xaringan menurut saya sudah cukup untuk pekerjaan sehari-hari membuat report market riset dan data science di kantor. Untuk urusan dashboard, saya sudah fasih menggunakan Qlik Sense sejak lama dan kini kantor memilih untuk deploy Tableau.

Buat apa saya harus belajar Shiny lagi?

Begitu pikir saya.

Namun minggu lalu, saat saya dihadapkan untuk membuat dashboard hasil riset di Tableau, saya menemukan kesulitan saat membuat struktur data dari multiple answer questions. Susah banget ternyata. Tidak semudah Qlik Sense.

Dengan metode pivot sampai export pre-processed data ke format .json sudah saya lakukan. Belum ada satupun yang memuaskan saya.

Sampai akhirnya saya mencoba si Shiny.

Ternyata cukup mudah yah. Jika kalian sudah terbiasa membuat Rmarkdown dan memang menyimpan functions visualisasi, ini adalah cara yang termudah dalam membuat Shiny.

Singkat cerita, dalam sehari saya bisa membuat semacam mini dashboard visualisasi untuk Covid 19. Bukan hanya visualisasi, tapi saya meng- embed algoritma scraping data otomatis setiap kali saya republish to server.

Analisa yang Dilakukan

Salah satu pertanyaan yang sering muncul adalah:

Kapan pandemi ini berakhir?

Jika pada tulisan sebelumnya, saya banyak membahas mengenai math modelling, sekarang saya akan coba melihat dari data yang ada.

Dua minggu pasca lebaran, jika kita perhatikan angka kenaikan kasus positif Covid 19 di Indonesia perharinya mencapai angka sekitar 1.000 orang. Ini membuat sebagian dari kita bertanya-tanya.

Namun, perlu diperhatikan. Data kenaikan kasus positif adalah data akibat. Lalu apa data sebabnya? Yaitu adalah data banyaknya tes yang dijalankan.

Dengan membandingkan data tes dan data kenaikan kasus positif, kita bisa mendapatkan gambaran yang lebih baik mengenai kondisi terkini di Indonesia.

Secara visual, dapat dilihat bahwa kedua data ini pasti berkorelasi kuat yah. Jadi ya memang kenaikan kasus yang tinggi adalah wajar karena angka pemeriksaan yang dilakukan juga tinggi.

Kalau dihitung korelasinya, maka:

cor.test(data_1$total_kasus,data_1$jumlah_orang_diperiksa)

## 
##  Pearson's product-moment correlation
## 
## data:  data_1$total_kasus and data_1$jumlah_orang_diperiksa
## t = 197.61, df = 110, p-value < 0.00000000000000022
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  0.9979548 0.9990343
## sample estimates:
##       cor 
## 0.9985946

Sekarang, saya akan hitung rasio positif per pemeriksaan, yakni berapa persen orang yang positif dari semua orang yang diperiksa terkait Covid 19.

Berdasarkan grafik di atas, tampaknya rasio positif per pemeriksaan di Indonesia sudah relatif stabil di angka ~12%. Saya tidak menyimpulkan bahwa angka ini bagus ya! Saya akan sangat happy jika rasio ini semakin turun hingga di bawah 5%.

Lalu bagaimana cara menurunkan rasio ini?

Simpel:

1. Menaikkan angka pemeriksaan: Pemerintah harus lebih gencar dan rajin melakukan banyak pemeriksaan secara masif kepada masyarakat.
2. Menurunkan angka positif: Masyarakat juga harus sadar dengan protokol kesehatan.