52
KEYNOTE PAPER SAIS 2020
UNLEASH THE POWER OF BIG DATA THROUGH COVID19
Norita Md Norwawi
Faculty of Science and Technology, Universiti Sains Islam Malaysia. [email protected]
Abstract
The pandemic coronavirus disease 2019 (COVID-19) first reported in Malaysia on 25th January but the spread remains low until 11 March upon the detection of first sporadic COVID 19 which then progress to a massive spike in the middle of March. The third wave of the epidemic with higher spike was detected late September. Understanding the epidemic is very crucial in responding to the situation. The COVID-19 time-series data analysis provides insight into the situation that may lead to an early response by estimating future trends. This paper presents the concept and applications of Big Data and demonstrates the data analytic aspect using a sliding window time-series forecasting methods. Data from 25th January until 10th October was obtained from the Malaysian Ministry of Health (MOH) and Department of Statistics Malaysia website for the analysis. The data analytics demonstrated the value gain for useful insights.
Keywords: big data, data analytics, predictive analytics, trend analysis, time-series
INTRODUCTION
The World Health Organization named Novel Coronavirus disease which is an infectious
disease caused by a newly discovered coronavirus as COVID-19. The coronavirus 2019
disease first detected in Wuhan on the 31st December 2019 known as severe acute
respiratory syndrome coronavirus2 (SARS-CoV-2) facing respiratory problem with such
as coughing, persistent chest pain and difficulty in breathing (WHO, 2012) However,
some people who become infected do not show any symptoms or feeling of unwell. To
break the chain, Movement Control Order (MCO) was declared thus managing, control
the spreading and mitigating the risk of spikes in the pandemic.
In Malaysia, a country of 31 million people, over 15,657 have been infected with COVID-
19 and 157 fatalities have been reported up until 11th October 2020. The disease was first
reported in Malaysia on 25 January 2020 on 3 travellers from China gradually lead to the
first sporadic infected person reported on 11th March. This implies that he did not
contract the disease due to travelling overseas or close contact. Since then, there was a
sharp increase in the trend of people infected positive COVID-10 with its peak in middle
March. As of 11 October 2020, out of the 15,657 COVID-19 cases reported in the country,
69.70 per cent have been cured with the fatality rate of 1.0%. This implies that Malaysia’s
53
strategies in attempting to break the chain of infection through several MCO strategies
since 18 March 2020 show a remarkable result (MOH, 2020; DOSM, 2020). Analysis of the
current situation, its trend and patterns are very crucial in supporting and facilitating the
government decision-making especially at a major critical turning point of an event.
BIG DATA AND COVID19
With the current development and Fourth Industrial Revolution, voluminous data are
being created every millisecond due to Internet technology and Web 2.0. However, the
data remain useless in its raw form unless processed into a useful form required for
problem solving and decision-making. In the current Industry 4.0, data is a commodity
that may lead to economical power by providing useful insights such as for business
organizations.
As an example, Amazon.com conducted personalized marketing with a targeted segment
of customers with similar interest in a certain topic of knowledge. Digital marketers can
post advertisements to targetted customers browsing on social media such as Facebook,
Twitter and Youtube. We may have noticed that the advertisements that were pushed
into our social media status usually matched our current interest mined from recent
Google keyword search. Twitter text data, for instance, may be used to study the current
trend in terms of product popularly known as sentiment analysis. The mass volume of
data which may be structured, semi-structured or unstructured characterized Big Data
that has 5 elements which are Volume, Velocity, Variety, Veracity and Value known as
5V ( O’Reilly Media, 2012; Hamdan et al., 2018;) describe as follows :
Volume Huge size of data is generated every second, for instance, emails, web sites,
Internet of Things sensors, Whatsapp messages, status posting on social media such as
Facebook, Twitter, Instagram and so on. Due to the mass volume of the data collected,
an alternative processing and analysis techniques are required to handle the size.
Velocity The speed of the data being created and distributed is rapid almost an instance
of time such as sending messages, photos, social media status, stories and live streaming
over the Internet. Cloud and mobile platform. The current big data technology can
execute real-time data processing such as radar tracking for air flight, Global Positioning
Sensor (GPS) tracking on transports, apps, Google map and laptops.
Variety The data in the current Algorithm Age or the Algorithmic Economic are various
formats such as text, images, video, audio, structured and unstructured in contrast with
the Information Age that analyse structured data.
54
Veracity Since 80% of the data is unstructured, extraction for hidden patterns is very
challenging due to the dynamicity, fast-changing volatile data, data loss and noises, thus
influence the accuracy, trustworthiness and data quality in general.
Value The patterns extracted from the data give value for decision-making and problem-
solving which is the key importance of Big Data. For example, during the Obama election
campaign in 2012, many data scientist were hired to mine data and conduct sentiment
analysis to gauge the inclination of the voters towards certain issues which gave a huge
advantage to him (Hamdan, 2018).
The Power of Big Data
Due to the 5V characteristics of the Big Data, analyzing those voluminous data using
conventional techniques such as databases, Statistics and Data Engineering is no more
efficient and effective. It requires a special database that can have huge volumes of data.
Some examples of Big Data applications are shortest route search using Google Map,
book recommendation with Amazon.com, hotel recommendation with Trivago and
weather forecast that able to give an early warning on an expected storm, earthquakes
and so on. Millions of data being collected and analysed within minutes giving useful
information to users.
Big Data Applications for COVID 19
Dr Kamran Kahn, an epidemiologist and practising physician trained in advanced data
analytics launched BlueDot, a Toronto-based startup developed proprietary software-
as-a-service capable of locating, tracking, and predicting the spread of infectious disease
in 2015. The BlueDot engine searched data every 15 minutes every day gathering over
150 diseases and syndromes around the world. He builds the world’s first Artificial
Intelligence (AI)-based infectious disease surveillance equipped with Big Data
functionality with global early warning system capable to track and contextualize
infectious disease risks. BlueDot was first to detect the epidemic on a cluster of “unusual
pneumonia” on 31 December 2019 from articles in Chinese that reported 27 pneumonia
cases happening around a market that had seafood and live animals in Wuhan, China
(Bragazzi et. al, 2020; McCall, 2020).
BlueDot was able to anticipate the spread based on highest volume air flights
movements from Wuhan to Bangkok, Hong Kong, Tokyo, Taipei, Phuket, Seoul, and
Singapore which in actual was also the first places to record COVID-19 cases. BlueDot
55
demonstrated the capability of AI and Big Data co-exist with decision-makers to give
useful insights and predictive analytics that can speed up decisions, facilitate strategic
problem solving and innovate solutions.
On the other hand, the of the important sources of information on COVID 19 was
initiated by John Hopkins University, the United States of America that provide real-
time global data visualization on the spreading of the virus using computational
techniques through its CoronaVirus Resource Centre as shown in Figure 1.
Figure 1: John Hopkins Coronavirus Resource Centre
(https://coronavirus.jhu.edu/map.html)
In terms of research, Qin et al. (2020) exploited Big Data to detect new COVID-19
suspected cases in 6–9 days and confirmed cases in 10 days whereas Yang et al. (2020)
predicted the COVID-19 epidemic peaks and sizes. In Iran, Ahmadi et al. (2020) study
on the correlation between climatology parameters on the COVID-19 outbreak using
sensitivity analysis. He found out coronavirus highly infected patient may survive due
to low values of wind speed, humidity, and solar radiation exposure. He also concluded
that locations with high population density, intra-provincial movements and humidity
rate are more at risk.
COVID 19 DATA ANALYTICS FOR MALAYSIA
In Malaysia, first reported cases imported from China travelers was on 25 January and
a local sporadic infected person was detected on 11 March 2020. The first Movement
Control Order (MCO) was declared on 18th March upon the trace of the first spike in
the epidemic trend. The third wave took place end of September with much higher
positive cases compared to the maximum from the second wave, especially in Sabah
and Kedah.
56
Besides the Ministry of Health and National Security Division website, the Department
of Statistics Malaysia also has a dedicated web page for the Corona Virus updates as
shown in Figure 2.
Figure 2: COVID 19 Cases in Malaysia until 7 Oktober 2020 (https://ukkdosm.github.io/covid-19)
ESRI ( https://coronavirus-nsesrimy.hub.arcgis.com/) is another website that also displays the current COVID 19 situation using Geographical Information System (GIS) data is as in Figure 3.
Figure 3: ESRI web site with GIS data
57
An interesting website (https://outbreak.my) shows the visualization of the spreading
of the epidemic and patients infected with Corona Virus as depicted in Figure 4.
Figure 4: Visualization of COVID 19 outbreak (https://www.outbreak.my/cases)
Daily total cases in Malaysia is illustrated in Figure 5 recorded on Worldometer .
Figure 5: Active Cases in Malaysia until 11 October 2020
( https://www.worldometers.info/coronavirus/country/malaysia/)
30
KERTAS KERJA UCAPTAMA SEMINAR SAIS 2020
GELAGAT PENGGUNA, PENJANAAN DAN PENGEMBANGAN KEKAYAAN
PASCA COVID-19
Nuradli Ridzwan Shah Bin Mohd Dali i, Hanifah Binti Abdul Hamid ii, Wan Rasyidah Binti Wan
Nawang iii, Wan Nur Fazni Binti Wan Mohamad Nazarie iv & Umi Hamidaton Binti Mohd
Soffian Lee v
i Professor Madya, Fakulti Ekonomi dan Muamalat, Universiti Sains Islam Malaysia.
[email protected] ii Pensyarah Kanan, Fakulti Sains dan Teknologi, Universiti Sains Islam Malaysia. [email protected]
iii Pensyarah Kanan, Fakulti Ekonomi dan Muamalat, Universiti Sains Islam Malaysia.
[email protected] iv Pensyarah Kanan, Fakulti Ekonomi dan Muamalat, Universiti Sains Islam Malaysia.
[email protected] v Pensyarah Kanan, Fakulti Ekonomi dan Muamalat, Universiti Sains Islam Malaysia.
Abstrak
Teori perubahan gelagat pengguna dibangunkan daripada kajian psikologi seterusnya diaplikasikan kepada
gelagat pengguna. Pakar psikologi percaya bahawa gelagat manusia boleh berubah melalui rangsangan dan
tindak balas berdasarkan teori-teori yang dibangunkan oleh Pavlov, Skinner, Thorndike, dan lain-lain.
Ancaman pandemik Covid-19 telah menyebabkan beberapa negara mengambil tindakan drastik seperti
menyekat pergerakan rakyat, menyediakan pakej rangsangan ekonomi untuk memulihkan keadaan ekonomi
semasa dan menguatkuasakan prosedur operasi standard (SOP) bertujuan untuk mengekang penularan wabak
ini. Dalam konteks negara Malaysia, kajian ini mencadangkan bahawa semua tindakan yang diambil oleh pihak
kerajaan mampu mewujudkan tindak balas positif dan negatif melalui teori pembelajaran pengguna. Kajian ini
didasari oleh teori Pelaziman Operan (Conditioning Theory) yang mencadangkan empat kategori gelagat
pengguna semasa berlakunya Covid-19. Tujuan kertas kerja ini untuk mencadangkan rangka kerja konseptual
berkaitan segmen pasaran yang wujud akibat Covid-19 dan cadangan jenis penjanaan dan pengembangan
kekayaan yang baharu pasca Covid19. Jangkaan hasil kajian akan membuktikan terdapat empat kategori
pengguna berdasarkan reaksi melalui gelagat yang ditonjolkan semasa pasca pandemik berlangsung. Ia
melibatkan gelagat kembali ke tabiat asal, norma baharu norma baharu yang sederhana, dan kitar semula.
Dasar-dasar tertentu boleh dibangunkan bertujuan untuk mengetengahkan gelagat norma baharu dalam
kalangan pengguna bagi mengatasi impak Covid-19 malahan untuk memastikan Malaysia berdaya saing
dalam mengharungi revolusi industri 4.0. Kajian di masa akan datang perlu dijalankan secara berterusan
untuk memastikan rangka kerja yang dicadangkan dapat diadaptasi dalam konteks dan industri yang berbeza.
Kata kunci: Teori pelaziman operan (Operant Conditioning), Covid-19, Norma Baharu, Norma Lama, Kesan
Reaksi, Tidak Bereaksi, Rangsangan, Tindak Balas, Penjanaan Kekayaan, Pengembangan Kekayaan
31
PENGENALAN
Wabak Coronavirus 2019 atau Covid-19 adalah pandemik yang telah menjangkiti berjuta
manusia dan meragut lebih sejuta nyawa pada skala global. Covid-19 adalah penyakit
yang disebabkan oleh virus severe acute respiratory syndrome (SARS-CoV-2) telah
diisytiharkan sebagai pandemik oleh Pertubuhan Kesihatan Sedunia (WHO) pada 11
Mac 2020 (Bavel et al., 2020). Wabak virus ini, bermula di Wuhan, China pada awal
Disember 2019 (Md Shah et al., 2020), telah merebak dengan pantas ke seluruh dunia.
Sehingga akhir September 2020 lebih 1 juta kes kematian di seluruh dunia telah
dilaporkan kepada WHO.
Kes pertama jangkitan Covid-19 di Malaysia dicatatkan pada 25 Januari 2020 dan
sehingga 16 Februari 2020, jumlah kes meningkat kepada 22 kes yang mewakili
gelombang pertama penularan wabak tersebut. Gelombang kedua kes bermula pada 27
Februari 2020 dan sejak itu jumlah individu yang terjejas telah meningkat kepada lebih
daripada seribu orang. Kematian pertama akibat wabak ini direkodkan pada 17 Mac
2020. Sehingga akhir September 2020, sebanyak 44,224 kes dengan 136 kematian
dilaporkan.
Pandemik yang semakin menular memaksa kebanyakan negara terlibat termasuk
Malaysia melaksanakan perintah berkurung (lockdown) secara berperingkat yang
bertujuan untuk mengawal pergerakan orang ramai bagi membendung penularan
wabak Covid-19. Di Malaysia, perlaksanaan Perintah Kawalan Pergerakan (PKP) telah
mula dilaksanakan pada 16 Mac 2020 dan dijangkakan berterusan hingga bulan
Disember tahun ini. PKP merangkumi enam fasa dan empat fasa pertama mengambil
masa 14 hari, manakala fasa ke 5 dan ke 6 mengambil masa melebihi 30 hari. PKP
dilaksanakan dengan matlamat untuk mengasingkan punca wabak Covid-19.
Antara tindakan yang diambil semasa perlaksanaan PKP adalah larangan
pergerakan besar-besaran melibatkan perhimpunan berskala besar, sekatan perjalanan
antarabangsa, dan penutupan premis-premis perniagaan dan perkhidmatan kerajaan
dan swasta yang tidak melibatkan keperluan asas seperti makanan, minuman dan
perubatan. Walaupun perlaksanaan PKP dapat membendung dan mengurangkan kes
jangkitan sebaliknya ia telah menjejaskan pembangunan sosio-ekonomi Malaysia dengan
begitu ketara. Pelbagai premis perniagaan terutama melibatkan perusahaan mikro, kecil
dan sederhana mengalami kerugian malahan terpaksa gulung tikar sambil bergelut
untuk meneruskan kehidupan akibat kehilangan punca pendapatan.
32
Bagi meringankan beban kewangan perniagaan terutamanya melibatkan
perusahaan kecil dan sederhana (PKS) dan masyarakat yang terkesan dengan wabak
Covid-19 dan perlaksanaan PKP, pihak kerajaan telah mengumumkan pakej rangsangan
ekonomi membabitkan suntikan fiskal sebanyak MYR260 bilion (atau hampir 18 peratus
dari keluaran dalam negara kasar (KDNK)). Bantuan tunai secara one-off, pemberian
moratorium selama 6 bulan, kemudahan pengeluaran caruman Kumpulan Wang
Simpanan Pekerja (KWSP) selama satu tahun, pembiayaan pinjaman lembut (soft loan)
kepada PKS, subsidi gaji pekerja, dan lain-lain insentif kerajaan sedikit sebanyak
membantu PKS dan masyarakat.
Walaupun pelbagai insentif diberikan, pihak berkuasa sentiasa memandang serius
terhadap individu yang ingkar dan melanggar arahan PKP. Hukuman dikenakan
terhadap individu berkenaan melibatkan kompaun sebanyak MYR1,000 atau penjara
tidak lebih 6 bulan atau kedua-duanya sekali. Sejumlah 9,090 tangkapan terhadap
individu yang mengingkari PKP sepanjang tempoh 18 Mac hingga 13 April 2020 telah
dilaksanakan oleh pihak penguatkuasaan.
Penularan wabak Covid-19 dan PKP telah memberi kesan mendalam kepada
tabiat pengguna dan ekonomi Malaysia. Sebagai contoh, peningkatan penggunaan
digital seperti pembelajaran dalam talian, membeli-belah dalam talian, dan pembayaran
dalam talian secara tiba-tiba menjadi normal baharu buat negara. Sebagaimana
dinyatakan oleh Kodama (2020), pandemik dan pelaksanaan perintah berkurung
(lockdown) dan sekatan oleh sesebuah negara boleh membawa kepada perubahan gelagat
pengguna dan cara perniagaan beroperasi pada masa akan datang, oleh yang demikian
strategi korporat perlu diubah dengan sewajarnya.
Kertas kerja ini bertujuan untuk merangka konsep baru kepada teori sedia ada
berkenaan perubahan gelagat pengguna dan memberikan peluang kepada penemuan
kajian literatur baharu berkenaan penjanaan dan pengumpulan kekayaan semasa pasca
Covid-19. Ini dilihat diketengahkan daripada perintah kawalan pergerakan yang
dikuatkuasakan dan rangsangan serta inisiatif yang diambil oleh pihak kerajaan dalam
meratakan keluk Covid-19. Akan ada reaksi in-adverse dan adverse daripada pengguna
yang mungkin mewujudkan norma baru atau kembali kepada norma-norma lama.
Reaksi pengguna akan menjadi sumbangan kepada teori pelaziman operan (operant
conditioning). Cara penjanaan dan pengumpulan kekayaan juga mungkin berubah .
Kertas kerja ini akan menjelaskan bagaimana perubahan gelagat pengguna selepas
pandemik dan bagaimana penjanaan dan pengumpulan kekayaan berlaku pada masa
hadapan. Kertas kerja ini membincangkan kesan pandemik Covid-19 dan polisi kerajaan
yang mengubah gelagat rakyat. Kemudian perbincangan mengenai reaksi pengguna
33
(adverse dan inadverse) akan dibincangkan. Dalam bahagian seterusnya, kerangka normal
baharu dan norma lama akan dicadangkan dan disusuli dengan memberikan gambaran
tentang penjanaan dan pengembangan kekayaan generasi pasca Covid-19.
KAJIAN LITERATUR
Kewujudan dan penyebaran wabak penyakit sebagai pandemik bukan perkara baharu
dalam tamadun manusia. Sebelum tercetusnya wabak Covid-19, wabak dan pandemik
seperti Antonine Plague, The Black Death, Spanish flu, influenza A (H1N1), Bubonic, SARS,
MERS, Polio, dan Ebola telah melanda dunia dan mengakibatkan berjuta rakyat telah
jatuh sakit dan berjuta yang lain meninggal dunia dalam tempoh singkat. Pandemik
Spanish flu misalnya telah membunuh lebih 20 juta orang pada tahun 1918 dan 1919 (Reid
et al., 1999) manakala wabak Bubonic telah melenyapkan 25 peratus warga Eropah (Scott
et al., 2001).
Wabak dan pandemik mencetuskan ketakutan dan mengakibatkan perubahan
gelagat pengguna (Lau et al., 2007; Leung et al., 2005; Seto et al., 2003; Wong & Sam, 2011).
Wu et al (2009) misalnya, mendapati imbauan mengenai virus SARS masih menimbulkan
ketakutan dalam kalangan masyarakat walaupun selepas beberapa tahun terutama
dalam kalangan mereka yang telah dijangkiti. Rasa takut dan ancaman tentang penyakit
bukan sahaja mengubah bagaimana manusia berfikir tentang diri mereka, tetapi juga
bagaimana mereka melihat dan bertindak balas kepada orang lain (Poletti, Ajelli, &
Merler, 2011). Dengan ketiadaan intervensi farmakologi (pharmacological interventions)
yang sesuai, kaedah utama dalam mengawal wabak adalah dengan mengubah gelagat
masyarakat (Chen et al., 2017). Emosi dan persepsi terhadap risiko juga membawa
kepada perubahan gelagat terutamanya semasa wabak.
Manusia berkemungkinan besar mengubah corak hubungan mereka apabila
kematian atau persepsi risiko adalah tinggi dan meneruskan kehidupan normal apabila
persepsi terhadap risiko menurun (Ferguson, 2007; Hatchett, Mecher, & Lipsitch, 2007).
Gelagat manusia boleh menjejaskan hubungan kekeluargaan, rangkaian sosial,
organisasi di mana mereka mengambil bahagian, komuniti yang mereka sertai,
maklumat yang mereka perolehi, dan memberi kesan mendalam kepada masyarakat .
Dalam kajian yang dijalankan oleh Sheth (2020), tabiat dan gelagat pengguna
walaupun sebenarnya adalah biasa, ia juga berbentuk kontekstual. Bencana alam yang
berbentuk sementara (ad hoc) seperti gempa bumi, taufan, banjir besar, konflik serantau,
perang saudara, dan pandemik (seperti Covid-19) dilihat sebagai mengganggu atau
mengubah tabiat dan gelagat pengguna. Walaupun dijangkakan tabiat dan gelagat akan
34
kembali normal, beberapa tabiat dirasakan akan berhenti dan lenyap kerana pelanggan
telah menemui alternatif yang lebih mudah, berpatutan, dan boleh diperoleh secara
mudah semasa bencana alam tersebut berlaku (Sheth, 2020).
Sebagai contoh, penggunaan aplikasi digital untuk pembelajaran dan pembelian
dalam talian. Tambahan lagi menurut Sheth (2020) gelagat pengguna mungkin berubah
dan tabiat baru akan muncul akibat sesuatu bencana alam yang berlaku. Tabiat yang
diubah suai adalah apabila tabiat sedia ada telah diubah suai selari dengan peraturan
atau garis panduan yang telah diperketatkan berpandukan penguatkuasaaan SOP
seperti pemakaian pelitup muka dan penjarakan sosial. Apabila terdapat dasar-dasar
baru yang menjadi polisi kerajaan atau pihak berkuasa, teknologi dan perubahan
demografi, tabiat baru akan muncul.
Wabak Covid-19 telah mencetuskan panik di seluruh dunia. Sebagaimana wabak
dan pandemik terdahulu, penularan Covid-19 juga telah mengubah gelagat manusia.
Oleh yang demikian, pemahaman mengenai gelagat manusia pasca pandemik adalah
penting untuk dibincangkan dan diketengahkan bagi membantu memahami perubahan
gelagat manusia seterusnya merancang cara dan kaedah tertentu untuk berdepan
dengan kemungkinan penularan wabak pada masa depan.
Teori Pelaziman Operan (Operant Conditioning Theory)
Gelagat manusia sangat kompleks dan sukar untuk diramalkan. Terdapat beberapa
kajian awal telah dilakukan untuk memahami dengan lebih mendalam mengenai gelagat
manusia. Kajian berkaitan gelagat manusia memerlukan satu bidang kajian yang
terperinci dan komprehensif melibatkan masyarakat dan persekitaran yang berbeza.
Antara penyelidik dan ahli psikologi terkenal yang mengkaji gelagat manusia ialah
Burrhus Frederick Skinner. Skinner (1930) yang telah membangunkan pelbagai teori
untuk mendalami dan mengkaji tentang gelagat manusia. Salah satu teori Skinner adalah
pelaziman operan (operant conditioning) yang memfokus kepada sebab dan akibat dari
satu gelagat.
Secara spesifiknya, teori pelaziman operan mencadangkan bahawa gelagat
ditentukan oleh akibatnya (sama ada peneguhan (reinforcements) atau hukuman
(punishments), yang menyebabkan kelakuan individu sama ada meningkatkan atau
mengurangkan kemungkinan gelagat untuk diulangi. Skinner memperkenalkan istilah
pelaziman operan sebagai perubahan gelagat menggunakan peneguhan yang diberikan
selepas tindak balas yang diingini. Dalam erti kata lain, rangsangan (sama ada positif
35
atau negatif) berlaku selepas tindak balas. Skinner mengenengahkan tiga jenis
rangsangan atau operan yang boleh mengubah gelagat.
Pertama, rangsangan neutral iaitu tindak balas dari persekitaran yang tidak
meningkatkan atau mengurangkan kebarangkalian gelagat diulangi. Kedua, peneguhan
adalah tindak balas atau akibat yang menyebabkan gelagat berlaku dengan lebih kerap.
Skinner membahagikan peneguhan kepada dua jenis iaitu peneguhan positif dan
peneguhan negatif. Peneguhan positif ialah memberikan sesuatu ganjaran setelah
perlakuan itu ditonjolkan, yang menyebabkan perlakuan itu diulang atau diperkuatkan
lagi.
Sebagai contoh, pengguna boleh memasuki premis (ganjaran) setiap kali dia
memakai pelitup muka (gelagat). Peneguhan negatif ialah rangsangan serta merta yang
tidak selesa atau menyakitkan yang diberikan selepas sesuatu gelagat ditunjukkan.
Sebagai contoh, pengguna diminta untuk membeli pelitup muka dengan harga MYR1.50
(hasil yang tidak menguntungkan) setiap kali mereka tidak memakai pelitup muka
untuk memasuki premis. Pada hari-hari mereka memakai topeng muka mereka tidak
perlu membeli topeng muka MYR1.50 (rangsangan yang tidak diingini). Oleh yang
demikian, pengguna akan sentiasa memakai pelitup muka untuk menyelamatkan
MYR1.50, sekali gus menguatkan gelagat memasuki premis.
Ketiga, hukuman adalah satu proses atau tatacara untuk melemahkan atau
mengurangkan berulangnya gelagat yang tidak diingini. Sama seperti peneguhan,
hukuman boleh dibahagikan kepada dua bentuk iaitu hukuman positif dan negatif.
Hukuman positif adalah tindak balas atau akibat yang tidak menguntungkan berikutan
gelagat yang membawa kepada penurunan gelagat itu. Sebagai contoh, setiap kali
pengguna tidak memakai pelitup muka (gelagat), dia dihalang dari memasuki premis
(akibat).
Akibat dihalang ini akan menghalang dia dari tidak memakai pelitup muka,
dengan itu melemahkan gelagat. Manakala hukuman negatif, juga dikenali sebagai
hukuman melalui penyingkiran, berlaku apabila peristiwa atau hasil yang baik
dikeluarkan selepas gelagat berlaku. Sebagai contoh, setiap kali pengguna gagal
memakai pelitup muka (gelagat) sebelum memasuki premis, dia didenda sebanyak
MYR1000 dan perlu membeli pelitup muka dengan harga MYR1.50 serta merta (akibat)
pada hari itu. Hukuman denda MYR1000 dan terpaksa membeli pelitup muka berharga
MYR1.50 dengan serta merta adalah gelagat yang tidak diingini dan mengakibatkan
penurunan kepada gelagat tersebut pada masa akan datang.
36
Rajah 1 menunjukkan teori Pelaziman Operan yang dibangunkan oleh Skinner.
Rajah 1: Pendekatan Pelaziman Operan
Norma Sosial dan Gelagat Pengguna
Gelagat individu turut dipengaruhi oleh norma-norma sosial. Norma sosial adalah
peraturan dan standard yang difahami oleh ahli kumpulan sebagai panduan dan batasan
perilaku sosial tanpa adanya unsur paksaan (Cialdini, & Goldstein, 2004; Burchell, Rettie,
& Patel,2013). Norma sosial boleh dilihat sebagai kebiasaan bagi gelagat iaitu sikap dan
kepercayaan yang dikongsi bersama oleh ahli kumpulan. Norma sosial mentakrifkan
sempadan untuk apa yang dianggap sesuai dan dijangka dalam sesuatu keadaan dan
dalam kumpulan sosial itu. Ia memberikan individu panduan untuk berkelakuan dan
berfikir dalam situasi baharu atau di dalam situasi yang samar-samar. Hal ini
membolehkan individu untuk meramalkan gelagat orang lain dengan lebih baik
(Cialdini & Goldstein, 2004; Kallgren, Reno, & Cialdini, 2000).
Oleh itu, norma-norma sosial mentadbir hampir setiap aspek kehidupan dan
berpengaruh kerana ia akan memaklumkan kepada pengguna bagaimana mereka
dijangka berkelakuan. Norma sosial terpakai dalam kumpulan rujukan, iaitu kumpulan
orang yang berlainan mempunyai peraturan yang berbeza (White et al., 2009; Adnan,
2013). Setiap kumpulan mencipta set kebiasaan tersendiri untuk gelagat dan sikap yang
boleh diterima dan diingini. Sebagai contoh, Kristian, Yahudi, dan umat Islam semuanya
mempunyai kebiasaan dan amalan moral yang berbeza. Cialdini (2007, 2012)
mencadangkan dua jenis norma iaitu norma deskriptif dan norma injunksi.
37
Norma deskriptif merujuk kepada gelagat yang biasa atau meluas, manakala
norma injuktif merujuk kepada gelagat yang diluluskan atau tidak diluluskan dalam
kumpulan sosial. Di samping itu, kedua-dua jenis norma yang berbeza ini memberi
motivasi kepada orang dengan cara yang berbeza. Norma-norma deskriptif
menyediakan individu untuk mengambil keputusan dengan pantas merujuk kepada
kebiasaan norma. Sebagai contoh, seseorang menganggap bahawa jika orang lain
berkelakuan dengan cara tertentu, ia mungkin masuk akal untuk dia / dia berbuat
demikian juga. Dalam erti kata lain, terdapat kecenderungan yang kuat semata-mata
untuk berkelakuan seperti yang lain berkelakuan dalam konteks tertentu, kerana
individu tersebut menganggap ia akan memberi manfaat.
Norma-norma injunksi, sebaliknya, membentuk peraturan moral sangkaan, dan
mendorong dengan berjanji untuk menyediakan atau menahan penerimaan atau
kelulusan sosial. Sebagai contoh, seseorang itu tidak boleh menggunakan perkataan
kesat di hadapan kanak-kanak kerana ia dianggap tidak sesuai dan seseorang itu tidak
boleh memainkan muzik kuat di dalam pengangkutan awam kerana ia dipandang
serong oleh masyarakat. Norma-norma injunksi proskriptif, adalah mengenal pasti apa
yang tidak boleh dilakukan oleh masyarakat, manakala norma injunksi preskriptif
mengenal pasti apa perlu dilakukan oleh masyarakat. Cialdini (2007, 2012) menunjukkan
bahawa seseorang individu dipengaruhi oleh kedua-dua jenis norma terutamanya
apabila norma-norma ini dijadikan fokus untuk perhatian mereka .
Perubahan mendadak dan mendesak di dalam sesuatu situasi , seperti kecemasan
semasa Covid-19, boleh membawa perubahan yang tidak dijangka kepada norma-norma
injunksi, seperti gelagat yang sebelum ini positif seperti perhimpunan agama, berjabat
tangan, dan bersosial boleh menjadi gelagat negatif. Kajian University of Southern
California melaporkan bahawa Covid-19 telah pun mewujudkan peralihan ketara dalam
gelagat rakyat. Antara penemuan teratas adalah 85 peratus orang yang dilaporkan
mencuci tangan atau menggunakan sanitizer lebih kerap daripada sebelumnya, dan 61
peratus dilaporkan berikutan garis panduan penjarakan sosial.
Sementara itu di Malaysia, PKP telah membantu negara menguruskan penularan
baru Covid-19 dengan menghadkan banyak perhimpunan sosial dan budaya. Malaysia
adalah sebuah negara pelbagai budaya, terutamanya ditakrifkan tiga kumpulan etnik
utama, Melayu, Cina, dan India, dengan latar belakang budaya yang pelbagai. Aktiviti
keagamaan dan kebudayaan seperti solat berjemaah harian, solat mingguan, khutbah,
majlis perkahwinan, pengebumian, perayaan, dan pelbagai acara sosial-agama lain
tertanam di dalam budaya rakyat Malaysia.
38
Dalam situasi pandemik seperti Covid-19, perhimpunan komunal ini menjadi
cabaran terbesar. Ia akan memberi kesan ketara kepada pelbagai norma agama dan
budaya rakyat Malaysia, sekali gus memerlukan mereka menyesuaikan diri dengan
norma baharu, sekurang-kurangnya sehingga vaksin atau penawar yang berkesan
ditemui.
Transformasi Digital Pasca Pandemik
Covid-19 telah mempercepatkan transformasi digital kepada pelanggan dan perniagaan.
Transformasi pra-pandemik kebanyakannya didorong oleh keperluan berpusat
pelanggan dan keinginan untuk pemprosesan yang lebih cekap dan fleksibel, tetapi
perjalanan transformasi digital pasca pandemik adalah berbeza. Kesihatan dan
keselamatan tenaga kerja, peningkatan komunikasi dan kerjasama, penjarakan sosial,
dan tahap penyesuaian yang lebih tinggi semuanya kini menjadi pemangkin kepada
transformasi digital. Sebelum Covid-19, ada yang enggan mengguna pakai teknologi
digital, kerana mereka lebih suka menjalankan urus niaga harian di luar talian. Walau
bagaimanapun, semasa Covid-19 pengguna dan perniagaan secara umumnya telah
menerima teknologi digital sebagai platform yang baik bagi menjalankan urus niaga
harian.
Kajian yang dijalankan oleh Grashuis et al. (2020) terhadap pengguna AS
mendapati bahawa pandemik Covid-19 mewujudkan variasi utama dalam tabiat
membeli-belah untuk barangan runcit. Pengguna kurang bersedia untuk membeli-belah
di dalam kedai runcit dalam keadaan di mana Covid-19 merebak pada kadar yang
semakin meningkat. Sebaliknya berlaku bila kes Covid-19 agak reda, pengguna mula
mengunjungi kedai-kedai runcit.
Amazon dilaporkan perlu mengupah lebih banyak pekerja dan menyewa gudang
yang lebih besar bagi mempercepatkan penghantaran pesanan semasa pandemik Covid-
19 (Hamilton, 2020). Lazada juga mengalami kenaikan dalam pembelian pukal dan
pesanan berkuantiti besar melalui perkhidmatan runcitnya (Abdullah, 2020). Situasi ini
menunjukkan bahawa banyak lagi isi rumah telah berpindah ke membeli-belah atas
talian semasa pandemik. Trend ini diramalkan sama walaupun selepas pandemik
memandangkan orang ramai masih tidak berasa selamat daripada virus sehingga vaksin
ditemui dan diluluskan.
Shaw et al. (2020) menekankan bahawa pandemik ini telah mewujudkan kesan
sosio-psikologi dan peralihan dalam gaya hidup, yang memperkenalkan budaya kerja
39
baru di kebanyakan dunia. Telework menjadi popular, mesyuarat atas talian, persidangan
atas talian, bengkel atas talian dan webinar semakin menjadi kebiasaan. Sektor
pendidikan juga telah terkesan dengan COVID 19 dan kesemua universiti membenarkan
pensyarah mengadakan - kelas atas talian seratus peratus, bukan hanya setakat
pembelajaran teradun. Kanak-kanak sekolah juga merasai pengalaman belajar
menggunakan aplikasi digital seperti Google Classroom. Walau bagaimanapun, budaya
kerja baharu ini mungkin menjadi satu cabaran besar kepada mereka yang mempunyai
capaian internet yang lemah.
Faktor psikografi atau kajian sikap merupakan elemen penting semasa
menjalankan kajian krisis seperti pandemik Covid-19 untuk membolehkan kajian-kajian
ini meneroka nilai, matlamat, kepentingan rakyat serta pilihan gaya hidup. Hasil
penyelidikan boleh memberi gambaran lengkap kepada bahagian pemasaran untuk lebih
mengenali profil pelanggan berdasarkan latar belakang mereka (Lundberg, 2020).
Kategori Gelagat Pengguna Yang Dicadangkan
Berdasarkan kajian literatur, wabak dan pandemik mengubah gelagat pengguna.
Menurut Sheth (2020) gelagat pengguna sedia ada boleh dikekalkan, diubahsuai, atau
gelagat baharu dijana pasca pandemik. Terdapat juga rangsangan lain yang mungkin
membantu mengubah gelagat pengguna. Sebagai contoh, semasa pandemik Covid-19,
kerajaan Malaysia mengenakan PKP dan menyediakan banyak insentif di dalam bentuk
pakej rangsangan untuk mengatasi impak penularan virus itu.
Penjarakan sosial, prosedur operasi standard baharu, peraturan yang dikenakan
terhadap golongan yang melanggar PKP dan hukuman jika didapati bersalah atas
kompaun RM1,000 atau penjara enam bulan menghalang orang ramai daripada
mengadakan perhimpunan atau aktiviti sosial mengubah gelagat pengguna. Oleh kerana
PKP, penggunaan digital di kalangan rakyat Malaysia telah meningkat dan mengubah
landskap penggunaan atas talian. Membeli-belah atas talian, pendidikan atas talian,
mesyuarat atas talian, dan perbankan atas talian adalah contoh aktiviti baharu akibat
daripada pandemik.
Oleh itu, kami mencadangkan rangka kerja konsep pasca pandemik dalam
menjelaskan gelagat pengguna pasca pandemik. Rangka kerja ini terdiri daripada empat
kuadran gelagat pengguna, kembali ke tabiat lama (atau normal lama), normal baharu,
normal baharu yang sederhana, dan kitar semula. Rangka kerja konsep yang
dicadangkan dibentangkan dalam Rajah 2.
40
Kami mencadangkan bahawa reaksi gelagat pasca pandemik boleh dikategorikan
sebagai kesan reaksi dan tidak bereaksi . Kesan reaksi digambarkan sebagai perubahan
gelagat manakala tidak bereaksi merupakan tiada perubahan dalam gelagat.
Kepercayaan dan keperluan merupakan antara faktor terkuat yang mencorak gelagat
manusia. Kajian lalu menunjukkan pengalaman individu mengakibatkan pembentukan
kepercayaan yang sangat menjejaskan gelagat. Kesan reaksi menghasilkan dua kategori
gelagat iaitu kitar semula dan normal baharu.
Rajah 2: Rangka Kerja Konsep Gelagat Pengguna Pasca Pandemik
Kategori Kitar Semula
Individu yang berada di dalam kategori ini disifatkan sebagai golongan yang sudah
selesa dengan gelagat mereka sebelum Covid-19. Orang-orang ini lebih suka membeli
dalam talian, menggunakan komunikasi maya, lebih suka bekerja dari rumah, dan lebih
41
suka penjarakan sosial. Mereka tidak suka perhimpunan sosial dan lebih suka tinggal di
rumah. Mereka suka melayari Internet dan melakukan hampir semuanya dalam talian
kerana mereka berasa selamat dan selesa. Ini bermakna Covid-19 tidak memberi impak
besar yang boleh mengubah gelagat mereka. Oleh kerana kehidupan mereka yang
kurang bergaul, Al-Hawari (2014) melabelkan bahawa orang-orang ini biasanya
“introverts” yang menghargai perkhidmatan dalam talian. Kajian beliau mendapati
introvert lebih setia dan berpuas hati dengan kemudahan perbankan dalam talian
berbanding ekstrovert kerana mereka lebih suka menjalankan urusan tanpa perlu
bersemuka dengan pegawai perbankan.
Kategori Norma Baharu
Bukti menunjukkan bahawa dengan kehadiran penyakit maut dan kekurangan
intervensi farmaseutikal, orang ramai akan mengubah gelagat mereka untuk
mengelakkan jangkitan (Del Valle et al., 2005; Pang et al., 2003). Oleh itu, orang ramai
perlu menyesuaikan diri dengan normal baharu, yang bermaksud cara hidup baru.
Banyak kajian melaporkan dan membincangkan bagaimana Covid-19 mengubah gelagat
pengguna (contohnya Donthu, & Gustafsson, 2020; Kirk, & Rifkin, 2020; Sheth, 2020).
Oleh itu, kami mencadangkan kategori normal baru pengguna muncul pasca pandemik.
Golongan di bawah kategori ini adalah yang paling prihatin terhadap kesan pandemik
ke atas mereka. Mereka cepat menyesuaikan diri dengan keadaan semasa dengan
menyesuaikan norma-norma baru kerana kebimbangan yang tercetus akibat pandemik.
Pendukung normal baru mengaplikasikan teknologi lebih daripada kebiasaan, misalnya
mereka kini lebih suka bekerja dari rumah dan menggunakan platform dalam talian
untuk berkomunikasi dan membeli belah. Dalam dunia penjarakan sosial pasca
pandemik , teknologi akan terus memainkan peranan yang sangat penting dalam
kehidupan pengguna. (Barnes, 2020).
Sebaliknya, tidak bereaksi pula menjana dua lagi kategori gelagat pasca pandemik
iaitu kembali ke tabiat lama dan norma baharu yang sederhana.
Kategori Kembali ke Tabiat Lama
Menurut Sheth (2020), pengguna akan kembali kepada tabiat lama mereka melainkan
pandemik ini membawa perubahan ketara kepada kehidupan mereka. Kajian yang
dijalankan oleh Wu et al. (2013) mengenai vaksinasi influenza sebelum dan selepas
pandemik influenza 2009 di Beijing, China mendapati, ada golongan yang menolak
suntikan vaksin dan terus menjalani kehidupan seperti sebelum pandemik. Sebab utama
adalah bahawa orang-orang ini mendakwa bahawa mereka tidak mungkin dijangkiti
virus influenza. Oleh kerana influenza tidak memberi mereka perubahan yang ketara,
42
mereka terus kembali ke tabiat lama mereka seperti yang dilaporkan oleh Sheth (2020).
Oleh itu, kita mengandaikan bahawa mereka yang kembali ke kategori Kembali ke tabiat
lama tetap tidak acuh kepada pandemik dan terus berkelakuan seperti biasa kerana
mereka tidak berasa terjejas secara langsung oleh pandemik. Mereka tidak melihat
pandemik ini sebagai ancaman serius kepada diri sendiri dan kepada masyarakat secara
umum. Oleh itu, mereka enggan menyesuaikan diri dengan norma-norma baru.
Kategori Norma Baru Sederhana
Mereka yang berada di bawah kategori ini biasanya suka bergaul, sering keluar dan
berfikiran terbuka. Mereka sentiasa suka bersemuka dengan orang lain tetapi dalam
keadaan tertentu mereka juga tidak mempunyai masalah menggunakan platform
mesyuarat atas talian. Semasa krisis pandemik, selain menjadi celik teknologi dengan
membeli secara atas talian, mereka juga masih berpegang kepada tabiat lama mereka
seperti pergi membeli-belah dan makan di restoran. Namun, pada kali ini mereka
sanggup mengambil langkah berjaga-jaga dan memastikan keselamatan tambahan
dengan mematuhi peraturan dan tatacara yang telah ditetapkan oleh pihak berkuasa.
Golongan norma baru yang sederhana masih keluar dan membeli-belah atau menjamu
selera di restoran yang mereka gemari, namun pada masa yang sama masih mematuhi
semua peraturan dengan baik. Pengamal-pengamal agama dilaporkan mengelakkan diri
daripada perhimpunan berskala besar sekali gus menjalankan upacara mereka sendiri
(Shaw et al., 2020).
PENJANAAN KEKAYAAN
Tidak dinafikan pandemik ini memberi kesan yang menyeluruh kepada semua sektor
termasuk sektor pekerjaan. Pertubuhan Buruh Antarabangsa (ILO) menjangkakan
peningkatan kadar pengangguran di seluruh dunia. Nielson (2020) mendapati lebih 40
peratus responden yang bekerja mengalami pengurangan pendapatan ketika dalam
tempoh perintah kawalan pergerakan. Manakala dari pihak majikan, cabaran yang
dihadapi adalah kekurangan pelanggan (66 peratus), membayar gaji pekerja (77 peratus),
membayar premis (61 peratus) dan aliran tunai (36 peratus). (Zainuddin, 2020).
Cabaran yang dialami ketika pandemik ini menyebabkan kita perlu menjadi
kreatif dalam menjana pendapatan sendiri. Pendapatan boleh dibahagi kepada 3
kategori utama iaitu pendapatan aktif, pendapatan pasif dan pendapatan portfolio
(Mohd Dali, NRS, Ahmad Bustamam, U.M & Abdul Hamid, H, 2019). Ada di antara kita
yang hanya mempunyai satu pendapatan, ada yang mempunyai dua jenis pendapatan
dan ada yang mempunyai ketiga-tiga jenis pendapatan. Pandemik Covid19 mengubah
gelagat pengguna dan perubahan dan sebahagian daripada individu memilih untuk
menerokai bidang-bidang pekerjaan yang semakin tinggi permintaan semasa Covid19.
43
Kemunculan media sosial seperti Instagram, Facebook, Twitter, Tiktok dan
YouTube menjadikan media sosial sebagai platform penjenamaan di era transformasi
digital. Social media influencer (SMI), adalah salah satu pekerjaan yang merupakan
tarikan utama dalam menyumbang kepada perkembangan ini. Menurut kajian oleh Talib
et al (2019), Generasi Z lebih mudah terpengaruh dengan kandungan yang sering
dikongsi melalui media sosial. Secara dasarnya, media sosial telah menukarkan gaya
komunikasi di mana hubungan personal di antara SMI dan pengikut menjadikan SMI
menghasilkan kandungan media yang menjadi pilihan pengikut mereka.
Sebagai contoh, Khairul Amin Kamarulzaman merupakan seorang influencer
Instagram, mempunyai pengikut seramai 2.6 juta yang juga dikenali sebagai
khairulaming dan selalu berkongsi video masakan 30 hari. Ketika wabak pandemik
melanda negara, kebanyakan syarikat menyasarkan SMI untuk memasarkan produk
mereka bagi merancakkan strategi pemasaran perniagaan mereka. Hal ini secara tidak
langsung memberi jalan kepada SMI untuk menjana pendapatan mereka sendiri.
Krisis global akibat penularan wabak COVID19 menyebabkan pembelajaran dan
pengajaran secara bersemuka menjadikan tugas guru semakin mencabar. Bukan sahaja
kepada guru tetapi juga kepada pelajar. Akibat kesan dari perintah berkurung yang
dilaksanakan telah mengakibatkan para pelajar tidak dapat fokus dalam pembelajaran.
Guru tuisyen secara atas talian adalah satu pilihan yang terbaik yang bermanfaat untuk
pelajar. Di samping itu, guru tuisyen dapat meningkatkan pendapatan sendiri dengan
menganjurkan kelas persendirian.
Membeli-belah dalam talian adalah salah satu aktiviti yang dilakukan oleh
kebanyakan orang semasa pandemik. Hal ini terjadi kerana masyarakat membeli
keperluan mereka tanpa meninggalkan rumah. Peningkatan yang tinggi membabitkan
pesanan perkhidmatan dan penghantaran secara tidak langsung menjadikan pekerja
lapangan di sektor e-dagang sebagai salah satu keperluan untuk perniagaan. Justeru itu,
individu yang menghadapi masalah kewangan akibat COVID19 boleh mencuba untuk
memohon pekerjaan sebagai pekerja lapangan untuk meningkatkan pendapatan.
Misalnya, terdapat pelbagai perkhidmatan penghantaran makanan yang muncul
pada musim pandemik ibarat cendawan tumbuh selepas hujan seperti BungkusIT dan
QuickSent, di samping perkhidmatan sama yang sedia ada seperti DahMakan, Grabfood
dan Foodpanda. Untuk perkhidmatan barangan pula pengguna boleh menggunakan
khidmat LalaMove, GoGet, GrabExpress, Mr Speedy dan lain-lain lagi. Situasi COVID
19 telah meningkatkan lagi pekerjaan yang memerlukan platform digital Berikut adalah
antara senarai penjanaan kekayaan yang baharu pasca Covid-19.
44
Jadual 1: Senarai Pekerjaan Pasca Covid19
Data Saintis Pereka
Kandungan
Cikgu tuisyen
Atas Talian
Rider penghantar
makanan dan
barangan
Influencer Perkhidmatan
Penghantaran
Penghantaran
Makanan
Dropshipper
Penjual Digital Pengautomasi
Sistem
Pekerja lapangan Model Muslimah
Penulis Buku
Elektronik
Pembangun
Sistem edagang
Penjual makanan
komuniti
Pengaturcara
Affiliate Atas
Talian
Streamer
Permainan Atas
Talian
Pedagang Saham Atlet esport
Pengedar Digital Online
telemarketing
Pencetak 3d Perunding
Psikologi Atas
Talian
Kepintaran Buatan
(AI)
Penganalisa Data
Perniagaan
Youtuber Kaunselor Atas
Talian
Instafamous
Selebriti Instagram
Tweetfamous
Selebriti “Tweeter”
Vloger Stockis Atas Talian
Podcast TikTokers Copy writer Ejen Insurans Atas
Talian
Perekabentuk
Laman Web
Videographer
Juru rakam video
Perkhidmatan
Home car
Video Editor
Pengedit Video
Agensi Pemasaran
Media Sosial
Penilai Hartanah
atas talian
Perekabentuk
Aplikasi
Dietetik Atas
Talian
Artis Pengalih
Suara
Penganalisa Kredit
Jurulatih Senaman
Atas Talian
Pengkomputeran
Awan
PENGEMBANGAN KEKAYAAN
Pengembangan kekayaan semasa PKP dijalankan menunjukkan beberapa trend
peningkatan disebabkan oleh beberapa faktor seperti PKP, moratorium dan penurunan
kadar OPR. Peningkatan di dalam volum dagangan pasaran saham melihat rekod volum
dagangan tertinggi sepanjang 10 tahun. Hal ini disokong juga dengan pertambahan
pembukaan akaun CDS dikalangan rakyat Malaysia. Selain pelaburan saham, pelbagai
cara pengembangan kekayaan yang menjadi pilihan rakyat Malaysia. Sementara itu
45
pelbagai instrumen pengembangan kekayaan sedang dibangunkan dengan
menggunakan teknologi fintech seperti di dalam pelaburan saham, pelaburan bitcoin,
pelaburan P2P (Peer to Peer), sukuk yang boleh diakses oleh rakyat biasa dan lain-lain
lagi.
Pertumbuhan teknologi fintech akan menukar tradisi pengembangan kekayaan
kepada yang lebih mudah untuk diakses oleh orang awam dan tidak hanya dikuasai oleh
golongan elitis sahaja. Justeru itu, walaupun fintech masih di dalam proses transformasi,
adalah di jangkakan pengembangan kekayaan manusia akan menjadi dibahagi kepada 2
kategori penting iaitu yang mendasari kepada kekayaan fizikal dan juga kekayaan tidak
fizikal.
KESIMPULAN
Pelaksanaan PKP oleh kerajaan Malaysia bermula 18 Mac 2020 secara berperingkat telah
mendapat reaksi positif daripada masyarakat keseluruhannya. Pertubuhan Kesihatan
Sedunia (WHO) telah mengisytiharkan Covid-19 sebagai pandemik pada 11 Mac 2020.
Walau bagaimanapun pun keadaan dan skala penyebaran dalam negara Malaysia masih
dalam keadaan terkawal berbanding negara-negara di Amerika Syarikat, Brazil dan
beberapa negara lain yang terlibat. Malaysia juga telah dinamakan sebagai salah satu dari
5 buah negara membangun yang berjaya menguruskan pandemik ini dengan cemerlang.
Kejayaan ini berpunca dari kerja kuat dan komitmen barisan hadapan, pelan sistematik
kerajaan, pelaksanaan dan penguatkuasaan PKP, pakej rangsangan ekonomi, dan
sokongan yang tidak henti khususnya daripada rakyat. Kajian itu percaya perubahan
gelagat pengguna Malaysia kerana sikap, kepercayaan dan kepercayaan rakyat Malaysia
terhadap rancangan kerajaan untuk meratakan pandemik ini.
Teori pelaziman operan adalah relevan dalam masyarakat moden seperti yang
disaksikan dalam mengatasi virus Covid-19 khususnya dalam konteks Malaysia. Teori
itu mungkin tidak berfungsi dengan baik di Amerika Syarikat, Brazil, Itali, dan negara-
negara lain kerana kekurangan kerjasama rakyat mereka. Walau bagaimanapun, trend
penggunaan Internet yang semakin meningkat oleh rakyat Malaysia sebelum pandemik
ini mungkin banyak menyumbang dalam penerimaan dan perubahan gelagat pengguna
Malaysia. Walau bagaimanapun, sebab ini tidak benar bagi negara-negara maju seperti
Amerika Syarikat, UK, dan banyak negara Eropah. Oleh itu, strategi yang digunakan di
Malaysia mungkin tidak berfungsi di negara lain.
Memandangkan PKP dan rangsangan yang diambil oleh kerajaan Malaysia adalah
mengubah gelagat pengguna Malaysia, kajian ini mencadangkan supaya pasca
pandemik ini akan mempunyai 4 kategori utama yang terdiri daripada kitar semula,
46
normal baharu, kembali kepada kategori norma baharu yang sederhana. Kategori
pengguna yang berbeza ini akan mempunyai implikasi yang berbeza untuk pemasaran
dan bagaimana perniagaan tradisional akan berjalan. Banyak perniagaan mungkin
berubah dari mortar tradisional dan bata ke arah perniagaan digital.
Oleh itu, adalah penting untuk mengenal pasti dan memahami empat segmen
yang berbeza untuk menggunakan saluran pemasaran, promosi, dan strategi
pengiklanan yang sesuai untuk segmen yang berbeza masing-masing. Tidak dapat
memahami segmen yang berbeza akan membawa kepada hasil yang tidak
menguntungkan dari segi kos dan margin keuntungan.
Selepas mengenal pasti, empat segmen pengguna, syarikat boleh memberi
tumpuan kepada segmen pengguna tertentu atau menggunakan strategi pemasaran
campuran untuk memasukkan lebih daripada satu segmen pelanggan. Segmen
pelanggan mengikut latar belakang mereka boleh meningkatkan kepuasan pelanggan.
Ini terbukti dengan kajian yang dilakukan Naim et al. (2019) yang menunjukkan bahawa
gaya hidup pelanggan mempunyai pengaruh yang kuat terhadap kepuasan pelanggan.
Sebagai contoh, apabila memprofil latar belakang pelanggan mereka seperti sikap dan
keutamaan, sektor perbankan boleh menaik taraf perkhidmatan dalam talian mereka
dengan lebih berkesan untuk kategori kitar semula dan norma baru untuk meningkatkan
kepuasan mereka,
Segmen baru ini boleh memberi kesan kepada ekonomi jika orang ramai
mengubah gelagat mereka untuk mengguna pakai norma baru atau memeluk
transformasi digital atau dalam talian. Ekonomi boleh pulih dengan lebih cepat kerana
teknologi boleh mempercepatkan pertumbuhan ekonomi (Rujuk model pertumbuhan
ekonomi Solow Swan). Sebagai contoh, dasar terbaru mengenai E-Penjana yang
diumumkan oleh kerajaan menyediakan geran satu hingga satu padanan untuk RM600
juta dalam menarik pelabur asing melabur dalam syarikat teknologi permulaan,
memberikan bukti bahawa kerajaan ke hadapan melihat kepada perubahan norma
baharu di tengah-tengah pandemik Covid-19.
Transformasi ekonomi tidak dapat dielakkan kerana Revolusi Perindustrian Ke-4
sedang berlaku tidak lama lagi. Kajian ini menyumbang kepada pengetahuan sedia ada
dengan menyediakan hasil pelaziman operan yang berlaku dalam meratakan keluk
pandemik Covid-19 di mana mewujudkan 4 kategori utama gelagat pengguna iaitu kitar
semula, norma baru, norma baru sederhana dan kembali ke tabiat lama. Keempat-empat
jenis kategori ini boleh digunakan sebagai segmen pasaran baru berbanding demografi,
psikografi atau gaya hidup dalam kajian pemasaran terutamanya dalam memahami
gelagat, keperluan dan kehendak tertentu mereka. Justeru itu, kebarangkalian untuk
47
penjanaan dan pengembangan kekayaan juga akan mengalami transformasi seperti yang
telah dibincangkan.
KAJIAN MASA DEPAN
Ini adalah kajian gelagat awal pasca pandemik yang menyumbang kepada pengetahuan
tentang perubahan gelagat. Perbincangan hanya menurus kepada bagaimana perubahan
gelagat pengguna boleh merubah penjanaan dan pengembangan kekayaan.
Walaubagaimanapun, pengkaji menjangkakan apabila perubahan transformasi
penjanaan dan pengembangan telah benar-benar berlaku, ianya akan juga merubah
landskap perlindungan dan pengagihan kekayaan yang boleh dibincang pada masa akan
datang.
RUJUKAN
Abdullah, Z. (2020, February 19). Delivery services see spike in business because of COVID-
19. Channel News Asia. https://www.channelnewsasia.com/news/singapore/delivery-services-see-spike-in-business-coronavirus-covid-19-12443628
Adnan, A.A., 2009. Pandangan pakar terhadap penentu ekstrinsik dalam pemilihan bank
menurut tuntutan syarak. The Journal of Muamalat and Islamic Finance Research. 6(1).
147-176.
Al-Hawari, M. A. A. (2014). Does customer sociability matter? Differences in e-quality, e-
satisfaction, and e-loyalty between introvert and extravert online banking users.
Journal of Services Marketing. 28(7), 538-546.
Ariffin, S. K., Mohan, T., & Goh, Y. N. (2018). Influence of consumers’ perceived risk on
consumers’ online purchase intention. Journal of Research in Interactive Marketing,
12(3), 309-327.Baker, S. R., Farrokhnia, R. A., Meyer, S., Pagel, M., & Yannelis, C.
(2020). How does household spending respond to an epidemic? consumption during the
2020 covid-19 pandemic (No. w26949). National Bureau of Economic Research.
Barnes, S. J. (2020). Information management research and practice in the post-COVID-
19 world. International Journal of Information Management, (June), 102175. https://doi.org/10.1016/j.ijinfomgt.2020.102175
Brug, J., Aro, A. R., & Richardus, J. H. (2009). Risk perceptions and behaviour: Towards
pandemic control of emerging infectious diseases. International Journal of Behavioral
Medicine, 16(1), 3-6
Burchell, K., Rettie, R., & Patel, K. (2013). Marketing social norms: Social marketing and
the ‘social norm approach’. Journal of Consumer Behaviour, 12(1), 1-9.
48
Chen, J., Lewis, B., Marathe, A., Marathe, M., Swarup, S., & Vullikanti, A. K. (2017).
Individual and collective behaviour in public health epidemiology. In Handbook of
statistics (Vol. 36, pp. 329-365). Elsevier.
Cialdini, R. B. (2007). Descriptive social norms as underappreciated sources of social
control. Psychometrika, 72(2), 263–268.
Cialdini, R. B. (2012). The focus theory of normative conduct. In P. A. M. Van Lange, A. W.
Kruglanski, & E. T. Higgins (Eds.), Handbook of Theories of Social Psychology.
Vol.2 (pp. 295–312). London: Sage.
Cialdini, R. B., & Goldstein, N. J. (2004). Social influence: Compliance and conformity.
Annual Review of Psychology, 55, 591-621.
Del Valle, S., Hethcote, H., Hyman, J. M., & Castillo-Chavez, C. (2005). Effects of
behavioral changes in a smallpox attack model. Mathematical biosciences, 195(2), 228-
251.
Donthu, N., & Gustafsson, A. (2020). Effects of COVID-19 on business and research.
Journal of business research, 117, 284.
Ferguson, N. (2007). Capturing human behaviour. Nature, 446(7137), 733-733.
Fu, H., Manogaran, G., Wu, K., Cao, M., Jiang, S., & Yang, A. (2020). Intelligent decision-
making of online shopping behavior based on internet of things. International Journal
of Information Management, 50, 515-525.
Grashuis, J., Skevas, T., & Segovia, M. S. (2020). Grocery Shopping Preferences during the
COVID-19 Pandemic. Sustainability, 12(13), 5369.
Hamilton. I. A. (2020, April 15). Jeff Bezos is wealthier by $24 billion in 2020, as Amazon reports
at least 74 COVID-19 US warehouse cases and its first death. Business Insider. https://www.businessinsider.my/jeff-bezos-net-worth-jumps-23-billion-during-coronavirus-crisis-2020-4?r=US&IR=T
Hamilton. I. A. (2020, April 15). Jeff Bezos is wealthier by $24 billion in 2020, as Amazon reports
at least 74 COVID-19 US warehouse cases and its first death. Business Insider. https://www.businessinsider.my/jeff-bezos-net-worth-jumps-23-billion-during-coronavirus-crisis-2020-4?r=US&IR=T
Hatchett, R. J., Mecher, C. E., & Lipsitch, M. (2007). Public health interventions and
epidemic intensity during the 1918 influenza pandemic. Proceedings of the National
Academy of Sciences, 104(18), 7582-7587.
Izogo, E. E., & Jayawardhena, C. (2018). Online shopping experience in an emerging e-
retailing market. Journal of Research in Interactive Marketing, 12(2), 193-214.
Jones, D. S. (2020). History in a crisis: Lessons for Covid-19. New England Journal of
Medicine, 1-3.
Kallgren, C. A., Reno, R. R., & Cialdini, R. B. (2000). A focus theory of normative conduct:
When norms do and do not affect behavior. Personality and Social Psychology Bulletin,
26, 1002-1012.
49
Kettunen, E., Kemppainen, T., Lievonen, M., Makkonen, M., Frank, L., & Kari, T. (2018).
Ideal types of online shoppers: A qualitative analysis of online shopping behavior.
In Mediterranean Conference on Information Systems. MCIS.
Kim, E., Libaque-Saenz, C. F., & Park, M. C. (2019). Understanding shopping routes of
offline purchasers: selection of search-channels (online vs. offline) and search-
platforms (mobile vs. PC) based on product types. Service Business, 13(2), 305-338.
Kirk, C. P., & Rifkin, L. S. (2020). I'll Trade You Diamonds for Toilet Paper: Consumer
Reacting, Coping and Adapting Behaviors in the COVID-19 Pandemic. Journal of
Business Research. 117, 124-131.
Kumar, S., Sharma, B., & Singh, V. (2020). Modelling the role of media induced fear
conditioning in mitigating post-lockdown COVID-19 pandemic: perspectives on
India.
Kodama, M. (2020). Digitally transforming work styles in an era of infectious disease.
International Journal of Information Management, (June), 102172. https://doi.org/10.1016/j.ijinfomgt.2020.102172
Lau, J. T., Kim, J. H., Tsui, H., & Griffiths, S. (2007). Perceptions related to human avian
influenza and their associations with anticipated psychological and behavioral
responses at the onset of outbreak in the Hong Kong Chinese general population.
American Journal of Infection Control, 35, 38-49.
Leung, G. M., Ho, L. M., Chan, S. K., Ho, S. Y., Bacon-Shone, J., Choy, R. Y., Hedley, A. J.,
Lam, T. H., & Fielding, R. (2005). Longitudinal assessment of community
psychobehavioral responses during and after the 2003 outbreak of severe acute
respiratory syndrome in Hong Kong. Clinical Infectious Diseases, 40(12), 1713-1720.
Lundberg, S. (2020). Why psychographic data is crucial in times of crisis. https://blog.globalwebindex.com/marketing/psychographic-data-crucial-in-crisis/
Md Shah, A. U., Safri, S. N. A., Thevadas, R., Noordin, N. K., Abd Rahman, A., Sekawi,
Z., ... & Sultan, M. T. H. (2020). COVID-19 Outbreak in Malaysia: Actions Taken by
the Malaysian Government. International Journal of Infectious Diseases. 1-9.
Mohd Dali, NRS, Ahmad Bustamam, U.S. and Abdul Hamid, H. (2019). Pengajian
Keusahawanan. Kementerian Pendidikan Malaysia. Aras Mega Sdn Bhd.
Nam, C., & Srikant, M. (2017). Website design elements and online shopping behavior of
Korean consumers: An exploration based on the SOR Paradigm. Decision Support
Systems, 86, 95-108.
Naim, A. M., Hamid, M. L. A., & Wahab, M. Z. H. (2019). The roles of lifestyle, future
need and customer preferences in customer’s satisfaction on Islamic banks products
and services. The Journal of Muamalat and Islamic Finance Research, 16(2),60-76.
Nielsen (2020, 9 Oktober). Covid-19: Entering a New Norm in Consumer Behaviour.
Insights. https://www.nielsen.com/sg/en/insights/article/2020/covid19-new-norm-
consumer-behaviour/
50
Pang, X., Zhu, Z., Xu, F., Guo, J., Gong, X., Liu, D., ... & Feikin, D. R. (2003). Evaluation
of control measures implemented in the severe acute respiratory syndrome
outbreak in Beijing, 2003. Jama, 290(24), 3215-3221.
Poletti, P., Ajelli, M., & Merler, S. (2011). The effect of risk perception on the 2009 H1N1
pandemic influenza dynamics. PloS one, 6(2), e16460.
Richmond, A. (1996). Enticing online shoppers to buy: A human behavior study.
Computer Networks and ISDN Systems, 28(7-11), 1469-1480.
Scott, S., & Duncan, C. J. (2001). Biology of plagues: Evidence from historical populations.
Cambridge University Press.
Schiffman, L. G., Kanuk, L. L., & Wisenblit, J. (2000). Consumer Behavior. Upper Saddle
River J: Prentice Hall.
Shaw, R., Kim, Y. K., & Hua, J. (2020). Governance, technology and citizen behavior in
pandemic: Lessons from COVID-19 in East Asia. Progress in disaster science, 100090.
Seto, W. H., Tsang, D., Yung, R. W. H., Ching, T. Y., Ng, T. K., Ho, M., Ho, L. M., Peiris,
J. S. M., & Advisors of Expert SARS group of Hospital Authority. (2003).
Effectiveness of precautions against droplets and contact in prevention of
nosocomial transmission of severe acute respiratory syndrome (SARS). The Lancet,
361(9368), 1519-1520.
Sherif, M. (1936). The Psychology of Social Norms. New York: Harper & Row, Publishers,
Inc.
Sheth, J. (2020). Impact of Covid-19 on consumer behaviour: Will the old habits return or
die? Journal of Business Research, 117, 280-283.
Sundström, M., Hjelm-Lidholm, S., & Radon, A. (2019). Clicking the boredom away:
Exploring impulse fashion buying behavior online. Journal of Retailing and Consumer
Services, 47, 150-156.
Talib, N.A.H.M., Majid, L.A. and Talib, N.M., 2019. Relevansi Sifat al-Haya’dalam
Pemantapan Akhlak Generasi Z. Al-Turath Journal Of Al-quran And Al-sunnah, 4(1),
8-14.
Utami, H. N., & Firdaus, I. F. A. (2018). Pengaruh bauran pemasaran terhadap perilaku
online shopping: Perspektif pemasaran agribisnis. Jurnal Ecodemica, 2(1), 136-146
Van Bavel, J. J., Baicker, K., Boggio, P. S., Capraro, V., Cichocka, A., Cikara, M., Crockett,
M. J., Crum, A. J., Douglas, K. M., Druckman, J. N., & Drury, J., 2020. Using social
and behavioural science to support COVID-19 pandemic response. Nature Human
Behaviour, pp.1-12.
White, K. M., Smith, J. R., Terry, D. J., Greenslade, J. H., & McKimmie, B. M. (2009). Social
influence in the theory of planned behaviour: The role of descriptive, injunctive, and
in‐group norms. British Journal of Social Psychology, 48(1), 135-158.
Wong, L. P., & Sam, I. C. (2011). Behavioral responses to the influenza A (H1N1) outbreak
in Malaysia. Journal of Behavioral Medicine, 34(1), 23-31.
51
Wu, P., Fang, Y., Guan, Z., Fan, B., Kong, J., Yao, Z., ... & Hoven, C. W. (2009). The
psychological impact of the SARS epidemic on hospital employees in China:
exposure, risk perception, and altruistic acceptance of risk. The Canadian Journal of
Psychiatry, 54(5), 302-311.
Wu, S., Yang, P., Li, H., Ma, C., Zhang, Y., & Wang, Q. (2013). Influenza vaccination
coverage rates among adults before and after the 2009 influenza pandemic and the
reasons for non-vaccination in Beijing, China: a cross-sectional study. BMC public
health, 13(1), 636.
52
KEYNOTE PAPER SAIS 2020
UNLEASH THE POWER OF BIG DATA THROUGH COVID19
Norita Md Norwawi
Faculty of Science and Technology, Universiti Sains Islam Malaysia. [email protected]
Abstract
The pandemic coronavirus disease 2019 (COVID-19) first reported in Malaysia on 25th January but the spread remains low until 11 March upon the detection of first sporadic COVID 19 which then progress to a massive spike in the middle of March. The third wave of the epidemic with higher spike was detected late September. Understanding the epidemic is very crucial in responding to the situation. The COVID-19 time-series data analysis provides insight into the situation that may lead to an early response by estimating future trends. This paper presents the concept and applications of Big Data and demonstrates the data analytic aspect using a sliding window time-series forecasting methods. Data from 25th January until 10th October was obtained from the Malaysian Ministry of Health (MOH) and Department of Statistics Malaysia website for the analysis. The data analytics demonstrated the value gain for useful insights.
Keywords: big data, data analytics, predictive analytics, trend analysis, time-series
INTRODUCTION
The World Health Organization named Novel Coronavirus disease which is an infectious
disease caused by a newly discovered coronavirus as COVID-19. The coronavirus 2019
disease first detected in Wuhan on the 31st December 2019 known as severe acute
respiratory syndrome coronavirus2 (SARS-CoV-2) facing respiratory problem with such
as coughing, persistent chest pain and difficulty in breathing (WHO, 2012) However,
some people who become infected do not show any symptoms or feeling of unwell. To
break the chain, Movement Control Order (MCO) was declared thus managing, control
the spreading and mitigating the risk of spikes in the pandemic.
In Malaysia, a country of 31 million people, over 15,657 have been infected with COVID-
19 and 157 fatalities have been reported up until 11th October 2020. The disease was first
reported in Malaysia on 25 January 2020 on 3 travellers from China gradually lead to the
first sporadic infected person reported on 11th March. This implies that he did not
contract the disease due to travelling overseas or close contact. Since then, there was a
sharp increase in the trend of people infected positive COVID-10 with its peak in middle
March. As of 11 October 2020, out of the 15,657 COVID-19 cases reported in the country,
69.70 per cent have been cured with the fatality rate of 1.0%. This implies that Malaysia’s
53
strategies in attempting to break the chain of infection through several MCO strategies
since 18 March 2020 show a remarkable result (MOH, 2020; DOSM, 2020). Analysis of the
current situation, its trend and patterns are very crucial in supporting and facilitating the
government decision-making especially at a major critical turning point of an event.
BIG DATA AND COVID19
With the current development and Fourth Industrial Revolution, voluminous data are
being created every millisecond due to Internet technology and Web 2.0. However, the
data remain useless in its raw form unless processed into a useful form required for
problem solving and decision-making. In the current Industry 4.0, data is a commodity
that may lead to economical power by providing useful insights such as for business
organizations.
As an example, Amazon.com conducted personalized marketing with a targeted segment
of customers with similar interest in a certain topic of knowledge. Digital marketers can
post advertisements to targetted customers browsing on social media such as Facebook,
Twitter and Youtube. We may have noticed that the advertisements that were pushed
into our social media status usually matched our current interest mined from recent
Google keyword search. Twitter text data, for instance, may be used to study the current
trend in terms of product popularly known as sentiment analysis. The mass volume of
data which may be structured, semi-structured or unstructured characterized Big Data
that has 5 elements which are Volume, Velocity, Variety, Veracity and Value known as
5V ( O’Reilly Media, 2012; Hamdan et al., 2018;) describe as follows :
Volume Huge size of data is generated every second, for instance, emails, web sites,
Internet of Things sensors, Whatsapp messages, status posting on social media such as
Facebook, Twitter, Instagram and so on. Due to the mass volume of the data collected,
an alternative processing and analysis techniques are required to handle the size.
Velocity The speed of the data being created and distributed is rapid almost an instance
of time such as sending messages, photos, social media status, stories and live streaming
over the Internet. Cloud and mobile platform. The current big data technology can
execute real-time data processing such as radar tracking for air flight, Global Positioning
Sensor (GPS) tracking on transports, apps, Google map and laptops.
Variety The data in the current Algorithm Age or the Algorithmic Economic are various
formats such as text, images, video, audio, structured and unstructured in contrast with
the Information Age that analyse structured data.
54
Veracity Since 80% of the data is unstructured, extraction for hidden patterns is very
challenging due to the dynamicity, fast-changing volatile data, data loss and noises, thus
influence the accuracy, trustworthiness and data quality in general.
Value The patterns extracted from the data give value for decision-making and problem-
solving which is the key importance of Big Data. For example, during the Obama election
campaign in 2012, many data scientist were hired to mine data and conduct sentiment
analysis to gauge the inclination of the voters towards certain issues which gave a huge
advantage to him (Hamdan, 2018).
The Power of Big Data
Due to the 5V characteristics of the Big Data, analyzing those voluminous data using
conventional techniques such as databases, Statistics and Data Engineering is no more
efficient and effective. It requires a special database that can have huge volumes of data.
Some examples of Big Data applications are shortest route search using Google Map,
book recommendation with Amazon.com, hotel recommendation with Trivago and
weather forecast that able to give an early warning on an expected storm, earthquakes
and so on. Millions of data being collected and analysed within minutes giving useful
information to users.
Big Data Applications for COVID 19
Dr Kamran Kahn, an epidemiologist and practising physician trained in advanced data
analytics launched BlueDot, a Toronto-based startup developed proprietary software-
as-a-service capable of locating, tracking, and predicting the spread of infectious disease
in 2015. The BlueDot engine searched data every 15 minutes every day gathering over
150 diseases and syndromes around the world. He builds the world’s first Artificial
Intelligence (AI)-based infectious disease surveillance equipped with Big Data
functionality with global early warning system capable to track and contextualize
infectious disease risks. BlueDot was first to detect the epidemic on a cluster of “unusual
pneumonia” on 31 December 2019 from articles in Chinese that reported 27 pneumonia
cases happening around a market that had seafood and live animals in Wuhan, China
(Bragazzi et. al, 2020; McCall, 2020).
BlueDot was able to anticipate the spread based on highest volume air flights
movements from Wuhan to Bangkok, Hong Kong, Tokyo, Taipei, Phuket, Seoul, and
Singapore which in actual was also the first places to record COVID-19 cases. BlueDot
55
demonstrated the capability of AI and Big Data co-exist with decision-makers to give
useful insights and predictive analytics that can speed up decisions, facilitate strategic
problem solving and innovate solutions.
On the other hand, the of the important sources of information on COVID 19 was
initiated by John Hopkins University, the United States of America that provide real-
time global data visualization on the spreading of the virus using computational
techniques through its CoronaVirus Resource Centre as shown in Figure 1.
Figure 1: John Hopkins Coronavirus Resource Centre
(https://coronavirus.jhu.edu/map.html)
In terms of research, Qin et al. (2020) exploited Big Data to detect new COVID-19
suspected cases in 6–9 days and confirmed cases in 10 days whereas Yang et al. (2020)
predicted the COVID-19 epidemic peaks and sizes. In Iran, Ahmadi et al. (2020) study
on the correlation between climatology parameters on the COVID-19 outbreak using
sensitivity analysis. He found out coronavirus highly infected patient may survive due
to low values of wind speed, humidity, and solar radiation exposure. He also concluded
that locations with high population density, intra-provincial movements and humidity
rate are more at risk.
COVID 19 DATA ANALYTICS FOR MALAYSIA
In Malaysia, first reported cases imported from China travelers was on 25 January and
a local sporadic infected person was detected on 11 March 2020. The first Movement
Control Order (MCO) was declared on 18th March upon the trace of the first spike in
the epidemic trend. The third wave took place end of September with much higher
positive cases compared to the maximum from the second wave, especially in Sabah
and Kedah.
56
Besides the Ministry of Health and National Security Division website, the Department
of Statistics Malaysia also has a dedicated web page for the Corona Virus updates as
shown in Figure 2.
Figure 2: COVID 19 Cases in Malaysia until 7 Oktober 2020 (https://ukkdosm.github.io/covid-19)
ESRI ( https://coronavirus-nsesrimy.hub.arcgis.com/) is another website that also displays the current COVID 19 situation using Geographical Information System (GIS) data is as in Figure 3.
Figure 3: ESRI web site with GIS data
57
An interesting website (https://outbreak.my) shows the visualization of the spreading
of the epidemic and patients infected with Corona Virus as depicted in Figure 4.
Figure 4: Visualization of COVID 19 outbreak (https://www.outbreak.my/cases)
Daily total cases in Malaysia is illustrated in Figure 5 recorded on Worldometer .
Figure 5: Active Cases in Malaysia until 11 October 2020
( https://www.worldometers.info/coronavirus/country/malaysia/)
58
The chart shows the second and the third wave of the coronavirus outbreak where the
numbers of active cases are higher than the peak during the second wave. The MCO in
the third wave focused on the locality with a red zone with a strict movement for that
particular community observing the standard operating procedures enforcement such
as wearing a face mask, keeping physical distance and home quarantine for those in
close contacts with an infected person while waiting for the swab test result as
recommended by the Ministry of Health and National Security Division.
Nevertheless, to gain value from the Big Data, data analytics is very much the integral
component in giving insights and forecast trend based on the outbreak pattern. Next
section, the analytical part of COVID19 outbreak data in Malaysia will be presented
using time series analysis and forecast the possible future trend with predictive
analytics.
TIME SERIES DATA ANALYTICS AND FORECASTING ON COVID 19
OUTBREAK IN MALAYSIA
To conduct the analysis, the primary interest of the outbreak will be based on questions:
How different is the trend of the third wave outbreak compared to the second wave?
COVID19 outbreak data in Malaysia since 25 January 2020 until 11 Oktober 2020 (261
days) is used for the data analytics and forecast the future trends with (a) polynomial
estimation (b) sliding window time series forecasting with multiple regression and multi-
layer perceptron (MLP) feedforward artificial neural network (ANN) architecture.
Due to the simplicity and intuitiveness of the sliding window approach, temporal
sequences are recorded based on a predefined time frame and transformed into a
classification problem (Norita, 2004; Al-Turaiki, 2016). Analysis and experimentation
were done using MS Excel Data Analytics and Weka 3.8.3 Forecasting to generate the
predictive models.
Polynomial Estimation on The General Trend on COVID-19 Cases in Malaysia
During the second wave, MCO was declared by the government with enforcement
through the police and army forces at the national level. Movements were restricted to
only one member of the family preferably the male to get their livelihood needs while
observing the SOP. However, during the third wave, MCO is confined to a particular
59
community within an identified red zone area. Currently, the state of Sabah and Kedah
declared with enhanced conditional MCO.
A polynomial trendline estimated the projection of cumulative cases through curve-
fitting of actual data using the 5th order as shown in Figure 6.
Figure 6: Cumulative COVD 19 Cases Since 25 January until 11 October 2020 in Malaysia
The projection of cumulative cases may be estimated from the trendline polynomial
equation generated through curve-fitting of actual data using the 5th order. The
estimated trend line equation is given by Equation 1 with R² = 0.991
y = -8E-09x5 + 5E-05x4 - 0.0226x3 + 3.488x2 - 115.36x + 695.5 (1)
where y and x represent total cases and days, respectively. The number of total cases by
12 October 2020, which is the in the second wave of the outbreak, i.e. day 262 according
to Equation 1 is estimated to 29170 persons infected. The projection shows an escalating
spreading rate for total positive cases. However, the polynomial predictive model seems
to be unrealistic with an 80% increase in cumulative cases. However, it shows that the
community must strictly observe the physical distancing, wearing the facemask and
adhere to self-quarantine if necessary, and heightened their hygiene practices as
indicated by the high-risk situation.
0100020003000400050006000700080009000
10000110001200013000140001500016000
0 50 100 150 200 250 300
Cu
mu
lati
ve C
ases
Day
COVID 19 Outbreak Trend25 Jan-11 Oct 2020
Actual
Expon. (Actual)
Poly. (Actual)
60
Figure 7 illustrates the pattern of the new cases reported and shows that spike of current
new cases detected the current second wave is much higher than the maximum during
the MCO1 and 2. The community must discipline themselves with the SOP to break the
chain as soon as possible.
Figure 7: The Pattern Of New Cases Reported.
Figure 8 shows the number of cases according to states as of 11 October 2020.
Figure 8: Number Of Cumulative Positive Cases In the Various States In Malaysia
(https://outbreak.my)
0255075
100125150175200225250275300325350375400425450475500525550575600625650675700725750
0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300
No
of
Cas
es
Days
Trend on New Cases25 Jan - 11 Oct 2020SECOND WAVE THIRDWAVEFIRST WAVE
Maximum
Cases in
Second Wave
61
Next section will present the sliding window approach used for data preprocessing
before training the predictive model with the restructured dataset.
Sliding Window Time Series Data Analytics and Forecasting
Time series data are usually analysed as a single variable (univariate) varying overtime
where event happening at time t will be defined by the previous event on the time scale.
It is dependent on historical data used to predict the next output on the timeline such that
y(t) = f(y(t-n)) where n is the size of the window indicates the time frame being
investigated as illustrated in Figure 9 for window size =1. The time frame may indicate
the temporal delay or lagging that has useful information that must be captured.
y(t-n)
…….
y(t-2)
y(t-1)
y(t)
Figure 9: Sliding window conceptual view for window width =1
The outcome of current time t is based on the output of prior time, t-1 as in Equation 2.
yt = f(yt-1) (2)
If the window width is 2 , then the Equation is defined as
yt = f(y t-1,y t-2) (3)
Table 1 is an example of a univariate time series dataset where one variable is observe
varying over time and the restructured data with window width = 1 and 2.
Table 1: Restructuring the dataset with window width=1 and width =2
Time y t Time y t-1 yt = f(y t-1)
width =1
1 15 1 ? 15
2 40 2 15 40
3 60 3 40 60
window size = 1
62
Time y t Time y t-2 yt-1
yt = f(y t-1,y t-
2)
width =2
1 15 1 ? 15 40
2 40 2 15 40 60
3 60 3 40 60 ?
Multistep forecasting can also be carried out to predict more than one future step as
shown in Equation 4.
<yt, yt-1> = f(y t-1,y t-2) (4)
Table 2 shows two steps multi forecasting with the data restructuring for the sliding
window of width=1.
Table 2: Example of two steps multi forecasting
A multivariate time series data can also benefit from the sliding window method. Assume
variable a and b at time t, where yt = f(at, bt). Value of b at time t can be predicted as in
Equation 5 and the example shown in Table 3.
yt = bt = f(at-1,bt-1, at) (5)
Table 3: Restructuring data with sliding window width = 2 for multivariate time series
dataset to predict variable b.
Time at bt Time at-1 bt-1 yt = f(at ,bt )
width = 1
1 15 0.30 1 ? ? 15 0.30
2 40 0.04 2 15 0.30 40 0.04
3 60 0.23 3 40 0.04 60 0.23
4 80 0.15 4 60 0.23 80 0.15
5 80 0.15 ? ?
Time y t Time yt-2 yt-1
width =1
y t
width =1
1 15 1 ? 15 40
2 40 2 15 40 60
3 60 3 40 60 80
4 80 4 60 80 ?
5 80 ? ?
63
We may also predict more than one output variable such as in ANN, for example
predicting both variables a and b at time t as shown in Equation 6.
<at ,bt> = f(at-1 ,bt-1) (6)
Table 4 presents the dataset restructuring to predict both variables a and b.
Table 4: Restructuring data with sliding window width =1 for multivariate time series
dataset to predict variable at and bt.
Time at bt. Time yt = at
width = 1
yt = bt.
width = 1
1 15 0.30 1 ? at-1 bt.-1 0.30
2 40 0.04 2 15 0.30 40 0.04
3 60 0.23 3 40 0.04 60 0.23
4 80 0.15 4 60 0.23 80 0.15
5 80 0.15 ? ?
Time at bt. Time at-1 bt-1 at yt = bt
width = 1
1 15 0.30 1 ? ? 15 0.30
2 40 0.04 2 15 0.30 40 0.04
3 60 0.23 3 40 0.04 60 0.23
4 80 0.15 4 60 0.23 80 0.15
5 80 0.15 ? ?
Determination on the window width and forecasting steps will depend on the nature of
the problem or questions asked for the analysis. The accuracy of the analysis will
determine which window size gave the best performance.
In this study, two experiments were conducted using (a) multiple regression technique
(b) multi-layer perceptron, a feedforward artificial neural network with the restructured
dataset using the sliding window approach.
Data Analytics and Experimentation
A. Data Preparation with Sliding Window Representation
In this experiment, the analysis was conducted on the first and second wave data
specifically recovery cases of COVID-19 patients from 25th January until 30th April 2020
64
indicated by the cumulative number of infected persons being discharged from the
hospital.
The purpose of the experiment is to answer
a. Is there a specific timeframe from the previous event that may influence the future
outcome?
b. What is the optimum sliding window width that gives good predictive analytics
performance?
c. Is it consistent with other technique?
The result of time series forecasting using multiple regression is compared to multilayer
perceptron with feedforward ANN architecture. The multiple regression analysis was
conducted using Microsoft Excel Data Analysis tool since the data are numerals with real
values. Table 5 and Table 6 shows examples of restructured data in the data preparation
phase using the sliding window technique to represents a classification problem.
Table 5: Example of Data Restructuring using a window of width 1,2 and 3.
yt-3 y t-2 yt-1 yt Actual data
0 0
0 0 0
0 0 1 1
0 0 1 1 1
0 1 1 1 1
1 1 1 2 2
1 1 2 3 3
1 2 3 7 7
2 3 7 8 8
3 7 8
7 8
8
65
Table 6: Restructured Data in Sliding window format where yt-i is the predictor variables
for yt. 3 sets of data with varying window width.
Sliding Window Restructured Data
width =1 width =2 width =3
yt-1 yt y t-2 yt-1 yt yt-3 y t-2 yt-1 yt
0 0 0 0 1 0 0 1 1
0 1 0 1 1 0 1 1 1
1 1 1 1 1 1 1 1 2
1 1 1 1 2 1 1 2 3
1 2 1 2 3 1 2 3 7
2 3 2 3 7 2 3 7 8
3 7 3 7 8
7 8
RESULT AND DISCUSSION
Sliding Window Time Series Forecasting with Multiple Regression
The sliding window size ranging from 2 until 16 was used due to the limit of predictor
variables of the MS Excel for multiple regression. Table 7 presents the performance of
the multiple regression according to the window size n with a 95% confidence level where
n is statistically significant with F value < 0.05.
Table 7: Performance Evaluation of the Multiple Regression Model with different
window widths
Window
width
n
Performance
Window
width
n
Performance
R Square Observations R Square Observations
*** 0 0.654935 97 9 0.999682 88
1 0.998887 96 10 0.999685 87
2 0.999418 95 11 0.999688 86
3 0.999563 94 12 0.999708 85
4 0.99958 93 13 0.999721 84
5 0.999643 92 14 0.999757 83
6 0.999643 91 15 0.999755 82
7 0.999674 90 16 0.999754 81
8 0.999681 89
66
The performance of the regression model using the sliding window perform far better
than the polynomial regression, y=f(t), of window width = 0 as presented earlier. The
experiment shows that historical time series or temporal data do influences the current
outcome due to its continuity on the timeline. Thus, we may conclude that the number of
discharge patients at time t may be explained by an event at t-n where n is the nth previous
time frame. The experiment result also shows that that window of width 5 and 14 gave
the best performance and statistically significant and this is also consistent where the p-
value at each window width is less than 0.05.
Thus, we may conclude that the regression model for the window of width = 5 and width
=14 with significant predictor variables is given by Equation 7 and 8 where recovery r
rt = 1.2028 * rt-1 + -0.4239 *rt-5 (7)
And for window of width = 14,
rt = 1.0999 * rt-1 - 0.5743*rt-5 + 0.5353 * rt-7 - 0.6185* rt-10 + 0.5469* rt-14 (8)
The predicted value for using a window with width 5 and 14 is as shown in Table 8.
Table 8: Projected value using the sliding window multiple regression model.
Sliding Window Time Series Forecasting with Multilayer Perceptron Using Lag
Based on the performance in the regression model, the Multilayer Perceptron (MLP)
analysis was conducted with window of width = 14 using lag in Weka 3.8.3. Data from
Excel was converted to CSV format and save into .arff extension. The results of the four
experiments conducted are tabulated in Table 9.
Date Day w=5 w=14
30 Apr 97 4171 4171
1 May 98 3379.953 3929.629
2 May 99 2388.145 3671.179
3 May 100 1163.322 3391.380
67
Table 9: Result of Time Series Forecasting Using Artificial Neural Network Multi-Layer
Perceptron Architecture with Lag or Sliding Window
Based on Table 9, the best result with the lowest Mean Square Error uses the original
discharge data with lag set to 5 at the minimum and 14 at maximum based on the
regression model where the MLP Neural Network architecture is as below
• No of lag (minimum) 5
• No of lag (maximum) 14
• No of Transformed Input Data 23
• No of Hidden Nodes 12
• No of output 1
• Activation function Sigmoid
• No of instances 97
The predictive model developed is data dependent. Table 10 shows the comparison
between the predicted value with actual data.
Data MSE Predicted
1 May 2 May 3 May 4 May
Original Data
without lag 29.2578
4314.8850
4379.3578 4437.7216 4492.7702
Original Data with
lag set to minimum
1, maximum 14
24.2193 4252.9409
4302.119 4342.7921 4377.3397
Original Data with
lag set to minimum
5, maximum 14
23.4196 4279.4511 4338.5092 4393.4741 4441.0433
Restructured data
with window width
14
33.4426 4245.7669 4280.4892 4312.1067 4341.2878
68
Table 10: Performance comparison of the Predicted Model of MR and MLP
MR – Multiple Regression MLP – Multilayer Perceptron
The window width =14 implies that the current outcome may be predicted using a two
weeks’ time frame. This agrees with the current official estimated range for the
incubation of novel coronavirus COVID-19 is 2-14 days. (Worldometer, 12 March).
Further, evaluation is needed to confirm whether the window width or lag size do
represent the incubation period of the coronavirus.
CONCLUSION
COVID19 data outbreak has created interest in studying the trend, tracking the spread
which demonstrated the capabilities of big data through visualization of the situation,
data analytics with statistical, mathematical model and machine learning algorithm to
investigate the behavior of the epidemic. The voluminous data will not gain its value
without the analytical parts that will give insights into the situation thus facilitating
decision-makers, health practitioners, environmentalist to understand the situation
through the patterns emerging from the analysis.
The paper also demonstrates the use of sliding window time series forecasting which is
a convenient method to present the data as a classification problem for further analysis.
Thus, in the data preparation, the actual data was restructured such that it represents a
temporal classification or regression problem. Multilayer Perceptron Neural Network
shows superior performance compared to multiple regression in forecasting future
trends of the coronavirus outbreak.
This study also indicates the importance of historical data predicting future trends
adopted by Norita et al. (2005) and Wan Hussain et al. (2011) through manipulation of
sliding window method for time-series data to make early decision-making in a flood
emergency management of a water reservoir based on daily rainfall data and reservoir
water level.
Date Day w=5 w=14 Residual Lag
min=4
max =14
Actual
Value
Residual
MR MR MLP
30 Apr 97 4171 4171 4171 4171
1 May 98 3379.95 3929.63 -280.37 4279.45 4210 -69.45
2 May 99 2388.14 3671.18 -654.82- 4338.51 4326 12.51
3 May 100 1163.32 3391.38 -1021.62 4393.47 4413 -19.53
69
REFERENCE
Al-Turaiki, I., AL-Shahrani, M, Al-Mutairi, T. Building Predictive Models for MERS-CoV
Infections Using Data Mining Techniques. Journal of Infection and Public Health.
9.2016.744-748.
Bragazzi, N.L.; Dai, H.; Damiani, G.; Behzadifar, M.; Martini, M.; Wu, J. How Big Data
and Artificial Intelligence Can Help Better Manage the COVID-19 Pandemic. Int. J.
Environ. Res. Public Health 2020, 17, 3176.
Department of Statistics Malaysia. (DOSM). COVID-19 by State in Malaysia. 2020.
[updated 2020 oct 11; cited 2020 Apr 30] . Available from
https://ukkdosm.github.io/covid-19.
Hamdan, A.R., AhmadNazree, M.Z, Abu Bakar, A. 2018. Pengenalan Sains Data in
Hamdan, A.R., AhmadNazree, M.Z, Abu Bakar (eds). Sains Data Penerokaan
Pengetahuan Dari Data Raya . UKM Press.
McCall, B. COVID-19 and artificial intelligence: Protecting health-care workers and
curbing the spread. Lancet Digit. Health 2020, 2, e166–e167
Ministry of Health,Malaysia(MOH). COVID-19 : Maklumat Terkini. 2020. [updated 2020
Oct 11; cited 2020 Apr 30] . Available from
https://www.moh.gov.my/index.php/pages/view/2274
Norita Md Norwawi, Ku Ruhana Ku Mahamud, Safaai Deris. (2005). Recognition
decision-making model using temporal data mining technique. Journal of ICT, 4 (1).
pp. 37-56. ISSN 1675-414X
Norita Md Norwawi. Computational Recognition-Primed Decision Model Based on
Temporal Data Mining Approach in a Multiagent Environment for Reservoir Flood
Control Decision. PhD. thesis, Universiti Utara Malaysia. 2004.
O’Reilly Media .2012 Big Data Now.O’Reilly Media Inc.
Qin, L.; Sun, Q.; Wang, Y.; Wu, K.-F.; Chen, M.; Shia, B.-C.; Wu, S.-Y. Prediction of
Number of Cases of 2019 Novel Coronavirus (COVID-19) Using Social Media Search
Index. Int. J. Environ. Res. Public Health 2020, 17, 2365.
Wan Hussain Wan Ishak, Ku Ruhana Ku Mahamud, Norita Md Norwawi. (2011). Mining
Temporal Reservoir Data Using Sliding Window Technique. CiiT International Journal
of Data Mining and Knowledge Engineering, Vol 3, No 8, June 2011, 473-478
70
World Health Organization. Coronavirus disease 2019 (COVID-19): situation report.
2020. [updated 2020 Apr 30; cited 2020 Apr 30] Available from
https://www.who.int/emergencies/diseases/novel-coronavirus-2019/situation-reports
Worldometer. Covid-19 Coronavirus Pandemic. [Updated 11 Oct cited on 11 Oct 2020]
Available online from https://www.Worldometers.Info/Coronavirus/#Countries.
Yang, Z.; Zeng, Z.; Wang, K.; Wong, S.S.; Liang, W.; Zanin, M.; Liu, P.; Cao, X.; Gao, Z.;
Mai, Z.; et al. Modified SEIR and AI prediction of the trend of the epidemic of COVID-
19 in China under public health interventions. J. Thorac. Dis. 2020, 12, 165–174