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. norita@usim.edu.my

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.

nuradli@usim.edu.my ii Pensyarah Kanan, Fakulti Sains dan Teknologi, Universiti Sains Islam Malaysia. hanifah@usim.edu.my

iii Pensyarah Kanan, Fakulti Ekonomi dan Muamalat, Universiti Sains Islam Malaysia.

wrasyidah@usim.edu.my iv Pensyarah Kanan, Fakulti Ekonomi dan Muamalat, Universiti Sains Islam Malaysia.

fazni@usim.edu.my v Pensyarah Kanan, Fakulti Ekonomi dan Muamalat, Universiti Sains Islam Malaysia.

umihamidaton@usim.edu.my

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. norita@usim.edu.my

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