Install dan load

library(ggplot2)
## Warning: package 'ggplot2' was built under R version 4.4.2
library(readxl)
## Warning: package 'readxl' was built under R version 4.4.2
library(ggthemes)
## Warning: package 'ggthemes' was built under R version 4.4.2
library(gridExtra)
## Warning: package 'gridExtra' was built under R version 4.4.2

Import Data

setwd ("C:/Users/lenov/OneDrive/Dokumen/New folder (2)")
data <- read_excel("data_tren_penggunaan_ai.xlsx")
head (data)
## # A tibble: 6 × 8
##   Industri   `Jenis Pekerjaan` `Tingkat Penggunaan AI` `Respon terhadap AI`
##   <chr>      <chr>             <chr>                   <chr>               
## 1 Manufaktur Software Engineer Rendah                  Negatif             
## 2 Keuangan   Analis Keuangan   Tinggi                  Positif             
## 3 Teknologi  Data Scientist    Sedang                  Negatif             
## 4 Teknologi  Dosen             Tinggi                  Positif             
## 5 Teknologi  Analis Keuangan   Rendah                  Positif             
## 6 Pendidikan Analis Keuangan   Sedang                  Positif             
## # ℹ 4 more variables: `Lama Bekerja (tahun)` <dbl>,
## #   `Frekuensi Penggunaan AI per Minggu` <dbl>,
## #   `Efisiensi Kerja Sebelum AI` <dbl>, `Efisiensi Kerja Sesudah AI` <dbl>

1. Pie Chart

Dari data sampel yang terdapat dalam file Excel, visualisasi data akan disajikan dalam bentuk diagram pie. Berikut ini adalah hasil visualisasi datanya:

pie_chart <- ggplot(data, aes(x = "", fill = Industri)) +
geom_bar(width = 1) +
coord_polar("y", start = 0) +
theme_minimal() +
labs(title = "Distribusi Industri") +
theme(axis.text.x = element_blank())

pie_chart

Berdasarkan hasil visualisasi menggunakan Pie Chart di atas, dapat disimpulkan bahwa tren penggunaan AI dalam dunia kerja paling dominan di industri teknologi dan keuangan, sementara industri pendidikan memiliki tingkat adopsi yang paling rendah. Secara umum, distribusi penggunaan AI di berbagai industri terlihat cukup merata, meskipun terdapat beberapa sektor yang menonjol. Untuk analisis lebih mendalam, perlu dilakukan pemeriksaan lebih lanjut guna menentukan apakah perbedaan ini signifikan atau hanya kebetulan. Hal ini juga dapat mencerminkan bahwa industri teknologi dan keuangan mengalami perkembangan yang lebih pesat dibandingkan dengan sektor lainnya.

2. Bar Chart

Berdasarkan data sampel yang terdapat dalam file Excel, telah dibuat visualisasi data dalam bentuk diagram batang (Bar Chart). Berikut ini adalah hasil visualisasi datanya:

bar_chart <- ggplot(data, aes(x = `Tingkat Penggunaan AI`, fill = `Tingkat Penggunaan AI`)) +
geom_bar() +
theme_minimal() +
labs(title = "Distribusi Tingkat Penggunaan AI", x = "Tingkat Penggunaan AI", y = "Frekuensi")

bar_chart

Berdasarkan visualisasi menggunakan Bar Chart di atas, dapat disimpulkan bahwa mayoritas individu memiliki tingkat penggunaan AI yang tinggi, yang mencerminkan tren kuat dalam adopsi AI. Sebaliknya, hanya sedikit individu yang menggunakan AI pada tingkat rendah. Jika dilakukan analisis lebih lanjut, distribusi ini mungkin mengungkap faktor-faktor yang mendorong individu untuk lebih aktif menggunakan AI dibandingkan membatasi penggunaannya. # 3. Dot Plot Berdasarkan data sampel yang terdapat dalam file Excel, visualisasi data akan disajikan dalam bentuk Dot Plot. Berikut ini adalah hasil visualisasi datanya:

dot_plot <- ggplot(data, aes(x = `Lama Bekerja (tahun)`, y = `Efisiensi Kerja Sebelum AI`)) +
geom_point(color = "blue", size = 2) +
theme_minimal() +
labs(title = "Dot Plot: Lama Bekerja vs. Efisiensi Sebelum AI", x = "Lama Bekerja (tahun)", y = "Efisiensi Sebelum AI")

dot_plot

Berdasarkan hasil visualisasi menggunakan Dot Plot di atas, dapat disimpulkan bahwa tidak terdapat keterkaitan yang jelas antara durasi seseorang bekerja dengan tingkat efisiensi sebelum penerapan AI. Penyebaran data yang acak tanpa pola yang mencolok menunjukkan bahwa lamanya pengalaman kerja seseorang tidak memiliki pengaruh langsung terhadap efisiensi sebelum penggunaan AI. # 4. Steam and Leaf Plot Berdasarkan data sampel yang terdapat dalam file Excel, telah dilakukan visualisasi data menggunakan Stem and Leaf Plot. Berikut adalah hasil visualisasi data yang disajikan:

stem(data$`Lama Bekerja (tahun)`)
## 
##   The decimal point is 1 digit(s) to the right of the |
## 
##   0 | 11123344
##   0 | 5778889
##   1 | 4
##   1 | 7889
##   2 | 011233444
##   2 | 9

Berdasarkan visualisasi menggunakan Stem and Leaf Plot, dapat disimpulkan bahwa sebagian besar data terakumulasi dalam rentang 0.1 hingga 1.0, mencerminkan dominasi angka-angka kecil. Hal ini menunjukkan bahwa mayoritas individu memiliki durasi kerja yang relatif singkat. Meskipun terdapat nilai yang mencapai 2.9, data pada rentang yang lebih tinggi lebih jarang ditemukan. Secara keseluruhan, distribusi data ini mengindikasikan bahwa hanya sedikit individu yang memiliki durasi kerja lebih panjang dibandingkan mayoritas. # 5. Histogram Berdasarkan data sampel yang terdapat dalam file Excel, telah dibuat visualisasi data dalam bentuk histogram. Berikut ini adalah hasil visualisasi data yang telah disajikan:

histogram <- ggplot(data, aes(x = `Frekuensi Penggunaan AI per Minggu`)) +
geom_histogram(binwidth = 5, fill = "blue", color = "black", alpha = 0.7) +
theme_minimal() +
labs(title = "Histogram: Frekuensi Penggunaan AI per Minggu", x = "Frekuensi", y = "Jumlah Individu")

histogram

Berdasarkan visualisasi Histogram di atas, dapat disimpulkan bahwa mayoritas individu menggunakan AI sekitar 10-20 kali per minggu. Meskipun demikian, terdapat variasi yang cukup signifikan dalam pola penggunaan, menunjukkan bahwa frekuensi penggunaan AI berbeda antar individu. Selain itu, tidak ditemukan pencilan yang mencolok, sehingga distribusi data tampak cukup normal dengan penyebaran yang luas.

6. Boxplot

Berdasarkan data sampel yang terdapat dalam file Excel, visualisasi data akan disajikan dalam bentuk Box Plot. Berikut ini adalah hasil visualisasi datanya:

boxplot_data <- ggplot(data) +
geom_boxplot(aes(y = `Lama Bekerja (tahun)`, fill = "lama bekerja (tahun"), alpha = 0.6) +
theme_minimal() +
labs(title = "Boxplot: Lama Bekerja dalam tahun", fill = "Kondisi")

boxplot_data

Berdasarkan hasil visualisasi menggunakan Box Plot, dapat disimpulkan bahwa masa kerja karyawan bervariasi, dengan rata-rata sekitar 10 tahun. Sebagian besar karyawan memiliki masa kerja antara 5 hingga 25 tahun. Meskipun terdapat karyawan dengan masa kerja yang lebih singkat atau lebih lama, perbedaannya tidak terlalu jauh dari rata-rata. Hal ini menunjukkan bahwa mayoritas karyawan memiliki pengalaman kerja yang cukup panjang. # 7. Density Plot Berdasarkan data sampel yang terdapat dalam file Excel, telah dibuat visualisasi data dalam bentuk Density Plot. Berikut ini adalah hasil visualisasi datanya:

density_plot <- ggplot(data, aes(x = `Efisiensi Kerja Sesudah AI`,fill = "Efisiensi")) +
geom_density(alpha = 0.5) +
theme_minimal() +
labs(title = "Density Plot: Efisiensi Kerja Sesudah AI", x = "Efisiensi", y = "Density")
density_plot

Berdasarkan hasil visualisasi menggunakan Density Plot, dapat disimpulkan bahwa efisiensi kerja setelah penerapan AI umumnya tinggi, dengan mayoritas data terkonsentrasi pada rentang 70 hingga 90. Puncak kepadatan data mengindikasikan bahwa banyak individu memiliki efisiensi sekitar 80. Selain itu, sebaran data yang cukup luas, mulai dari sekitar 50 hingga mendekati 100, menunjukkan adanya variasi efisiensi antar individu.

Tampilan keseluruhan visualiasi data

grid.arrange(pie_chart, bar_chart, dot_plot, histogram, boxplot_data, density_plot, ncol = 2)