Install dan load library

library(ggplot2)
library(readxl)
library(ggthemes)
library(gridExtra)

Import Data

setwd("C:/Users/LENOVO/Desktop/Prosta/1-Praktikum-Visualisasi data")
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

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

Visualisasi pie chart memperlihatkan bahwa sektor Teknologi mendominasi dataset dengan proporsi terbesar, diikuti oleh bidang Kesehatan, Manufaktur, dan Keuangan. Sementara itu, sektor Pendidikan memiliki persentase yang lebih kecil, menandakan bahwa adopsi AI belum merata di semua industri.

2. Bar Chart

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 bar chart, terlihat bahwa sebagian besar responden berada dalam kategori penggunaan AI yang Tinggi, sedangkan kategori Rendah mencatat jumlah paling sedikit. Hal ini mengindikasikan bahwa AI telah digunakan secara cukup luas dalam aktivitas kerja responden.

3. Dot Plot

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

Dot plot menggambarkan hubungan antara lama bekerja (dalam tahun) dan efisiensi kerja sebelum penerapan AI. Tampak bahwa responden dengan pengalaman lebih dari 20 tahun cenderung memiliki efisiensi kerja yang lebih tinggi (titik-titik terkonsentrasi di bagian atas grafik). Sebaliknya, responden dengan pengalaman kurang dari 5 tahun menunjukkan variasi efisiensi yang lebih besar.

4. Stem and Leaf Plot

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

Stem and leaf plot menunjukkan bahwa mayoritas responden memiliki pengalaman kerja antara 10 hingga 20 tahun. Nilai-nilai di luar rentang ini, seperti di bawah 5 tahun atau di atas 30 tahun, lebih jarang ditemukan, yang menandakan bahwa sebagian besar data berkonsentrasi pada kelompok usia kerja menengah.

5. Histogram

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

Histogram ini mengindikasikan bahwa frekuensi penggunaan AI per minggu paling sering berada dalam rentang 10-15 kali. Penggunaan di bawah 5 kali atau lebih dari 20 kali per minggu relatif jarang, yang menunjukkan bahwa intensitas pemakaian AI cenderung berada pada tingkat menengah.

6. Boxplot

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

Boxplot memperlihatkan bahwa 50% data lama bekerja terdistribusi dalam rentang 10-20 tahun, dengan median sekitar 15 tahun. Beberapa outlier terlihat di atas 30 tahun, yang menunjukkan adanya responden dengan pengalaman kerja yang jauh lebih lama dibanding mayoritas.

7. Density Plot

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

Density plot mengungkapkan bahwa sebagian besar responden mengalami peningkatan efisiensi kerja setelah menggunakan AI, dengan puncak distribusi berada di tingkat efisiensi yang tinggi. Hal ini menandakan bahwa AI memberikan kontribusi positif terhadap produktivitas kerja.

Menampilkan semua plot

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