install library

Beberapa library yang perlu diinstall sebagai berikut:

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

Input Data

Data diinput dari Microsoft Excel dengan syntax sebagai berikut:

setwd("C:/Users/UseR/Desktop/SEMESTER 2/PROBABILITAS STATISTIKA")
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>

Pie Chart

Dari data tersebut akan disajikan visualisasi data dalam bentuk pie chart. Berikut terlampir hasil visualisasi data persentase responden berdasarkan distribusi industri;

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

Dari hasil visualisasi data diatas dengan menggunakan Pie Chart dapat dijelaskan bahwa Pie Chart yang mewakili 5 bagian distribusi industri mewakili kategori industri tertentu. Semakin besar potongan pie chart semakin besar pola persentase masing-masing industri berdasarkan data yang digunakan dalam dataset excel tersebut.

Bar Chart

Dari data tersebut akan disajikan visualisasi data dalam bentuk bar chart. Berikut terlampir hasil visualisasi data jumlah responden berdasarkan distribusi industri;

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

Dari hasil visualisasi data diatas dengan menggunakan Bar Chart dapat dijelaskan bahwa tingkat penggunaan AI dengan tingkat “Tinggi” memilki frekuensi tertinggi. Sedangkan, tingkat penggunaan AI tingkat “Sedang” dan “Rendah” memiliki frekuensi yang sama. Hal ini dapat disimpulkan bahwa jumlah pengguna AI dalam dataset memiliki keterlibatan tinggi dalam penggunaan AI.

Dot Plot

Dari data tersebut akan disajikan visualisasi data dalam bentuk Dot Plot. Berikut terlampir hasil visualisasi data hubungan antaralama tahun bekerja denmgan efisiensi kerja sebelum menggunakan AI

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

Dari hasil visualisasi data diatas dengan menggunakan Dot Plot dapat dijelaskan bahwa titik-titik yang tersebar menunjukkan bahwa lama bekerja memiliki hubungan langsung dengan efisiensi sebelum mengunakan AI. Beberapa individu dengan lama bekerja mempunyai efisiensi yang tinggi dengan rentang efisiensi 50-60 dan lama bekerja dalam rentang 15-25.

Stem and Leaf Plot

Dari data tersebut akan disajikan visualisasi data dalam bentuk Stem and Leaf Plot. Berikut terlampir hasil visualisasi data lama bekerja dalam tahun

stem(data$Lama Bekerja (tahun))

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

Dari hasil visualisasi data diatas dengan menggunakan Stem and Leaf Plot dapat dijelaskan bahwa lebih banyak individu yang mempunyai pengalaman bekerja lebih singkat dibandingkan dengan yang pengalaman kerja lebih lama. Sebagian besar individu memiliki pengalaman lama bekerja di bawah 20 tahun.

5. Histogram

Dari data tersebut akan disajikan visualisasi data dalam bentuk Histogram. Berikut terlampir hasil visualisasi data frekuensi penggunaan AI per Minggu

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

Dari hasil visualisasi data diatas dengan menggunakan Histogram dapat dijelaskan bahwa jumlah individu yang tidak terdistribusi merata mengakibatkan beberapa puncak histogram di mana lebih banyak individu memiliki frekuensi penggunaan AI per Minggu, sementara di frekuensi lainnya jumlah individu lebih sedikit. Terdapat variasi dalam penggunaa AI dengan sebagian individu memiliki kebiasaan penggunaan dalam rentang tertentu.

histogram

6. Boxplot

Dari data tersebut akan disajikan visualisasi data dalam bentuk Boxplot. Berikut terlampir hasil visualisasi data lama bekerja dalam tahun

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

Dari hasil visualisasi data diatas dengan menggunakan Boxplot dapat dijelaskan bahwa whiskers bagian atas menunjukkan lama bekerja cukup besar dibandingkan whisker bagian bawah yang menunjukkan bahwa individu memiliki lama bekerja yang berdekatan.

Density Plot

Dari data tersebut akan disajikan visualisasi data dalam bentuk Density Plot. Berikut terlampir hasil visualisasi data efisiensi kerja sesudah AI

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

Dari hadil visualisasi data diatas dengan menggunaan Density Plot dapat dijelaskan bahwa efisiensi kerja sesudah AI memiliki sebagian besar individu yang berkisar 65-85 memiliki kepadatan tertinggi dengan nilai tertentu.

Menampilkan Semua Plot

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

Menampilkan semua visualisasi data dengan: 1. Data tersebar di beberapa industri seperti kesehatan, keuangan, manufaktur, pendidikan dan teknologi. 2. Tingkat penggunaan AI ada 3, yaitu Rendah, Sedang, dan Tinggi. Mayoritas individu berada di frekuensi tingkat penggunaan AI “Tinggi” 3. Adanya hubungan antara lama bekerja dan efisiensi sebelum AI. Beberapa individu dengan lama bekerja yang panjang memiliki variasi efisiensi yang tinggi. 4. Sebagian besar individu memiliki pola penggunaan AI yang jauh lebih tinggi atau lebih rendah dibanding mayoritas. 5. Whiskers bagian atas menunjukkan lama bekerja cukup besar dibandingkan whisker bagian bawah yang menunjukkan bahwa individu memiliki lama bekerja yang berdekatan. 6. Adanya peningkatan setelah menggunakan AI. Sebagian besar individu memiliki efisiensi dalam kisaran tertentu.