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

input data

setwd("C:/Users/MyBook Hype AMD/Downloads")
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

Dari Visualisasi pie chart diatas menunjukkan industri Teknologi cukup mendominasi dataset dengan porsi terbesar, kemudian dilanjutkan posisi kedua dan seterusnya oleh Kesehatan, Manufaktur dan Keuangan. Sementara itu, pada industri Pendidikan memiliki porsi yang lebih kecil, menandakan bahwa penggunaan AI masih belum merata di semua sektor.

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 diagram batang di atas, dapat dilihat bahwa sebagian besar responden berada dalam kategori Tinggi dalam pemanfaatan AI, sedangkan kategori Rendah memiliki jumlah responden paling sedikit. Hal ini mengindikasikan bahwa AI telah cukup sering digunakan dalam aktivitas kerja mereka.

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 ini menggambarkan keterkaitan antara lama bekerja (dalam tahun) dan tingkat efisiensi kerja sebelum penerapan AI. Responden dengan pengalaman lebih dari 20 tahun tampak memiliki efisiensi kerja yang cenderung lebih tinggi, sebagaimana ditunjukkan oleh konsentrasi titik di bagian atas grafik. Sementara itu, responden dengan pengalaman kurang dari 5 tahun menunjukkan tingkat efisiensi yang lebih beragam.

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 berkisar antara 10 hingga 20 tahun. Sementara itu, jumlah responden dengan pengalaman kurang dari 5 tahun atau lebih dari 30 tahun terbilang lebih sedikit, yang mengindikasikan bahwa data cenderung terkumpul pada kelompok dengan masa 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 menunjukkan bahwa penggunaan AI per minggu paling sering terjadi dalam rentang 10-15 kali. Sementara itu, frekuensi penggunaan kurang dari 5 kali atau lebih dari 20 kali per minggu terlihat lebih rendah, mengindikasikan bahwa tingkat pemanfaatan AI cenderung berada pada kategori menengah. # 6. Box Plot

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

Box plot menggambarkan bahwa sebanyak 50% data lama bekerja terpusat pada rentang 10 hingga 20 tahun, dengan nilai median berada di sekitar 15 tahun. Selain itu, terdapat beberapa outlier di atas 30 tahun, yang menunjukkan keberadaan responden dengan pengalaman kerja yang sangat panjang.

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 ini menunjukkan bahwa mayoritas responden mengalami peningkatan efisiensi kerja setelah mengadopsi AI, dengan puncak distribusi terletak pada tingkat efisiensi yang tinggi. Hal ini mengindikasikan bahwa penggunaan AI berkontribusi positif terhadap peningkatan produktivitas kerja.

Menampilkan Semua Plot

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