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

input data

setwd("C:/Users/Zidan Erdi/OneDrive/ドキュメント")
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 diatas menunjukkan bahwa industri Teknologi mendominasi dataset dengan porsi terbesar, diikuti oleh Kesehatan, Manufaktur dan Keuangan. Sementara itu, industri Pendidikan memiliki porsi yang lebih kecil, mengindikasikan 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

Dari Bar Chart di atas, kita dapat melihat bahwa sebagian besar responden masuk dalam kategori penggunaan AI “tinggi”, dengan kategori “rendah” mencatat frekuensi terendah. Hal ini menunjukkan bahwa AI sangat sering digunakan dalam aktivitas profesional 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 ini menunjukkan hubungan antara durasi kerja (dalam tahun) dan efisiensi kerja sebelum penggunaan AI. Terlihat bahwa responden dengan pengalaman kerja lebih dari 20 tahun cenderung memiliki efisiensi kerja yang tinggi (titik terkonsentrasi pada bagian atas grafik). Sebaliknya, efektivitas responden dengan pengalaman profesional kurang dari lima tahun lebih bervariasi.

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

Steam and Leaf Point menunjukkan bahwa sebagian besar responden memiliki pengalaman kerja 10 hingga 20 tahun. Nilai di luar rentang tersebut, seperti di bawah 5 tahun atau di atas 30 tahun, relatif jarang terjadi, hal ini menunjukkan bahwa data terkonsentrasi pada rata-rata rentang usia kerja.

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 AI biasanya digunakan 10 hingga 15 kali per minggu. Kurang dari 5 atau lebih dari 20 kali seminggu menunjukkan penggunaan AI yang jarang dan kemungkinan sedang.

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 menunjukkan bahwa 50% durasi data pekerjaan terkonsentrasi pada periode 10-20 tahun, dengan median sekitar 15 tahun. Beberapa outlier tampak berusia di atas 30 tahun, hal ini menunjukkan bahwa beberapa responden memiliki 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 sebagian besar responden mengalami peningkatan efisiensi kinerja setelah menggunakan AI, dengan distribusi mencapai puncaknya pada tingkat efisiensi yang lebih tinggi. Hal ini menunjukkan bahwa AI mempunyai pengaruh positif terhadap efisiensi.

Menampilkan Semua Plot

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