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

input data

setwd("C:/Users/User/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 data Visualisasi pie chart diatas menunjukkan bahwa industri Teknologi sangat mendominasi dengan jumlah data terbesar, lalu dibawahnya ada Kesehatan, Manufaktur dan Keuangan. Sementara itu, industri Pendidikan memiliki jumlah data 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

Berdasarkan hasil bar chart diatas, bisa dilihat bahwa mayoritas responden cukup banyak dalam penggunaan AI, sementara kategori Rendah mencatat frekuensi terendah. Hal ini menunjukkan bahwa AI sudah cukup sering digunakan 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

berdasarkan Dot plot diata menunjukkan tahun lama bekerja dan efisiensi kerja sebelum menggunakan AI. Terlihat bahwa responden yang memiliki pengalaman kerja lebih dari 20 tahun cenderung memiliki efisiensi kerja yang lebih tinggi. Sebaliknya, responden dengan pengalaman kerja kurang dari 5 tahun memiliki efisiensi yang 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

Stem and leaf plot memperlihatkan bahwa sebagian besar 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, relatif lebih sedikit, menunjukkan konsentrasi data 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 banyak terjadi hingga 10-15 kali. Frekuensi di bawah 5 kali atau di atas 20 kali per minggu terlihat lebih jarang, menandakan bahwa penggunaan AI cenderung berada pada tingkat moderat.

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% data lama bekerja terkonsentrasi pada 10-20 tahun, dengan median sekitar 15 tahun. Beberapa outlier terlihat di atas 30 tahun, mengindikasikan adanya 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

Dari Density plot ini menyimpulkan bahwa sebagian besar responden mengalami peningkatan efisiensi kerja setelah menggunakan AI, dengan puncak distribusi berada di nilai efisiensi yang tinggi. Hal ini menunjukkan bahwa AI dapat memberikan dampak positif terhadap produktivitas kerja.

Menampilkan Semua Plot

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