Install library

Beberapa library yang perlu di instal sebagai berikut:

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

Input Data

Data di input dari Microsoft Excel dengan syntax berikut:

setwd("C:/prosta")
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 hasil visualisasi tersebut dapat disimpulkan bahwa Industri Teknologi yang paling banyak berdistribusi dalam penggunaan AI. Sementara untuk Industri Pendidikan adalah yang paling sedikit dalam penggunaan AI.

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 hasil visualisasi tersebut, dapat disimpulkan bahwa Tingkat Penggunaan AI dengan kategori Tinggi memiliki frekuensi yang lebih tinggi dibandingkan kategori Rendah dan Sedang yang memiliki frekuensi yang hampir sama.

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

##

Dari hasil visualisasi tersebut, dapat disimpulkan bahwa beberapa pekerja dengan pengalaman kerja yang singkat memiliki efisiensi tinggi, sementara beberapa pekerja dengan pengalaman yang lebih lama memiliki efisiensi yang bervariasi tinggi rendahnya.

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

Dari hasil visualisasi tersebut, dapat disimpulkan bahwa mayoritas data berkisar antara 1 hingga 24 tahun, dengan beberapa nilai di sekitar 29 tahun.

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

##

Dari hasil visualisasi tersebut, dapat disimpulkan bahwa sebagian besar individu menggunakan AI dalam kisaran 10–30 kali per minggu, karena bar pada rentang ini lebih tinggi.

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

##

Dari hasil visualisasi tersebut, dapat disimpulkan bahwa mayoritas individu memiliki pengalaman kerja antara 5–20 tahun.

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 hasil visualisasi tersebut, dapat disimpulkan bahwa puncak kepadatan tertinggi berada di sekitar 70–75, menunjukkan bahwa sebagian besar individu memiliki efisiensi kerja dalam kisaran tersebut setelah menggunakan AI.

Menampilkan semua plot

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