##Install library Beberapa library yang perlu diinstal sebagai berikut:

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

Input Data

Data diinput dari Microsoft Excel dengan syntax sebagai berikut:

setwd("C:/Users/Ridho/Documents/STATISTIKA/Probabilitas dan 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>

1. Pie Chart

Dari data tersebut akan disajikan visualisasi data dalam bentuk pIe Chart. Berikut terlampir hasil visualisasi data persentase responde 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 distribusi industri dalam dataset ini, terlihat bahwa AI paling banyak digunakan di sektor Teknologi, dengan sektor Keuangan dan Kesehatan sebagai pengadopsi AI yang cukup signifikan. Sementara itu, sektor Manufaktur dan Pendidikan masih memiliki ruang untuk pertumbuhan dalam penggunaan AI.

2. Bar Chart

Dari data tersebut akan disajikan visualisasi data dalam bentuk Bar Chart. Berikut terlampir hasil visualisasi data persentase responde 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

Mayoritas responden dalam dataset ini menggunakan AI dalam tingkat tinggi, yang menunjukkan tren peningkatan adopsi AI di dunia kerja. Penggunaan AI di tingkat rendah dan sedang juga cukup signifikan, menunjukkan bahwa masih ada variasi dalam penerapannya tergantung pada industri dan jenis pekerjaan. Tren ini bisa mencerminkan bahwa AI semakin menjadi bagian penting dalam berbagai sektor, tetapi belum semua pekerjaan atau industri mengadopsinya secara penuh.

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

Tidak ada hubungan yang jelas antara lama bekerja dan efisiensi sebelum AI. Pekerja dengan sedikit pengalaman bisa saja lebih efisien dibandingkan mereka yang lebih lama bekerja. Hal ini menegaskan bahwa pengalaman kerja saja tidak menjamin efisiensi sebelum AI, dan ada faktor lain yang lebih menentukan.

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

Mayoritas pekerja dalam dataset memiliki pengalaman kurang dari 10 tahun atau lebih dari 20 tahun, dengan lebih sedikit di rentang menengah (10-19 tahun). Distribusi ini bisa mencerminkan tren tenaga kerja baru yang terus bertambah dan tenaga kerja senior yang masih bertahan.

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

Penggunaan AI dalam dunia kerja tidak seragam, dengan sebagian besar individu menggunakannya dalam frekuensi menengah (sekitar 10-20 kali per minggu). Sebagian kecil individu sangat jarang menggunakan AI, sementara lainnya sangat bergantung pada AI dengan frekuensi tinggi (>30 kali per minggu).

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

Mayoritas pekerja memiliki pengalaman antara 5-20 tahun. Median lama bekerja sekitar 10-12 tahun, menunjukkan bahwa dataset ini cukup seimbang antara pekerja baru dan berpengalaman. Tidak ada outlier ekstrem, menandakan bahwa variasi pengalaman kerja dalam dataset masih dalam batas wajar

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

Mayoritas individu mengalami peningkatan efisiensi ke rentang 70-90 setelah menggunakan AI. Sebagian kecil individu mencapai efisiensi mendekati 100, menunjukkan bahwa AI memberikan manfaat besar bagi beberapa orang.

8. Menampilkan semua plot

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