Install Library

Beberapa library yang perlu di install sebagai berikut:

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

Input Data

Data diinput dari Microsoft Excel dengan syntax sebagai berikut:

setwd("D:/Kuliah/Belajar/Semester 2/Matkul/Probabilitas dan Statistika/Pertemuan 2 (24 Februari 2025)/visualisasi data dengan ggplot2")
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>

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

Industri Teknologi memiliki 8 responden, Manufaktur dan Keuangan masing-masing memiliki 7 responden, Kesehatan memiliki 5 responden, dan Pendidikan memiliki 3 responden.

Responden yang bekerja di industri Teknologi lebih mendominasi dibandingkan dengan industri lainnya seperti Manufaktur, Keuangan, Kesehatan, dan Pendidikan. Hal ini menunjukkan bahwa industri berbasis teknologi mungkin lebih banyak mengadopsi AI atau memiliki lebih banyak pekerja yang terlibat dalam penggunaan AI.

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

Tingkat penggunaan AI “Tinggi” memiliki 12 responden, “Sedang” memiliki 10 responden, dan “Rendah” memiliki 8 responden.

Mayoritas responden memiliki tingkat penggunaan AI yang tinggi atau sedang, menunjukkan bahwa AI sudah cukup banyak diadopsi dalam berbagai bidang pekerjaan. Namun, masih ada sebagian responden yang tingkat penggunaan AI-nya rendah, yang mungkin mengindikasikan bahwa AI belum merata di semua sektor atau jenis pekerjaan.

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

Responden dengan 1 tahun pengalaman kerja memiliki efisiensi kerja sebelum AI berkisar antara 44 hingga 75, sementara responden dengan 24 tahun pengalaman kerja memiliki efisiensi kerja sebelum AI antara 52 hingga 80.

Tidak ada pola yang jelas antara lama bekerja dan efisiensi kerja sebelum penggunaan AI. Hal ini menunjukkan bahwa pengalaman kerja tidak selalu berkorelasi dengan efisiensi kerja sebelum adanya AI.

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

Sebagian besar responden memiliki pengalaman kerja di bawah 10 tahun, dengan 5 responden memiliki 1 tahun pengalaman kerja dan 4 responden memiliki 8 tahun pengalaman kerja.

Mayoritas responden memiliki pengalaman kerja yang relatif singkat.

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

Sebanyak 10 responden menggunakan AI dengan frekuensi 20-25 kali per minggu, dan 8 responden menggunakan AI dengan frekuensi 30-35 kali per minggu.

Sebagian besar responden menggunakan AI dengan frekuensi sedang hingga tinggi dalam satu minggu, menunjukkan bahwa AI sudah menjadi bagian rutin dari pekerjaan mereka.

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

Median lama bekerja adalah sekitar 8 tahun, dengan beberapa outlier seperti responden yang memiliki 29 tahun pengalaman kerja.

Mayoritas responden memiliki pengalaman kerja yang relatif singkat (di bawah 10 tahun), dengan beberapa outlier yang memiliki pengalaman kerja lebih panjang. Ini mungkin mencerminkan bahwa pekerja yang lebih muda atau baru lebih banyak terlibat dalam penggunaan AI.

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

Efisiensi kerja setelah AI berkisar antara 50 hingga 99, dengan puncak distribusi sekitar 70-80.

Sebagian besar responden mengalami peningkatan efisiensi kerja setelah penerapan AI, dengan efisiensi kerja setelah AI berkisar antara 50 hingga 99. Hal ini menunjukkan bahwa AI memberikan dampak positif terhadap produktivitas pekerja.

Menampilkan semua plot

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

Dari data yang telah dianalisis, dapat disimpulkan bahwa AI telah memberikan dampak positif terhadap efisiensi kerja, terutama di industri Teknologi, Manufaktur, dan Keuangan. Namun, tingkat adopsi AI masih bervariasi, dengan beberapa sektor atau jenis pekerjaan yang masih memiliki tingkat penggunaan AI yang rendah. Selain itu, pengalaman kerja tidak selalu berkorelasi dengan efisiensi kerja sebelum penggunaan AI, menunjukkan bahwa faktor lain mungkin lebih berpengaruh.