# Install dan load library
library(ggplot2)
library(readxl)
library(ggthemes)
library(gridExtra)
# Import Data
setwd("D:/APK/Tugas_R")
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>

R Markdown

This is an R Markdown document. Markdown is a simple formatting syntax for authoring HTML, PDF, and MS Word documents. For more details on using R Markdown see http://rmarkdown.rstudio.com.

When you click the Knit button a document will be generated that includes both content as well as the output of any embedded R code chunks within the document. You can embed an R code chunk like this:

# 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

Grafik pie chart di atas menunjukkan bahwa industri Teknologi memiliki distribusi tertinggi dibandingkan industri lainnya, sedangkan industri Pendidikan memiliki distribusi terendah.

Including Plots

You can also embed plots, for example:

# 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 grafik di atas, dapat disimpulkan bahwa tingkat penggunaan AI tertinggi berada pada kategori ‘Tinggi’ dengan frekuensi sekitar 12.5. Sedangkan, untuk kategori ‘Rendah’ dan ‘Sedang’ memiliki frekuensi yang hampir sama, yaitu sekitar 9.

# 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

Grafik dot plot ini menggambarkan hubungan antara lama bekerja (dalam tahun) dan efisiensi kerja sebelum penerapan AI. Dari pola sebaran titik, terlihat bahwa responden dengan pengalaman kerja lebih dari 20 tahun cenderung memiliki efisiensi kerja yang lebih tinggi, karena titik-titiknya terkumpul di bagian atas grafik. Sementara itu, responden dengan pengalaman kerja kurang dari 5 tahun menunjukkan tingkat 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

Plot stem and leaf menunjukkan bahwa mayoritas responden memiliki pengalaman kerja dalam rentang 10 hingga 20 tahun. Sementara itu, jumlah responden dengan pengalaman kerja di bawah 5 tahun atau lebih dari 30 tahun cenderung lebih sedikit, yang mengindikasikan bahwa data lebih terpusat pada kelompok dengan masa 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

Grafik ini menunjukkan seberapa sering orang menggunakan AI dalam seminggu. Dari histogram, terlihat bahwa jumlah pengguna bervariasi di setiap rentang frekuensi. Mayoritas individu menggunakan AI sekitar 10-20 kali per minggu, karena di rentang ini jumlah individu paling banyak. Ada juga yang menggunakan AI lebih jarang atau lebih sering, tetapi jumlahnya tidak sebanyak kelompok utama. Ini menunjukkan bahwa sebagian besar orang punya pola penggunaan AI yang cukup rutin, meskipun ada beberapa yang menggunakannya secara ekstrem, baik sangat sering maupun sangat jarang.

# 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

Box plot menunjukkan bahwa setengah dari data mengenai lama bekerja berada dalam rentang 10 hingga 20 tahun, dengan nilai median sekitar 15 tahun. Selain itu, terdapat beberapa outlier di atas 30 tahun, yang menunjukkan adanya responden dengan pengalaman kerja yang jauh lebih lama dibandingkan mayoritas lainnya.

# 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 mayoritas responden mengalami peningkatan efisiensi kerja setelah menggunakan AI, dengan puncak distribusi berada pada tingkat efisiensi yang tinggi. Hal ini mengindikasikan bahwa penggunaan AI berkontribusi positif terhadap produktivitas kerja.

# Menampilkan semua plot
grid.arrange(pie_chart, bar_chart, dot_plot, histogram, boxplot_data, density_plot, ncol = 2)