Install dan load library

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

Import Data

setwd("C:/Users/Literataa/Downloads/1-Praktikum-Visualisasi data")
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_chart1 <- 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_chart1

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.

pie_chart2 <- ggplot(data, aes(x = "", fill = `Jenis Pekerjaan`)) +
  geom_bar(width = 1) +
  coord_polar("y", start = 0) +
  theme_minimal() +
  labs(title = "Pie Chart : Distribusi Jenis Pekerjaan") +
  theme(axis.text.x = element_blank())

pie_chart2

Dari distribusi Jenis Pekerjaan dalam dataset ini, terlihat bahwa AI paling banyak digunakan pada jenis pekerjaan Analisa Keuangan dan Data Scientist dengan persentase yang sama. Sementara itu, jenis pekerjaan Dokter masih kurang menggunakan AI dalam pekerjaannya

2. Bar Chart

bar_chart1 <- 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_chart1

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.

bar_chart2 <- ggplot(data, aes(x = `Respon terhadap AI`, fill = `Respon terhadap AI`)) +
  geom_bar() +
  theme_minimal() +
  labs(title = "Distribusi Respon terhadap AI di Tempat Kerja", x = "Respon terhadap AI", y = "Frekuensi")

bar_chart2

3. 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.

4. 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).

7. Density Plot

density_plot1 <- ggplot(data, aes(x = `Efisiensi Kerja Sebelum AI`,fill = "Efisiensi")) +
  geom_density(alpha = 0.5) +
  theme_minimal() +
  labs(title = "Density Plot: Efisiensi Kerja Sebelum AI", x = "Efisiensi", y = "Density")
density_plot1

Data efisiensi kerja sebelum penggunaan AI menunjukkan distribusi yang cukup merata pada rentang 40-80, dengan konsentrasi sedikit lebih tinggi pada rentang nilai yang lebih rendah (40-60). Rata-rata efisiensi berada pada level 60,2 dengan nilai median 57,5, menandakan bahwa mayoritas karyawan memiliki efisiensi kerja pada level menengah. Nilai efisiensi tertinggi adalah 80, yang hanya dicapai oleh beberapa individu (3 orang), sementara tidak ada individu yang mencapai efisiensi di atas 80 sebelum penggunaan AI

density_plot2 <- 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_plot2

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.

Menampilkan semua plot

margin <- unit(0.8, "cm")

theme_with_margin <- theme(
  plot.margin = margin(t = 15, r = 15, b = 15, l = 15, unit = "pt"),
  plot.title = element_text(size = 14, face = "bold"),
  axis.title = element_text(size = 12),
  axis.text = element_text(size = 10)
)

pie_chart1 <- pie_chart1 + theme_with_margin
pie_chart2 <- pie_chart2 + theme_with_margin
bar_chart1 <- bar_chart1 + theme_with_margin
bar_chart2 <- bar_chart2 + theme_with_margin
histogram <- histogram + theme_with_margin
boxplot_data <- boxplot_data + theme_with_margin
density_plot1 <- density_plot1 + theme_with_margin
density_plot2 <- density_plot2 + theme_with_margin

grid_plots <- grid.arrange(
  pie_chart1, pie_chart2, 
  bar_chart1, bar_chart2, 
  histogram, boxplot_data, 
  density_plot1, density_plot2, 
  ncol = 2,
  top = textGrob("Visualisasi Tren Penggunaan AI", 
                gp = gpar(fontsize = 16, fontface = "bold")),
  padding = unit(1.5, "cm")
)

grid_plots
## TableGrob (5 x 2) "arrange": 9 grobs
##   z     cells    name                grob
## 1 1 (2-2,1-1) arrange      gtable[layout]
## 2 2 (2-2,2-2) arrange      gtable[layout]
## 3 3 (3-3,1-1) arrange      gtable[layout]
## 4 4 (3-3,2-2) arrange      gtable[layout]
## 5 5 (4-4,1-1) arrange      gtable[layout]
## 6 6 (4-4,2-2) arrange      gtable[layout]
## 7 7 (5-5,1-1) arrange      gtable[layout]
## 8 8 (5-5,2-2) arrange      gtable[layout]
## 9 9 (1-1,1-2) arrange text[GRID.text.795]