TUGAS Visualisasi Data

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

input data

setwd("C:/Users/Asus/Downloads")
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

Visualisasi pie chart menunjukkan bahwa industri Teknologi mendominasi dataset dengan porsi terbesar, diikuti oleh Kesehatan, Manufaktur, dan Keuangan. Sebaliknya, industri Pendidikan memiliki porsi yang lebih kecil, menandakan bahwa adopsi AI belum merata di semua sektor.

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

Bar chart menunjukkan bahwa mayoritas responden berada pada kategori Tinggi dalam penggunaan AI, sedangkan kategori Rendah memiliki frekuensi terendah. Ini mengindikasikan bahwa AI telah diadopsi secara luas dalam aktivitas kerja responden.

3. Dot Plot

dot_plot <- ggplot(data, aes(x = `Lama Bekerja (tahun)`, y = `Efisiensi Kerja Sebelum AI`)) +
  geom_point(color = "darkgreen", size = 2) +
  theme_minimal() +
  labs(title = "Dot Plot: Lama Bekerja vs. Efisiensi Sebelum AI", x = "Lama Bekerja (tahun)", y = "Efisiensi Sebelum AI")

dot_plot

Dot plot ini menggambarkan hubungan antara lama bekerja (dalam tahun) dan efisiensi kerja sebelum menggunakan AI. Responden dengan pengalaman lebih dari 20 tahun cenderung memiliki efisiensi yang lebih tinggi, terlihat dari konsentrasi titik di bagian atas grafik. Sebaliknya, responden dengan pengalaman kurang dari 5 tahun menunjukkan variasi efisiensi yang lebih besar.

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

Stem and leaf plot menunjukkan bahwa sebagian besar responden memiliki pengalaman kerja antara 10 hingga 20 tahun. Sementara itu, responden dengan pengalaman di bawah 5 tahun atau di atas 30 tahun relatif sedikit, mengindikasikan konsentrasi data pada kelompok usia kerja menengah.

5. Histogram

histogram <- ggplot(data, aes(x = `Frekuensi Penggunaan AI per Minggu`)) +
  geom_histogram(binwidth = 5, fill = "yellow", color = "black", alpha = 0.7) +
  theme_minimal() +
  labs(title = "Histogram: Frekuensi Penggunaan AI per Minggu", x = "Frekuensi", y = "Jumlah Individu")

histogram

Histogram ini menunjukkan bahwa frekuensi penggunaan AI per minggu paling tinggi berada pada rentang 10-15 kali. Sebaliknya, frekuensi di bawah 5 kali atau di atas 20 kali per minggu terlihat jarang, menandakan bahwa penggunaan AI cenderung moderat.

6. Box Plot

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 50% data lama bekerja terkonsentrasi pada rentang 10-20 tahun, dengan median sekitar 15 tahun. Terdapat beberapa outlier di atas 30 tahun, menandakan adanya responden dengan pengalaman kerja yang sangat panjang.

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 sebagian besar responden mengalami peningkatan efisiensi kerja setelah menggunakan AI, dengan puncak distribusi pada nilai efisiensi tinggi. Ini mengindikasikan dampak positif AI terhadap produktivitas kerja.

Menampilkan Semua Plot

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