# Install dan load library
library(ggplot2)
library(readxl)
library(ggthemes)
library(gridExtra)
# Import Data
setwd("C:/Users/rindr/Downloads/Compressed/OneDrive_2025-02-27/Materi Kuliah Mhs-Probabilitas dan Statistika/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_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

Bedasarkan distribusi industri dalam dataset diatas, sektor Teknologi menjadi yang paling dominan dalam penerapan AI, diikuti dengan sektor keuangan dan juga kesehatan yang juga cukup signifikan dalam mengadopsinya. Sementara itu, sektor Manufkatur dan pendidikan masih memiliki potensi besar untuk meningkatkan penggunaan AI.

# 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

Sebagian besar responden dalam dataset di atas menerapkan AI pada tingkat yang tinggi, Mencerminkan tren peningkatan adopsi AI di dunia kerja.Penggunaan AI pada tingkat rendah dan menengah juga cukup menonjol, menandakan adanya variasi dalam penerapannya berdasarkan industri dan jenis pekerjaan.Tren ini menunjukkan bahwa AI sudah mulai semakin berperan penting di berbagai sektor, meskipun belum sepenuhnya diadopsi oleh semua pekerjaan atau industri.

# 3. Bar Chart respon
bar_chart2 <- ggplot(data, aes(x = `Respon terhadap AI`, fill = `Respon terhadap AI`)) +
  geom_bar() +
  theme_minimal() +
  labs(title = "Bar Chart : Distribusi Respon terhadap AI", x = "Respon terhadap AI", y = "Frekuensi")

bar_chart2

Sebagian besar individu dalam dataset memiliki pandangan positif terhadap AI, menunjukkan bahwa teknologi ini dianggap memberikan manfaat dalam meningkatkan efisiensi atau produktivitas kerja. Namun, masih ada kelompok yang memiliki pandangan negatif, kemungkinan disebabkan oleh faktor seperti kesulitan adaptasi atau kekhawatiran terhadap dampak AI pada lapangan pekerjaan. Sementara itu, hanya sedikit individu yang bersikap netral, yang mengindikasikan bahwa mayoritas orang sudah memiliki pengalaman dan pendapat yang jelas mengenai penggunaan AI dalam dunia kerja.

# 4. 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 korelasi yang jelas antara lama bekerja dan efisiensi sebelum AI. Pekerja dengan sedikit pengalaman memiliki peluang untuk bisa bekerja lebih efesien dibandingkan mereka yang lebih lama bekerja. Hal ini menegaskan bahwa pengalaman kerja saja tidak menjamin efisiensi sebelum AI, dan ada faktor-faktor lain yang lebih menentukan.

# 5. 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 pekerja dalam dataset ini memiliki pengalaman kurang dari 10 tahun atau lebih dari 20 tahun, sementara jumlahnya lebih sedikit pada rentang menengah (10-19 tahun). Distribusi ini dapat mencerminkan pertumbuhan tenaga kerja baru yang terus meningkat serta keberlanjutan tenaga kerja senior di industri.

# 6. 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

Pemanfaatan AI di dunia kerja bervariasi, dengan mayoritas individu menggunakannya dalam frekuensi sedang (sekitar 10-20 kali per minggu). Sebagian kecil jarang memanfaatkan AI, sedangkan yang lain sangat bergantung padanya dengan frekuensi tinggi (lebih dari 30 kali per minggu).

# 7. 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

Sebagian besar pekerja memiliki pengalaman kerja dalam rentang 5-20 tahun. Median masa kerja berkisar antara 10-12 tahun, menunjukkan keseimbangan antara pekerja baru dan yang lebih berpengalaman. Tidak ditemukan outlier ekstrem, mengindikasikan bahwa variasi pengalaman kerja dalam dataset tetap berada dalam kisaran yang wajar.

# 8. 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

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