Install dan load library

Beberapa library yang perlu di install sebagai berikut:

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

Import Data

Data diinput dari Miscrosoft Excel dengan Syntax sebagai berikut :

setwd("C:/Users/USER/Documents/Probabilitas dan Statistika")
data <- read_excel("C:/Users/USER/Documents/Probabilitas dan Statistika/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

Dari data tersebut akan disajikan visualisasi data dalam bentuk Pie Chart. Berikut terlampir hasil visualisasi data Persentase Responden berdasarkan Distribusi Industri.

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

Dalam distribusi industri pada dataset ini, sektor Teknologi menunjukkan penggunaan AI yang paling dominan, diikuti oleh sektor Keuangan dan Kesehatan yang juga menunjukkan adopsi AI yang signifikan. Sementara itu, sektor Manufaktur dan Pendidikan masih menunjukkan potensi untuk berkembang lebih lanjut dalam penerapan AI.

Pie Chart2

Dari data tersebut akan disajikan visualisasi data dalam bentuk Pie Chart. Berikut terlampir hasil visualisasi data Persentase Responden berdasarkan Distribusi Jenis Pekerjaan.

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

pie_chart2

Dalam distribusi jenis pekerjaan pada dataset ini, peran Analis Keuangan dan Data Scientist menunjukkan penggunaan AI yang paling tinggi disusul oleh Software Engineer dan Dosen, sementara profesi Dokter tercatat sebagai pengguna AI terendah.

Bar Chart

Dari data tersebut akan disajikan visualisasi data dalam bentuk Bar Chart. Berikut terlampir hasil visualisasi data Persentase Responden berdasarkan Tingkat Penggunaan AI.

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 ini menggunakan AI pada tingkat yang tinggi, menunjukkan adanya tren peningkatan adopsi AI di dunia kerja. Penggunaan AI pada tingkat rendah dan sedang juga cukup signifikan, yang mengindikasikan adanya variasi dalam penerapannya, tergantung pada industri dan jenis pekerjaan. Tren ini mencerminkan bahwa AI semakin menjadi elemen penting di berbagai sektor, meskipun belum semua pekerjaan atau industri mengadopsinya secara menyeluruh.

Bar Chart2

Dari data tersebut akan disajikan visualisasi data dalam bentuk Bar Chart. Berikut terlampir hasil visualisasi data Persentase Responden berdasarkan Tingkat Respon Terhadap AI.

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

bar_chart2

Mayoritas responden dalam data sampel ini memberikan respon positif terhadap AI, mencerminkan adanya sikap penerimaan yang kuat terhadap teknologi ini. Sementara itu, respon netral tercatat sebagai kategori dengan jumlah sampel terendah, menunjukkan bahwa sebagian kecil responden masih belum sepenuhnya yakin atau tidak memiliki pandangan jelas mengenai penerapan AI.

Dot Plot

Dari data tersebut akan disajikan visualisasi data dalam bentuk Dot Plot. Berikut terlampir hasil visualisasi data Persentase Responden berdasarkan Lamanya Bekerja dan Efisiensi Sebelum Menggunakan AI.

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 ditemukan hubungan yang jelas antara lama bekerja dan efisiensi sebelum penerapan AI. Pekerja dengan pengalaman yang lebih sedikit bisa jadi lebih efisien dibandingkan dengan mereka yang telah bekerja lebih lama. Hal ini menunjukkan bahwa pengalaman kerja tidak selalu menjadi jaminan efisiensi sebelum AI, dan ada faktor lain yang lebih berpengaruh.

Stem and Leaf Plot

Dari data tersebut akan disajikan visualisasi data dalam bentuk Stem and Leaf Plot. Berikut terlampir hasil visualisasi data Persentase Responden berdasarkan Lamanya Berkerja (tahun).

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

Mayoritas pekerja dalam dataset memiliki pengalaman kurang dari 10 tahun atau lebih dari 20 tahun, dengan lebih sedikit di rentang menengah (10-19 tahun). Distribusi ini bisa mencerminkan tren tenaga kerja baru yang terus bertambah dan tenaga kerja senior yang masih bertahan.

Histogram

Dari data tersebut akan disajikan visualisasi data dalam bentuk Histogram. Berikut terlampir hasil visualisasi data Persentase Responden berdasarkan Frekuensi Penggunaan AI per Minggu.

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 di dunia kerja bervariasi, di mana sebagian besar individu menggunakannya dengan frekuensi sedang (sekitar 10-20 kali per minggu). Sebagian kecil orang menggunakan AI sangat jarang, sementara yang lain sangat bergantung pada AI dengan frekuensi tinggi (lebih dari 30 kali per minggu).

Box Plot

Dari data tersebut akan disajikan visualisasi data dalam bentuk Box Plot. Berikut terlampir hasil visualisasi data Persentase Responden berdasarkan Lamanya Berkerja (tahun).

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 antara 5 hingga 20 tahun. Median lama bekerja berkisar antara 10 hingga 12 tahun, yang menunjukkan bahwa dataset ini cukup seimbang antara pekerja yang baru dan yang berpengalaman. Tidak ada data yang menunjukkan nilai ekstrem, yang berarti variasi pengalaman kerja dalam dataset masih tergolong wajar.

Density Plot

Dari data tersebut akan disajikan visualisasi data dalam bentuk Density Plot. Berikut terlampir hasil visualisasi data Persentase Responden berdasarkan Efisiensi Kerja Sebelum Menggunakan AI.

density_plot <- 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_plot

Mayoritas individu dalam data sampel menunjukkan efisiensi kerja sebelum AI berada pada rentang 50-60 persen, dengan median sekitar 57 persen. Hanya sebagian kecil yang memiliki efisiensi di atas 70 persen, mengindikasikan bahwa sebelum penerapan AI, sebagian besar responden mengalami tingkat efisiensi yang lebih rendah.

Density Plot2

Dari data tersebut akan disajikan visualisasi data dalam bentuk Density Plot. Berikut terlampir hasil visualisasi data Persentase Responden berdasarkan Efisiensi Kerja Sesudah Menggunakan 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

Sebagian besar individu mengalami peningkatan efisiensi dalam rentang 70-90 setelah menggunakan AI. Sebagian kecil bahkan mencapai efisiensi hampir 100, menunjukkan bahwa AI memberikan dampak yang signifikan bagi beberapa orang.

Menampilkan Semua Plot

Disini akan ditampilkan seluruh plot yang sudah dibuat diatas

grid.arrange(pie_chart, pie_chart2, bar_chart, bar_chart2, dot_plot, histogram, boxplot_data, density_plot, density_plot2, ncol = 2)