Install library

Beberapa library yang perlu diinstall sebagai berikut:

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

Input Data

Data diinput dari Mircosoft Excel dengan syintax sebagai berikut :

setwd("C:/Users/shafa/OneDrive/Documents/Dian/Materi R Studio")
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>

Pie Chart

Dari data tersebut akan disajikan visualisasi data dalam bentuk Pie Chart. Berikut terampil hasil visualisasi data Jumlah 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

Diagram pie ini nunjukin sebaran industri tempat orang-orang bekerja. Teknologi (30%), Manufaktur (23.3%), Keuangan (23.3%), Kesehatan (16.7%), dan Pendidikan (10%). Dari angka ini, terlihat kalau industri teknologi punya proporsi paling besar, sementara sektor pendidikan punya jumlah paling sedikit.

Bar Chart

Dari data tersebut akan disajikan visualisasi dalam bentuk Bar Chart. Berikut ditampilkan hasil visualisasi data jumlah responden berdasarkan tingkat penggunaan AI di berbagai industri:

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

Diagram batang ini nunjukin tingkat penggunaan AI di berbagai industri. Ada tiga kategori: rendah (9 orang/30%), sedang (9 orang/30%), dan tinggi (12 orang/40%). Dari grafiknya, bisa dilihat kalau jumlah orang yang menggunakan AI pada level tinggi lebih banyak dibandingkan yang menggunakan AI pada level rendah atau sedang.

Dot Plot

Dari data tersebut akan disajikan visualisasi dalam bentuk Dot Plot. Berikut ditampilkan hasil visualisasi data lama bekerja dibandingkan dengan tingkat efisiensi sebelum penggunaan 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

Dot plot ini nunjukin hubungan antara lama bekerja (dalam tahun) dengan tingkat efisiensi sebelum penggunaan AI. Lama bekerja responden berkisar antara 1 hingga 29 tahun, sementara efisiensi kerja sebelum AI mayoritas ada di rentang 50-90. Titik data paling banyak terkumpul di sekitar efisiensi 60-80, tapi nggak ada pola yang jelas yang menunjukkan bahwa semakin lama bekerja berarti efisiensi semakin tinggi.

Stem and Leaf Plot

Dari data tersebut akan disajikan visualisasi dalam bentuk Stem-and-Leaf Plot. Berikut ditampilkan hasil visualisasi data jumlah responden berdasarkan lama bekerja dalam 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

Stem-and-Leaf Plot ini nunjukin kalau sebagian besar orang punya pengalaman kerja antara 5 sampai 20 tahun, sementara ada beberapa yang udah kerja lebih dari 25 tahun. Rata-rata lama bekerja kemungkinan ada di sekitar 10 sampai 15 tahun karena datanya cukup merata. Rentangnya juga lumayan luas, mulai dari yang baru kerja kurang dari 5 tahun sampai yang udah lama banget. Ada juga beberapa nilai yang bisa dibilang outlier, terutama buat yang pengalaman kerjanya jauh di atas rata-rata.

Histogram

Dari data tersebut akan disajikan visualisasi dalam bentuk Histogram. Berikut ditampilkan hasil visualisasi data frekuensi penggunaan AI oleh responden dalam seminggu:

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

Histogram ini nunjukin seberapa sering AI digunakan dalam seminggu. Sebagian besar responden menggunakan AI sekitar 10-35 kali seminggu, dengan rata-rata 22.37 kali per minggu. Data paling banyak terkumpul di kisaran 15-30 kali per minggu. Ada juga beberapa outlier yang jarang banget atau sering banget menggunakan AI, menunjukkan kalau kebiasaan penggunaannya cukup bervariasi.

Boxplot

Dari data tersebut akan disajikan visualisasi dalam bentuk Boxplot. Berikut ditampilkan hasil visualisasi data distribusi lama bekerja responden dalam 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

Boxplot ini menggambarkan distribusi lama bekerja dalam tahun. Lama kerja responden berkisar antara 1 hingga 29 tahun, dengan median 11,5 tahun dan rata-rata 12,93 tahun. Mayoritas data terkonsentrasi di rentang 5 hingga 20 tahun, dengan beberapa outlier di atas 25 tahun. Dari angka ini, terlihat kalau sebagian besar pekerja punya pengalaman 10-20 tahun, sementara hanya sedikit yang punya pengalaman kerja sangat panjang atau masih baru mulai.

Density Plot

Dari data tersebut akan disajikan visualisasi dalam bentuk Density Plot. Berikut ditampilkan hasil visualisasi data efisiensi kerja setelah penggunaan AI:

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

Grafik ini nunjukin distribusi efisiensi kerja setelah penggunaan AI. Rata-rata efisiensi kerja setelah menggunakan AI adalah 73.33, dengan mayoritas responden memiliki efisiensi di rentang 50-99. Puncak tertinggi terlihat di sekitar 70-80, yang berarti kebanyakan orang mengalami peningkatan efisiensi di kisaran tersebut. Setelah penggunaan AI, efisiensi kerja mayoritas orang meningkat dan berada di level yang lebih tinggi dibanding sebelumnya, dengan sedikit yang masih berada di level bawah.

Menampilkan semua plot

Berikut adalah visualisasi data yang disajikan dalam beberapa bentuk diagram, yaitu Pie Chart, Bar Chart, Dot Plot, Stem-and-Leaf Plot, Histogram, Boxplot, dan Density Plot:

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

AI udah banyak digunakan di berbagai industri, terutama di sektor teknologi. Sebagian besar pekerja menggunakannya dengan cukup sering dan mengalami peningkatan efisiensi kerja setelah menerapkannya. Sebelum pakai AI, pengalaman kerja nggak terlalu berpengaruh terhadap efisiensi, tapi setelah menggunakan AI, mayoritas pekerja jadi lebih produktif.