Install library

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

Input Data

setwd("C:/Users/user/OneDrive/Dokumen/Kuliah/Sem2/Prostat")
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

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.title.x = element_blank())

pie_chart

Pie Chart menunjukkan bagaimana responden dalam data ini tersebar di berbagai industri. Semakin luas sektor dalam grafik, semakin banyak responden dari industri tersebut. Pie Chart ini menunjukkan bahwa industri Teknologi memiliki luas dalam grafik yang paling besar, sementara yang paling kecil ada pada industri Pendidikan.

2. Bar Chart

Dari data tersebut akan disajikan visualisasi data dalam bentuk Bar Chart. Berikut terlampir hasil visualisasi data Distribusi Tingkat Penggunaan AI berdasarkan jumlah responden:

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 frekuensi masing-masing tingkat penggunaan AI oleh responden. Jika ada kategori penggunaan AI yang lebih dominan, itu menunjukkan bahwa sebagian besar responden memiliki kecenderungan untuk menggunakan AI dalam tingkat yang lebih rendah, sedang, atau tinggi. Pada Bar Chart ini menunjukan bahwa frekuensi yang paling banyak ada pada Tingkat Penggunaan AI yang Tinggi, sedangkan pada Tingkat Penggunaan AI yang rendah dan sedang memiliki frekuensi yang sama

3. Dot Plot

Dari data tersebut akan disajikan visualisasi data dalam bentuk Dot Plot. Berikut terlampir hasil visualisasi data hubungan antara Lama Bekerja (tahun) dengan Efisiensi Kerja 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 menunjukkan bagaimana hubungan antara Lama Bekerja dengan Efisiensi Kerja sebelum penggunaan AI. Pada Dot Plot ini menunjukkan titik-titik dalam plot tersebar secara acak, berarti tidak ada hubungan yang jelas.

4. Stem and Leaf Plot

Dari data tersebut akan disajikan visualisasi data dalam bentuk Stem and Leaf Plot. Berikut terlampir hasil visualisasi data distribusi Lama Bekerja (tahun) dalam bentuk numerik:

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 distribusi lama bekerja responden. Plot ini menunjukkan bahwa mayoritas responden memiliki pengalaman kerja dalam rentang 10-20 tahun, dengan beberapa outlier di atas 20 tahun.

5. Histogram

Dari data tersebut akan disajikan visualisasi data dalam bentuk Histogram. Berikut terlampir hasil visualisasi data Frekuensi Penggunaan AI per Minggu berdasarkan jumlah individu:

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 menunjukkan bagaimana frekuensi penggunaan AI tersebar di antara responden. Pada Histogram ini menunjukkan bahwa penggunaan AI bervariasi antar individu, dengan kecenderungan penggunaan dalam rentang 15-30 kali per minggu.

6. Boxplot

Dari data tersebut akan disajikan visualisasi data dalam bentuk Boxplot. Berikut terlampir hasil visualisasi data distribusi Lama Bekerja (tahun) beserta outlier yang mungkin ada dalam data:

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 memberikan informasi tentang median, kuartil, dan adanya outlier dalam distribusi lama bekerja. Pada Boxplot ini menunjukkan bahwa mayoritas memiliki pengalaman kerja antara 5 hingga 20 tahun, dengan median sekitar 10-15 tahun.

7. Density Plot

Dari data tersebut akan disajikan visualisasi data dalam bentuk Density Plot. Berikut terlampir hasil visualisasi data distribusi 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

Density Plot menunjukkan bagaimana efisiensi kerja setelah penggunaan AI tersebar di antara responden. Pada Density Plot ini menunjukkan bahwa Sebagian besar mengalami peningkatan efisiensi sesudah penggunaan AI, dengan rata-rata sekitar 70-80.

Menampilkan semua plot

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