Install Library

Beberapa library yang perlu diinstall sebagai berikut :

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

Input Data

Data diinput dari Microsoft Excel dengan syntax sebagai berikut:

setwd("C:/Users/Soleh/Documents/prosta")
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>

Maka akan tampil tabel seperti diatas

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.text.x = element_blank())

pie_chart

berdasarkan grafik, industri dengan frekuensi tertinggi adalah sektor Teknologi (frekuensi: 8), diikuti oleh Manufaktur (7) dan Keuangan (7). Sementara itu, industri Kesehatan (5) dan Pendidikan (3) memiliki frekuensi yang lebih rendah.

Visualisasi ini menunjukkan bahwa responden yang bekerja di industri berbasis teknologi lebih mendominasi dibanding sektor lainnya.

2. Bar Chart

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

Berdasarkan Bar Chart, tingkat penggunaan AI terbanyak berada pada kategori Tinggi (frekuensi: 12). Sementara itu, kategori Rendah (frekuensi: 9) dan Sedang (frekuensi: 9) memiliki jumlah yang sama.

Data ini menunjukkan bahwa mayoritas responden memiliki tingkat penggunaan AI yang tinggi, sementara sebagian lainnya masih berada dalam kategori sedang dan rendah.

3. Dot Plot

Dari data tersebut, akan disajikan visualisasi dalam bentuk Dot Plot untuk melihat hubungan antara Lama Bekerja (tahun) dan Efisiensi Kerja sebelum menggunakan AI :

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

dot_plot

Berdasarkan diagram, titik-titik paling banyak berkumpul pada kisaran 0,97 - 6,6 tahun pengalaman kerja. Dalam rentang ini, efisiensi sebelum AI berkisar antara 44 hingga 80.

Jadi, individu dengan pengalaman kerja relatif pendek memiliki tingkat efisiensi yang cukup bervariasi sebelum penerapan AI, menunjukkan bahwa faktor pengalaman kerja mungkin belum menjadi penentu utama efisiensi sebelum AI digunakan.

4. Steam And Leaf Plot

Dari data tersebut, akan disajikan visualisasi dalam bentuk Stem and Leaf Plot untuk menunjukkan distribusi lama bekerja secara lebih rinci :

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 nilai lama bekerja paling banyak terkonsentrasi pada rentang 5 hingga 20 tahun, dengan beberapa individu yang memiliki pengalaman kerja lebih dari 25 tahun.

5. Histogram

Dari data tersebut, akan disajikan visualisasi dalam bentuk Histogram. Berikut terlampir hasil visualisasi Frekuensi Penggunaan AI per Minggu di kalangan responden :

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

Berdasarkan histogram, rentang penggunaan AI paling umum terjadi pada 16-24 kali per minggu (7 orang). Sementara itu, rentang 8-16 kali per minggu (5 orang) dan 24-32 kali per minggu (4 orang) juga memiliki jumlah responden yang signifikan.

Data ini menunjukkan bahwa mayoritas responden menggunakan AI dalam frekuensi yang cukup tinggi, dengan sebagian kecil yang jarang menggunakannya.

6. Boxplot

Dari data tersebut, akan disajikan visualisasi dalam bentuk Boxplot. Berikut terlampir hasil visualisasi Lama Bekerja dalam Tahun untuk menggambarkan persebaran pengalaman kerja responden :

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

Berdasarkan boxplot, nilai median lama bekerja berada sekitar 10-15 tahun, dengan persebaran data hingga 30 tahun. Terdapat beberapa outlier yang menunjukkan individu dengan pengalaman kerja lebih lama dibanding lainnya.

Hal ini menggambarkan bahwa sebagian besar responden memiliki pengalaman kerja yang cukup bervariasi, tetapi mayoritas berada dalam rentang kerja menengah.

7. Density Plot

Dari data tersebut, akan disajikan visualisasi dalam bentuk Density Plot. Berikut terlampir hasil visualisasi Efisiensi Kerja Sesudah AI untuk memahami distribusi efisiensi setelah implementasi 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

Berdasarkan grafik, mayoritas responden memiliki efisiensi kerja dalam rentang 58-82, dengan puncak kepadatan sekitar 70-75. Beberapa individu memiliki efisiensi kerja yang lebih rendah atau lebih tinggi, tetapi secara umum, terdapat peningkatan efisiensi setelah penggunaan AI.

Data ini menunjukan bahwa AI berpotensi meningkatkan efisiensi kerja, terutama bagi individu dengan efisiensi awal yang sudah cukup tinggi.

Menampilkan semua plot

Gambar berikut menyajikan berbagai visualisasi data mengenai distribusi industri, penggunaan AI, lama bekerja, serta efisiensi sebelum dan sesudah AI. Visualisasi ini membantu memahami pola penggunaan AI dan dampaknya terhadap efisiensi kerja.

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

Hasil analisis menunjukkan bahwa AI banyak digunakan di industri Teknologi dan berkontribusi pada peningkatan efisiensi kerja. Lama bekerja bervariasi, namun setelah penerapan AI, efisiensi umumnya meningkat. Secara keseluruhan, AI memberikan dampak positif dalam dunia kerja.