Install library

Beberapa library yang perlu diinstal terlebih dahulu:

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

Menginputkan Data

Data diinput dari Microsoft Exel dengan syntax sebagai berikut:

setwd("C:/Users/hikma/OneDrive/Documents/SEMESTER 2/PROBABILITAS DAN STATISTIKA")
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>

Di bawah ini ada beberapa grafik yang digunakan untuk menampilkan data yang telah diolah dari Microsoft Excel di atas. Setiap grafik memiliki fungsinya masing-masing dalam membantu memahami pola dan distribusi datanya. Berikut adalah grafik-grafiknya:

Pie Chart

Dari data excel tersebut visualisasi data akan disajikan dalam bentuk Pie Chart. Grafik ini menunjukkan sebaran responden berdasarkan industri tempat mereka bekerja, di mana setiap bagian mewakili presentase responden dalam suatu sektor industri. Berikut terlampir hasil visualisasi data mengenai Presentase Responden berdasarkan Distribusi Industri:

pie_chart <- ggplot(data, aes(x = "", fill = Industri)) +
  geom_bar(width = 1) +
  coord_polar ("y", start = 0) +
  theme_minimal() +
  labs(tittle = "Distribusi Industri") +
  theme(axis.text.x = element_blank())

print(pie_chart)

Bar Chart

Dari data excel tersebut visualisasi data akan disajikan dalam bentuk Bar Chart. Grafik batang/ Bar Chart ini digunakan untuk membandingkan tingkat penggunaan AI. Dari grafik di bawah, terlihat bagaimana AI digunakan di tiga tingkat (rendah, sedang, dan tinggi) serta seberapa sering AI ini dimanfaatkan oleh responden. Berikut terlampir hasil visualisasi data mengenai Tingkat Pengguaan AI dan frekuensinya:

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")

print(bar_chart)

Dot Plots

Dari data excel tersebut akan disajikan visualisasi data dalam bentuk Dot Plots.Grafik ini menggambarkan hubungan antara lama bekerja dan efisiensi sebelum AI diterapkan. Dot Plots membantu melihat apakah ada pola tertentu, misalnya, apakah semakin lama seseorang bekerja, semakin efisien mereka sebelum menggunakan AI, atau justru sebaliknya. Berikut terlampir hasil visualisasi data mengenai lama bekerja dan efisiensi sebelum 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")

print(dot_plot)

Steam and Leaf Plot

Dari data excel tersebut visualisasi data akan disajikan dalam bentuk Steam and Leaf Plot. Grafik ini menyajikan data dalam bentuk format unik yang membagi angka utama dan detailnya. Steam and Leaf Plot membantu melihat distribusi lama bekerja dengan lebih ringkas dibandingkan tabel angka biasa. Berikut terlampir hasil visualisasi data mengenai lama bekerja:

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

Histogram

Dari data excel tersebut visualisasi data akan disajikan dalam bentuk Histogram. Grafik di bawah menunjukkan seberapa sering responden menggunakan AI per minggu dan jumlah individu yang berada dalam kategori tersebut. Hostogram ini membantu melihat pola penggunaan AI apakah sebagian besar responden hanya menggunakan sesekali, atau justru sering memanfaatkannya tiap minggu. Berikut terlampir hasil visualisasi data mengenai 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")

print(histogram)

Box Plot

Dari data exel tersebut visualisasi data akan disajikan dalam bentuk Box Plot. Grafik di bawah membantu melihat perbedaan lama bekerja responden, apakah sebagian besar memiliki pengalaman yang mirip, atau justru ada yang jauh lebih lama dibanding yang lainnya. Berikut terlampir hasil visualisasi data mengenai Lama Bekerja 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")

print(boxplot_data)

Desnity Plot

Dari data exel tersebut visualisasi data akan disajikan dalam bentuk Desnity Plot. Grafik ini membantu memahami bagaimana distribusi efisiensi kerja setelah menggunakan AI, apakah mayoritas responden mengalami peningkatan efisiensi secara signifikan, atau justru ada variasi dalam dampak bagi setiap individu. Berikut terlampir hasil visualisasi data mengenai Efisensi Kerja Setelah 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")
print(density_plot)

Menampilkan semua plot

Berikut terlampir hasil semua visualisasi data di atas:

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