Install dan load library

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

Import Data

setwd("C:/Users/daffa/OneDrive - untirta.ac.id/Belajar/Semester 2/Probabilitas 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>

1. Pie Chart

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

Pie Chart ini menunjukkan distribusi berbagai industri berbeda dalam bentuk dataset. Pie Chart ini menunjukkan bahwa industri Teknologi paling besar, diikuti oleh industri Keuangan dan Pendidikan, yang perbedaan di antara keduanya amat kecil atau hampir tidak ada. Setelah itu terdapat industri , dan yang terakhir industri Pendidikan

2. Bar Chart

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 atau Grafik Batang ini menggambarkan tingkat penggunaan ai di berbagai industri berbeda. Kategori dengan frekuensi tertinggi adalah kategori ‘tinggi’ sedangkan di bawahnya ada kategori ‘sedang’ dan ‘rendah’ yang frekuensinya sama. Bar Chart ini membuktikan signifikansi adopsi AI dalam berbagai industri.

3. Dot Plot

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. EfisiensiSebelum AI", x = "Lama Bekerja (tahun)", y = "Efisiensi Sebelum AI")

dot_plot

Dot Plot ini menunjukkan hubungan antara lama bekerja dalam jangka pertahun dengan efisiensi kerja sebelum AI digunakan. Data yang tampak tersebar dengan pola tertentu ini memiliki indikasi bahwa pekerja dengan pengalaman lebih lama tidak selalu lebih unggul dalam hal efisiensi sebelum AI diterapkan. Ini dapat berarti bahwa efisiensi bekerja terutamanya sebelum AI bergantung pada beberapa faktor lain selain daripada lama waktu bekerja.

4. Stem and Leaf Plot

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 menyajikan data numerik dari sebaran lama bekerja pertahun. Setiap baris merepresentasikan sekelompok angka dengan nilai desimal yang sama.

5. Histogram

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 menunjukkan jumlah individu berdasarkan frekuensi penggunaan AI per minggu. Grafik ini menunjukkan bahwa penggunaan AI tersebar cukup luas dengan beberapa puncak tertentu. Ini menunjukkan bahwa ada variasi dalam pola penggunaan AI—beberapa individu menggunakannya lebih sering dibandingkan yang lain.

6. Boxplot

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. Dari grafik, kita bisa melihat nilai minimum, maksimum, median, serta kemungkinan adanya outlier. Jika terdapat titik-titik di luar whisker, itu menunjukkan adanya individu yang memiliki lama bekerja yang jauh dari mayoritas populasi dalam dataset.

7. Density Plot

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 ini menunjukkan distribusi efisiensi kerja setelah penggunaan AI. Grafik tampaknya memiliki puncak utama sekitar nilai tertentu, yang menunjukkan bahwa kebanyakan individu mengalami efisiensi dalam kisaran tersebut. Jika distribusinya lebih tinggi di bagian kanan, ini menunjukkan bahwa mayoritas pekerja mengalami peningkatan efisiensi setelah penerapan AI.

Menampilkan semua plot

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