Install dan load

library(ggplot2)
## Warning: package 'ggplot2' was built under R version 4.4.2
library(readxl)
## Warning: package 'readxl' was built under R version 4.4.2
library(ggthemes)
## Warning: package 'ggthemes' was built under R version 4.4.2
library(gridExtra)
## Warning: package 'gridExtra' was built under R version 4.4.2

Import Data

setwd ("C:/Users/lenov/OneDrive/materi sem2/ProStat")
data <- read_excel("data_tren_penggunaan_ai(4).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 sampel yang ada di dalam file excel akan disajikan visualisasi data dalam bentuk Pie Chart. Berikut terlampir hasil visualisasi datanya :

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 digunakan untuk menggambarkan distribusi penggunaan AI di berbagai industri. Industri teknologi dan keuangan memiliki porsi terbesar, sementara industri pendidikan memiliki penggunaan AI paling sedikit. Hal ini menunjukkan bahwa teknologi dan keuangan berkembang lebih pesat dibanding industri lainnya.

2. Bar Chart

Dari data sampel yang ada di dalam file excel akan disajikan visualisasi data dalam bentuk Bar Chart. Berikut terlampir hasil visualisasi datanya :

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 menggambarkan tingkat penggunaan AI di kalangan individu. Sebagian besar individu memiliki tingkat penggunaan AI yang tinggi, sementara hanya sedikit yang menggunakannya pada tingkat rendah. Ini menunjukkan tren adopsi AI yang semakin meningkat.

3. Dot Plot

Dari data sampel yang ada di dalam file excel akan disajikan visualisasi data dalam bentuk Dot Plot. Berikut terlampir hasil visualisasi datanya :

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 hubungan antara lama bekerja dan efisiensi kerja sebelum menggunakan AI. Hasilnya menunjukkan tidak ada hubungan signifikan antara dua variabel tersebut, artinya pengalaman kerja tidak selalu memengaruhi efisiensi sebelum penggunaan AI.

4. Steam and Leaf Plot

Dari data sampel yang ada di dalam file excel akan disajikan visualisasi data dalam bentuk Stem and Leaf Plot. Berikut terlampir hasil visualisasi datanya :

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

Dari hasil visualisasi menggunakan Stem and Leaf Plot di atas, dapat disimpulkan bahwa mayoritas data berkumpul di rentang nilai 0.1 hingga 1.0, menunjukkan konsentrasi pada angka - angka kecil. Sebagian besar individu memiliki durasi kerja yang lebih singkat. Meskipun data menyebar hingga nilai 2.9, penyebaran data cenderung lebih jarang pada nilai - nilai yang lebih tinggi. Secara keseluruhan, data ini menunjukkan bahwa sebagian besar orang memiliki durasi kerja yang relatif pendek, dengan sedikit orang yang memiliki durasi kerja yang lebih panjang.

5. Histogram

Dari data sampel yang ada di dalam file excel akan disajikan visualisasi data dalam bentuk Histogram. Berikut terlampir hasil visualisasi datanya :

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

Dari hasil visualisasi menggunakan Histogram di atas, dapat disimpulkan bahwa sebagian besar individu menggunakan AI sekitar 10-20 kali per minggu. Namun, terdapat variasi penggunaan yang cukup besar, menunjukkan bahwa tidak semua individu memiliki kebiasaan yang sama dalam menggunakan AI. Tidak ditemukan pencilan yang mencolok, sehingga distribusi data terlihat cukup normal dengan penyebaran yang luas.

6. Boxplot

Dari data sampel yang ada di dalam file excel akan disajikan visualisasi data dalam bentuk Box Plot. Berikut terlampir hasil visualisasi datanya :

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

Dari hasil visualisasi menggunakan Box Plot di atas dapat disimpulkan bahwa lamanya karyawan bekerja itu beragam, dengan rata - rata sekitar 10 tahun. Sebagian besar karyawan bekerja antara 5 - 25 tahun. Ada yang bekerja lebih singkat atau lebih lama, tapi tidak ada yang terlalu jauh dari rata - rata. Ini menunjukkan bahwa kebanyakan karyawan punya pengalaman kerja yang cukup lama.

7. Density Plot

Dari data sampel yang ada di dalam file excel akan disajikan visualisasi data dalam bentuk Density Plot. Berikut terlampir hasil visualisasi datanya :

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

Dari hasil visualisasi menggunakan Density Plot di atas dapat disimpulkan bahwa efisiensi kerja setelah menggunakan AI umumnya memang tinggi, dengan sebagian besar data berkumpul di kisaran 70 - 90. Puncak kepadatan data menunjukkan bahwa banyak individu memiliki efisiensi sekitar 80. Sebaran data cukup lebar, dimulai dari sekitar 50 hingga mendekati 100, yang menunjukkan adanya variasi efisiensi antar individu.

Tampilan keseluruhan visualiasi data

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