chooseCRANmirror(graphics = FALSE, ind = 1)
install.packages("dplyr")
## package 'dplyr' successfully unpacked and MD5 sums checked
## Warning: cannot remove prior installation of package 'dplyr'
## Warning in file.copy(savedcopy, lib, recursive = TRUE): problem copying
## D:\DD\R-4.4.1\library\00LOCK\dplyr\libs\x64\dplyr.dll to
## D:\DD\R-4.4.1\library\dplyr\libs\x64\dplyr.dll: Permission denied
## Warning: restored 'dplyr'
## 
## The downloaded binary packages are in
##  C:\Users\User\AppData\Local\Temp\RtmpOw2We0\downloaded_packages
install.packages("ggplot2", repos = "https://cloud.r-project.org/")
## package 'ggplot2' successfully unpacked and MD5 sums checked
## 
## The downloaded binary packages are in
##  C:\Users\User\AppData\Local\Temp\RtmpOw2We0\downloaded_packages
install.packages("dplyr")
## package 'dplyr' successfully unpacked and MD5 sums checked
## Warning: cannot remove prior installation of package 'dplyr'
## Warning in file.copy(savedcopy, lib, recursive = TRUE): problem copying
## D:\DD\R-4.4.1\library\00LOCK\dplyr\libs\x64\dplyr.dll to
## D:\DD\R-4.4.1\library\dplyr\libs\x64\dplyr.dll: Permission denied
## Warning: restored 'dplyr'
## 
## The downloaded binary packages are in
##  C:\Users\User\AppData\Local\Temp\RtmpOw2We0\downloaded_packages
library(ggplot2)
## Warning: package 'ggplot2' was built under R version 4.4.2
library(dplyr)
## Warning: package 'dplyr' was built under R version 4.4.2
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
dataset_ai <- read.csv("dataset_ai.csv", header = TRUE, check.names = FALSE)
colnames(dataset_ai)  # Cek kembali nama kolom
## [1] "Industri"                "Jenis_Pekerjaan"        
## [3] "Tingkat_Penggunaan_AI"   "Respon_terhadap_AI"     
## [5] "Lama_Bekerja"            "Frekuensi_Penggunaan_AI"
## [7] "Efisiensi_Sebelum_AI"    "Efisiensi_Sesudah_AI"
ggplot(dataset_ai, aes(x = "", fill = Industri)) +
  geom_bar(width = 1) +
  coord_polar(theta = "y") +
  labs(title = "Distribusi Industri") +
  theme_minimal()

Grafik ini menunjukkan proporsi pekerja dari berbagai industri yang menjadi sampel dalam dataset. Misalnya, jika industri teknologi memiliki bagian terbesar, itu berarti lebih banyak pekerja dari sektor teknologi dalam survei ini. Sebaliknya, jika industri manufaktur kecil, itu menunjukkan representasi yang lebih sedikit dalam studi ini.

Kesimpulan:

Jika proporsi terbesar berasal dari industri teknologi atau keuangan, ini bisa mengindikasikan bahwa AI lebih banyak diadopsi di sektor ini dibandingkan industri lain. Jika sektor pendidikan atau kesehatan juga cukup besar, ini menunjukkan bahwa AI mulai merambah sektor-sektor non-teknologi.

ggplot(dataset_ai, aes(x = Tingkat_Penggunaan_AI, fill = Tingkat_Penggunaan_AI)) +
  geom_bar() +
  labs(title = "Distribusi Tingkat Penggunaan AI", x = "Tingkat Penggunaan AI", y = "Frekuensi") +
  theme_minimal()

Grafik ini menunjukkan seberapa sering pekerja dalam dataset menggunakan AI dalam pekerjaan mereka, dibagi menjadi tiga kategori: rendah, sedang, dan tinggi. Kesimpulan:

Jika kategori “Tinggi” lebih dominan, maka ini menandakan AI sudah menjadi alat utama di banyak pekerjaan. Jika sebagian besar ada di kategori “Sedang” atau “Rendah”, ini menunjukkan adopsi AI masih dalam tahap awal dan belum digunakan secara maksimal.

ggplot(dataset_ai, aes(x = Frekuensi_Penggunaan_AI)) +
  geom_histogram(binwidth = 5, fill = "blue", color = "black") +
  labs(title = "Histogram: Frekuensi Penggunaan AI per Minggu", x = "Frekuensi", y = "Jumlah Individu") +
  theme_minimal()

Histogram ini menunjukkan distribusi jumlah penggunaan AI dalam seminggu. Sumbu X menunjukkan jumlah penggunaan AI, sedangkan sumbu Y menunjukkan jumlah pekerja yang memiliki tingkat penggunaan tersebut. Kesimpulan:

Jika sebagian besar data terkumpul di frekuensi rendah, berarti mayoritas pekerja hanya menggunakan AI sesekali dalam pekerjaannya. Jika frekuensi tinggi lebih dominan, ini menunjukkan bahwa AI sudah menjadi bagian rutin dalam aktivitas kerja.

ggplot(dataset_ai, aes(x = Lama_Bekerja, y = Efisiensi_Sebelum_AI)) +
  geom_point(color = "blue") +
  labs(title = "Dot Plot: Lama Bekerja vs. Efisiensi Sebelum AI", x = "Lama Bekerja (tahun)", y = "Efisiensi Sebelum AI") +
  theme_minimal()

Grafik ini membandingkan lama bekerja (tahun) dengan efisiensi kerja sebelum menggunakan AI. Setiap titik mewakili satu pekerja. Kesimpulan:

Jika pekerja dengan lama bekerja lebih banyak (senior) cenderung memiliki efisiensi lebih rendah sebelum AI, ini bisa menunjukkan bahwa AI membantu meningkatkan produktivitas mereka. Jika tidak ada pola yang jelas, maka pengalaman kerja tidak berpengaruh besar terhadap efisiensi sebelum menggunakan AI.

ggplot(dataset_ai, aes(y = Lama_Bekerja)) +
  geom_boxplot(fill = "red", color = "black") +
  labs(title = "Box Plot: Lama Bekerja", y = "Lama Bekerja (tahun)") +
  theme_minimal()

Boxplot ini menunjukkan sebaran lama bekerja dari para responden. Dari sini bisa diketahui:

Median (garis dalam kotak): nilai tengah lama bekerja. Outlier (titik di luar whisker): pekerja yang memiliki lama bekerja jauh lebih tinggi atau lebih rendah dari mayoritas. Kesimpulan:

Jika boxplot menunjukkan rentang lama bekerja yang luas, berarti dataset ini memiliki responden dari berbagai tingkat pengalaman. Jika ada banyak outlier ke arah lama bekerja yang panjang, bisa jadi beberapa pekerja senior masih berada dalam sampel tetapi jumlahnya lebih sedikit.

ggplot(dataset_ai, aes(x = Efisiensi_Sesudah_AI)) +
  geom_density(fill = "red", alpha = 0.5) +
  labs(title = "Density Plot: Efisiensi Kerja Sesudah AI", x = "Efisiensi", y = "Density") +
  theme_minimal()

Grafik ini menunjukkan distribusi nilai efisiensi kerja setelah menggunakan AI. Kesimpulan:

Jika grafik memiliki puncak di nilai efisiensi tinggi, artinya AI memberikan dampak positif dalam meningkatkan efisiensi kerja. Jika puncaknya di nilai rendah, maka AI mungkin belum terlalu efektif dalam meningkatkan efisiensi kerja.

Kesimpulan Umum dari Semua Grafik:

AI tampaknya paling banyak diadopsi di industri tertentu, misalnya teknologi atau keuangan. Sebagian besar pekerja menggunakan AI dengan frekuensi sedang atau tinggi dalam pekerjaan mereka. Efisiensi kerja setelah menggunakan AI cenderung meningkat dibandingkan sebelumnya. Pekerja dengan lama bekerja lebih lama bisa saja awalnya memiliki efisiensi lebih rendah sebelum menggunakan AI, tetapi bisa meningkat setelahnya.