EKSPLORASI DAN VISUALISASI DATA (Visualisasi Data Kategorik)
REGINA DWIRAHMA ALISYA
2025-03-08
JOB RECOMMENDATION DATASET
Kumpulan data ini terdiri dari 50.000 lowongan pekerjaan yang mencakup berbagai industri, lokasi, tingkat pengalaman, dan golongan gaji. Kumpulan data ini memberikan wawasan terstruktur tentang tren pasar kerja, keterampilan yang dibutuhkan, dan distribusi gaji, sehingga berguna untuk sistem rekomendasi pekerjaan berbasis AI, model prediksi gaji, analisis tren perekrutan, dan perkiraan permintaan keterampilan.
Kumpulan data tersebut dapat dimanfaatkan oleh ilmuwan data, profesional SDM, pencari kerja, dan peneliti untuk menganalisis pola perekrutan, memprediksi gaji, dan membangun sistem pencocokan pekerjaan yang dipersonalisasi menggunakan pembelajaran mesin.
| Variabel | Keterangan |
|---|---|
| Judul Pekerjaan | Judul spesifik dari posisi pekerjaan (misalnya, Insinyur Perangkat Lunak, Manajer Pemasaran). Nilai Unik: 639. |
| Perusahaan | Nama perusahaan yang menawarkan posisi tersebut (misalnya, Google, Amazon, Microsoft). Nilai Unik: 37.022. |
| Lokasi | Kota atau wilayah tempat pekerjaan tersebut berada. Nilai Unik: 7. |
| Tingkat Pengalaman | Tingkat senioritas yang dibutuhkan (Level Pemula, Level Menengah, Level Senior). Nilai Unik: 3. |
| Kisaran Gaji | Kisaran gaji mulai dari $40.000 hingga $150.000. |
| Industri | Sektor pekerjaan (misalnya, Perangkat Lunak, Manufaktur). Nilai Unik: 7. |
| Keterampilan yang Dibutuhkan | Daftar keterampilan yang dibutuhkan untuk pekerjaan tersebut (misalnya, Python, SQL, Penjualan & Merchandising). Nilai Unik: 1.559. |
Statistik dan sorotan kumpulan data:
50.000 lowongan pekerjaan di berbagai industri dan lokasi.
Analisis gaji dari $40 ribu hingga $150 ribu, dengan rata-rata $95,1 ribu.
Segmentasi tingkat pengalaman (Level Pemula, Level Menengah, Level Senior).
Analisis keterampilan yang dibutuhkan (Keterampilan utama meliputi Python, SQL, dan Penjualan).
Distribusi pekerjaan di berbagai industri dan lokasi.
library(readxl)
library(ggplot2)
library(ggpubr)
job <- read_xlsx("D:/STATISTIKA 23/KULIAH/MK SEMESTER 4/Kumpulan dataset/Job recommendation dataset.xlsx")
head(job)## # A tibble: 6 × 7
## `Job Title` Company Location `Experience Level` Salary Industry
## <chr> <chr> <chr> <chr> <dbl> <chr>
## 1 Early years teacher Richar… Sydney Senior Level 87000 Healthc…
## 2 Counselling psychologist Ramos,… San Fra… Mid Level 50000 Marketi…
## 3 Radio broadcast assistant Franco… New York Mid Level 77000 Healthc…
## 4 Designer, exhibition/disp… Collin… Berlin Senior Level 90000 Software
## 5 Psychotherapist, dance mo… Barker… Sydney Entry Level 112000 Healthc…
## 6 Early years teacher Dawson… Sydney Mid Level 93000 Finance
## # ℹ 1 more variable: `Required Skills` <chr>nrow(job)## [1] 50000dim(job)## [1] 50000 7Bar Chart
#bar chart
ggplot(data=job, mapping=aes(x=Industry))+
geom_bar()
#tabel frequensi
freqjob <- as.data.frame(table(job$Industry))
freqjob## Var1 Freq
## 1 Education 7144
## 2 Finance 7017
## 3 Healthcare 7104
## 4 Manufacturing 7169
## 5 Marketing 7158
## 6 Retail 7106
## 7 Software 7302#membuat bar chart
ggplot(data=freqjob, mapping=aes(x=Var1, y=Freq))+
geom_bar(stat="identity")
#Atau bisa juga
ggplot(data=freqjob, mapping=aes(x=Var1, y=Freq))+
geom_col()
#Modifikasi bar chart
ggplot(data=freqjob, mapping=aes(x=Var1, y=Freq))+
geom_col(fill="red", alpha=0.9)+
labs(title = "Rekomendasi Pekerjaan di Berbagai sektor",
x="Industry",
y="Frequensi")+
geom_text(aes(label=Freq), vjust=-0.5)
Needle Chart
#Needle chart
ggplot(data=freqjob,
mapping=aes(x=reorder(Var1,Freq), y=Freq))+
geom_segment(aes(x=reorder(Var1,Freq),
xend=reorder(Var1,Freq),
y=0, yend=Freq), color="skyblue")+
geom_point(color="blue", size=6, alpha=0.8)+
coord_flip()+
labs(y="Frequensi", x="Industry", title = "Rekomendasi Pekerjaan di Berbagai Sektor")+
geom_text(aes(label=Freq), vjust=-0.9)
Grouped Chart
#Grouped chart
ggplot(data=job,
mapping=aes(x=Industry, fill=as.factor(Location)))+
geom_bar(position="dodge", stat="count")+
labs(x="Industry", fill="Level",
y="Frequensi", title = "Rekomendasi Pekerjaan di Berbagai Sektor")+
scale_fill_brewer(palette = "Blues")+
theme_light()
Stacked bar Chart
#Stacked bar chart
ggplot(data=job,
mapping=aes(x=`Industry`, fill=as.factor(Location)))+
geom_bar(position="stack", stat="count")+
labs(x="Metode Survei", fill="Experience Level",
y="Frequensi", title = "Rekomendasi Pekerjaan di Berbagai Sektor")+
scale_fill_brewer(palette = "Blues")+
theme_light()
Pie Chart
#Pie chart
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, uniontugas1.2 <- job %>%
group_by(`Industry`) %>%
summarise(counts=n())
tugas1.2## # A tibble: 7 × 2
## Industry counts
## <chr> <int>
## 1 Education 7144
## 2 Finance 7017
## 3 Healthcare 7104
## 4 Manufacturing 7169
## 5 Marketing 7158
## 6 Retail 7106
## 7 Software 7302tugas1.2 <- tugas1.2 %>%
arrange(desc('Industry')) %>%
mutate(prop=round(counts*100/sum(counts), 1),
lab.ypos = cumsum(prop)-0.5*prop)
head(tugas1.2,4)## # A tibble: 4 × 4
## Industry counts prop lab.ypos
## <chr> <int> <dbl> <dbl>
## 1 Education 7144 14.3 7.15
## 2 Finance 7017 14 21.3
## 3 Healthcare 7104 14.2 35.4
## 4 Manufacturing 7169 14.3 49.6#Membuat pie chart
ggplot(tugas1.2, aes(x="",y = prop, fill=`Industry`))+
geom_bar(width=1,stat="identity", color="white")+
geom_text(aes(y=lab.ypos, label = prop), color="yellow")+
coord_polar("y", start=0)+
ggpubr::fill_palette("uchicago")+
theme_void()
Map
library(sf)## Linking to GEOS 3.11.2, GDAL 3.8.2, PROJ 9.3.1; sf_use_s2() is TRUExlsx.bali<-read_xlsx("D:/STATISTIKA 23/KULIAH/MK SEMESTER 4/EKSPLORASI DAN VISUALISASI DATA/Data Bali.xlsx")
head(xlsx.bali)## # A tibble: 6 × 7
## NAME_1 ID_2 NAME_2 TYPE_2 ENGTYPE_2 Longitude Latitude
## <chr> <dbl> <chr> <chr> <chr> <dbl> <dbl>
## 1 Bali 22 Badung Kabupaten Regency 115. -8.58
## 2 Bali 23 Bangli Kabupaten Regency 115. -8.29
## 3 Bali 24 Buleleng Kabupaten Regency 115. -8.20
## 4 Bali 25 Denpasar Kotamadya Municipality 115. -8.67
## 5 Bali 26 Gianyar Kabupaten Regency 115. -8.48
## 6 Bali 27 Jembrana Kabupaten Regency 115. -8.31shp.bali <- read_sf("D:/STATISTIKA 23/KULIAH/MK SEMESTER 4/EKSPLORASI DAN VISUALISASI DATA/PETA SHP 34 Provinsi/PETA SHP 34 Prov/2-Bali")
head(shp.bali)## Simple feature collection with 6 features and 7 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: 114.4311 ymin: -8.849445 xmax: 115.4596 ymax: -8.06111
## Geodetic CRS: WGS 84
## # A tibble: 6 × 8
## NAME_1 ID_2 NAME_2 TYPE_2 ENGTYPE_2 Longitude Latitude
## <chr> <dbl> <chr> <chr> <chr> <dbl> <dbl>
## 1 Bali 22 Badung Kabupaten Regency 115. -8.58
## 2 Bali 23 Bangli Kabupaten Regency 115. -8.29
## 3 Bali 24 Buleleng Kabupaten Regency 115. -8.20
## 4 Bali 25 Denpasar Kotamadya Municipality 115. -8.67
## 5 Bali 26 Gianyar Kabupaten Regency 115. -8.48
## 6 Bali 27 Jembrana Kabupaten Regency 115. -8.31
## # ℹ 1 more variable: geometry <MULTIPOLYGON [°]>comb.bali=left_join(shp.bali,xlsx.bali, by="ID_2")
head(comb.bali)## Simple feature collection with 6 features and 13 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: 114.4311 ymin: -8.849445 xmax: 115.4596 ymax: -8.06111
## Geodetic CRS: WGS 84
## # A tibble: 6 × 14
## NAME_1.x ID_2 NAME_2.x TYPE_2.x ENGTYPE_2.x Longitude.x Latitude.x
## <chr> <dbl> <chr> <chr> <chr> <dbl> <dbl>
## 1 Bali 22 Badung Kabupaten Regency 115. -8.58
## 2 Bali 23 Bangli Kabupaten Regency 115. -8.29
## 3 Bali 24 Buleleng Kabupaten Regency 115. -8.20
## 4 Bali 25 Denpasar Kotamadya Municipality 115. -8.67
## 5 Bali 26 Gianyar Kabupaten Regency 115. -8.48
## 6 Bali 27 Jembrana Kabupaten Regency 115. -8.31
## # ℹ 7 more variables: geometry <MULTIPOLYGON [°]>, NAME_1.y <chr>,
## # NAME_2.y <chr>, TYPE_2.y <chr>, ENGTYPE_2.y <chr>, Longitude.y <dbl>,
## # Latitude.y <dbl>#Pemetaan Index Rate Kasus DBD
plot.bali = ggplot(data=comb.bali) +
geom_sf(aes(fill = Latitude.x)) +
scale_fill_distiller("Map", palette = "YlGn")
plot.bali