Tugas Business Intelligence
Nama: Sepania Febrina
NRP: 5006201085
Data yang digunakan adalah data Chain Coffee Sales Analysis yang bersumber dari Kaggle sebanyak 1062 data. Variabel yang digunakan adalah COGS, Margin, Marketing, Profit, dan Sales.
Penjelasan masing-masing variabel:
1. COGS (y): Total biaya yang dikeluarkan oleh kedai kopi dalam memproduksi atau membeli produk yang dijualnya.
2. Margin (x1): Persentase keuntungan yang diperoleh dari penjualan.
3. Marketing (x2): Informasi tentang ukuran pasar.
4. Profit (x3): Keuntungan finansial yang dicapai perusahaan setelah dikurangi COGS dan biaya-biaya lain dari pendapatan yang dihasilkan.
5. Sales (x4): Pendapatan yang dihasilkan dari produk kedai kopi yang mencerminkan kinerja keuangan dan permintaan pelanggan.
Mengambil Data
Coffee_Chain_Sales. = read.csv("D:/kuliah/SEMESTER 7/BINTEL/Coffee_Chain_Sales .csv")
data = data.frame(Coffee_Chain_Sales.$Cogs, Coffee_Chain_Sales.$Margin,
Coffee_Chain_Sales.$Marketing, Coffee_Chain_Sales.$Profit,
Coffee_Chain_Sales.$Sales)
names(data)[c(1, 2, 3, 4 ,5)] = c("Cogs", "Margin", "Marketing",
"Profit", "Sales")
data## Cogs Margin Marketing Profit Sales
## 1 51 71 46 -5 122
## 2 52 71 17 26 123
## 3 43 64 13 28 107
## 4 38 56 10 35 94
## 5 72 110 23 56 182
## 6 0 43 0 31 43
## 7 47 64 15 21 111
## 8 27 39 7 21 66
## 9 31 37 9 7 68
## 10 40 59 11 37 99
## 11 49 71 15 33 120
## 12 45 69 14 24 114
## 13 45 64 41 -7 109
## 14 60 84 54 1 144
## 15 34 43 12 -2 77
## 16 54 66 20 12 120
## 17 45 64 41 -6 109
## 18 48 70 13 45 118
## 19 49 71 15 33 120
## 20 48 71 13 47 119
## 21 40 59 11 36 99
## 22 82 123 27 64 205
## 23 91 127 28 76 218
## 24 40 52 13 26 92
## 25 50 73 14 48 123
## 26 40 52 13 27 92
## 27 52 68 47 -8 120
## 28 75 89 23 44 164
## 29 46 68 14 31 114
## 30 55 69 20 15 124
## 31 50 73 14 48 123
## 32 57 68 17 29 125
## 33 36 52 10 31 88
## 34 33 48 9 27 81
## 35 31 47 8 28 78
## 36 36 52 10 30 88
## 37 49 71 15 34 120
## 38 54 67 20 14 121
## 39 46 67 14 30 113
## 40 43 66 14 20 109
## 41 44 62 40 -8 106
## 42 53 88 16 49 141
## 43 54 67 20 13 121
## 44 54 67 20 13 121
## 45 46 67 14 30 113
## 46 43 66 14 20 109
## 47 47 68 13 44 115
## 48 36 54 10 33 90
## 49 61 86 55 1 147
## 50 43 56 14 30 99
## 51 54 79 15 52 133
## 52 47 65 42 -6 112
## 53 54 73 17 29 127
## 54 65 80 24 23 145
## 55 80 96 24 50 176
## 56 54 73 17 28 127
## 57 41 60 13 24 101
## 58 54 79 15 53 133
## 59 31 46 8 27 77
## 60 34 51 9 31 85
## 61 33 49 9 28 82
## 62 48 74 15 28 122
## 63 55 76 49 -3 131
## 64 49 69 44 -5 118
## 65 39 49 14 1 88
## 66 49 69 44 -5 118
## 67 41 66 12 30 107
## 68 92 68 28 16 160
## 69 68 85 25 27 153
## 70 63 76 19 36 139
## 71 92 68 28 17 160
## 72 55 76 49 -3 131
## 73 51 71 46 -7 130
## 74 52 71 17 39 131
## 75 43 64 13 42 114
## 76 38 56 10 52 100
## 77 72 110 23 83 194
## 78 0 43 0 46 46
## 79 47 64 15 31 118
## 80 27 39 7 31 70
## 81 31 37 9 10 72
## 82 40 59 11 55 106
## 83 49 71 15 49 128
## 84 45 69 14 36 121
## 85 45 64 41 -10 116
## 86 60 84 54 1 153
## 87 34 43 12 -3 82
## 88 54 66 20 18 128
## 89 45 64 41 -9 116
## 90 48 70 13 67 126
## 91 49 71 15 49 128
## 92 48 71 13 70 127
## 93 40 59 11 53 106
## 94 82 123 27 95 218
## 95 91 127 28 113 232
## 96 40 52 13 39 98
## 97 50 73 14 71 131
## 98 40 52 13 40 98
## 99 52 68 47 -12 128
## 100 75 89 23 65 175
## 101 46 68 14 46 121
## 102 55 69 20 22 132
## 103 50 73 14 71 131
## 104 57 68 17 43 133
## 105 36 52 10 46 94
## 106 33 48 9 40 86
## 107 31 47 8 42 83
## 108 36 52 10 45 94
## 109 49 71 15 50 128
## 110 54 67 20 21 129
## 111 46 67 14 45 120
## 112 43 66 14 30 116
## 113 44 62 40 -12 113
## 114 53 88 16 73 150
## 115 54 67 20 19 129
## 116 54 67 20 19 129
## 117 46 67 14 45 120
## 118 43 66 14 30 116
## 119 47 68 13 65 123
## 120 36 54 10 49 96
## 121 61 86 55 1 157
## 122 43 56 14 45 106
## 123 54 79 15 77 142
## 124 47 65 42 -9 119
## 125 54 73 17 43 135
## 126 65 80 24 34 155
## 127 80 96 24 74 188
## 128 54 73 17 42 135
## 129 41 60 13 36 108
## 130 54 79 15 79 142
## 131 31 46 8 40 82
## 132 34 51 9 46 91
## 133 33 49 9 42 87
## 134 48 74 15 42 130
## 135 55 76 49 -4 140
## 136 49 69 44 -7 126
## 137 39 49 14 1 94
## 138 49 69 44 -7 126
## 139 41 66 12 45 114
## 140 92 68 28 24 171
## 141 68 85 25 40 163
## 142 63 76 19 53 148
## 143 92 68 28 25 171
## 144 55 76 49 -4 140
## 145 39 51 12 27 90
## 146 80 94 24 48 174
## 147 54 66 20 13 120
## 148 54 64 16 27 118
## 149 27 39 7 20 66
## 150 76 111 21 79 187
## 151 22 29 7 10 51
## 152 23 35 6 18 58
## 153 79 98 30 34 177
## 154 65 77 20 35 142
## 155 46 67 14 30 113
## 156 60 84 54 0 144
## 157 60 99 18 57 159
## 158 40 52 13 27 92
## 159 36 52 10 30 88
## 160 55 69 20 15 124
## 161 40 52 13 27 92
## 162 28 42 7 23 70
## 163 31 47 8 28 78
## 164 32 48 8 29 80
## 165 50 73 14 47 123
## 166 0 43 0 31 43
## 167 82 40 25 -8 122
## 168 22 34 6 16 56
## 169 44 62 40 -7 106
## 170 33 41 12 -4 74
## 171 44 62 40 -8 106
## 172 31 47 8 27 78
## 173 69 81 21 38 150
## 174 49 71 15 33 120
## 175 49 71 15 34 120
## 176 43 56 14 29 99
## 177 41 60 13 24 101
## 178 47 52 42 -20 99
## 179 43 56 14 29 99
## 180 43 56 14 29 99
## 181 46 57 17 6 103
## 182 53 63 16 26 116
## 183 33 49 9 29 82
## 184 34 51 9 30 85
## 185 0 43 0 32 43
## 186 43 63 13 27 106
## 187 31 38 9 8 69
## 188 23 35 6 17 58
## 189 41 66 12 31 107
## 190 46 57 17 6 103
## 191 43 63 13 28 106
## 192 33 49 9 28 82
## 193 49 69 44 -4 118
## 194 55 76 49 -3 131
## 195 39 51 12 40 96
## 196 80 94 24 71 185
## 197 54 66 20 19 128
## 198 54 64 16 40 126
## 199 27 39 7 30 70
## 200 76 111 21 117 199
## 201 22 29 7 15 54
## 202 23 35 6 27 62
## 203 79 98 30 50 189
## 204 65 77 20 52 151
## 205 46 67 14 45 120
## 206 60 84 54 0 153
## 207 60 99 18 85 169
## 208 40 52 13 40 98
## 209 36 52 10 45 94
## 210 55 69 20 22 132
## 211 40 52 13 40 98
## 212 28 42 7 34 75
## 213 31 47 8 42 83
## 214 32 48 8 43 85
## 215 50 73 14 70 131
## 216 0 43 0 46 46
## 217 82 40 25 -12 130
## 218 22 34 6 24 60
## 219 44 62 40 -10 113
## 220 33 41 12 -6 79
## 221 44 62 40 -12 113
## 222 31 47 8 40 83
## 223 69 81 21 56 160
## 224 49 71 15 49 128
## 225 49 71 15 50 128
## 226 43 56 14 43 106
## 227 41 60 13 36 108
## 228 47 52 42 -30 106
## 229 43 56 14 43 106
## 230 43 56 14 43 106
## 231 46 57 17 9 110
## 232 53 63 16 39 124
## 233 33 49 9 43 87
## 234 34 51 9 45 91
## 235 0 43 0 47 46
## 236 43 63 13 40 113
## 237 31 38 9 12 74
## 238 23 35 6 25 62
## 239 41 66 12 46 114
## 240 46 57 17 9 110
## 241 43 63 13 42 113
## 242 33 49 9 42 87
## 243 49 69 44 -6 126
## 244 55 76 49 -4 140
## 245 39 51 12 27 90
## 246 39 51 12 26 90
## 247 86 23 26 -26 109
## 248 46 67 14 30 113
## 249 31 37 9 7 68
## 250 45 64 41 -6 109
## 251 32 47 8 28 79
## 252 31 37 9 6 68
## 253 39 53 12 13 92
## 254 24 36 6 18 60
## 255 0 43 0 32 43
## 256 45 64 41 -6 109
## 257 60 84 54 0 144
## 258 32 48 8 29 80
## 259 54 67 20 13 121
## 260 22 30 7 11 52
## 261 35 47 11 8 82
## 262 29 35 8 5 64
## 263 29 35 8 5 64
## 264 34 42 12 -3 76
## 265 32 48 8 29 80
## 266 0 43 0 31 43
## 267 33 48 9 27 81
## 268 82 40 25 -9 122
## 269 82 40 25 -8 122
## 270 35 47 11 9 82
## 271 34 42 12 -3 76
## 272 33 41 12 -4 74
## 273 0 43 0 32 43
## 274 44 62 40 -7 106
## 275 29 44 8 25 73
## 276 33 49 9 29 82
## 277 46 57 17 7 103
## 278 30 45 8 26 75
## 279 29 44 8 25 73
## 280 24 32 7 13 56
## 281 0 43 0 31 43
## 282 31 46 8 26 77
## 283 34 51 9 30 85
## 284 39 49 14 2 88
## 285 31 38 9 7 69
## 286 38 51 12 11 89
## 287 39 49 14 2 88
## 288 0 43 0 32 43
## 289 41 66 12 30 107
## 290 38 51 12 12 89
## 291 43 63 13 28 106
## 292 39 51 12 40 96
## 293 39 51 12 39 96
## 294 86 23 26 -39 116
## 295 46 67 14 45 120
## 296 31 37 9 10 72
## 297 45 64 41 -9 116
## 298 32 47 8 42 84
## 299 31 37 9 9 72
## 300 39 53 12 19 98
## 301 24 36 6 27 64
## 302 0 43 0 47 46
## 303 45 64 41 -9 116
## 304 60 84 54 0 153
## 305 32 48 8 43 85
## 306 54 67 20 19 129
## 307 22 30 7 16 55
## 308 35 47 11 12 87
## 309 29 35 8 7 68
## 310 29 35 8 7 68
## 311 34 42 12 -4 81
## 312 32 48 8 43 85
## 313 0 43 0 46 46
## 314 33 48 9 40 86
## 315 82 40 25 -13 130
## 316 82 40 25 -12 130
## 317 35 47 11 13 87
## 318 34 42 12 -4 81
## 319 33 41 12 -6 79
## 320 0 43 0 47 46
## 321 44 62 40 -10 113
## 322 29 44 8 37 78
## 323 33 49 9 43 87
## 324 46 57 17 10 110
## 325 30 45 8 39 80
## 326 29 44 8 37 78
## 327 24 32 7 19 60
## 328 0 43 0 46 46
## 329 31 46 8 39 82
## 330 34 51 9 45 91
## 331 39 49 14 3 94
## 332 31 38 9 10 74
## 333 38 51 12 16 95
## 334 39 49 14 3 94
## 335 0 43 0 47 46
## 336 41 66 12 45 114
## 337 38 51 12 18 95
## 338 43 63 13 42 113
## 339 51 71 46 -5 122
## 340 52 71 17 26 123
## 341 43 64 13 28 107
## 342 51 65 46 -11 116
## 343 72 110 23 55 182
## 344 48 70 13 46 118
## 345 60 99 18 58 159
## 346 52 71 17 27 123
## 347 56 70 21 16 126
## 348 56 70 21 16 126
## 349 45 69 14 23 114
## 350 52 73 47 -3 125
## 351 46 68 14 32 114
## 352 52 73 47 -4 125
## 353 59 79 19 32 138
## 354 59 79 19 32 138
## 355 50 73 14 47 123
## 356 53 71 17 26 124
## 357 54 78 15 52 132
## 358 43 66 14 20 109
## 359 61 86 55 1 147
## 360 55 69 20 16 124
## 361 82 102 31 38 184
## 362 61 86 55 2 147
## 363 53 88 16 49 141
## 364 47 65 42 -6 112
## 365 54 73 17 29 127
## 366 67 101 22 47 168
## 367 54 79 15 53 133
## 368 63 76 19 36 139
## 369 49 65 16 21 114
## 370 50 73 14 47 123
## 371 52 75 16 37 127
## 372 55 76 49 -2 131
## 373 49 69 44 -4 118
## 374 41 57 13 1 98
## 375 54 73 17 28 127
## 376 65 80 24 22 145
## 377 52 75 16 36 127
## 378 48 74 15 28 122
## 379 49 71 13 46 120
## 380 50 73 14 47 123
## 381 51 71 46 -7 130
## 382 52 71 17 39 131
## 383 43 64 13 42 114
## 384 51 65 46 -16 124
## 385 72 110 23 82 194
## 386 48 70 13 68 126
## 387 60 99 18 86 169
## 388 52 71 17 40 131
## 389 56 70 21 24 134
## 390 56 70 21 24 134
## 391 45 69 14 34 121
## 392 52 73 47 -4 133
## 393 46 68 14 47 121
## 394 52 73 47 -6 133
## 395 59 79 19 47 147
## 396 59 79 19 47 147
## 397 50 73 14 70 131
## 398 53 71 17 39 132
## 399 54 78 15 77 141
## 400 43 66 14 30 116
## 401 61 86 55 1 157
## 402 55 69 20 24 132
## 403 82 102 31 56 196
## 404 61 86 55 3 157
## 405 53 88 16 73 150
## 406 47 65 42 -9 119
## 407 54 73 17 43 135
## 408 67 101 22 70 179
## 409 54 79 15 79 142
## 410 63 76 19 53 148
## 411 49 65 16 31 121
## 412 50 73 14 70 131
## 413 52 75 16 55 135
## 414 55 76 49 -3 140
## 415 49 69 44 -6 126
## 416 41 57 13 1 104
## 417 54 73 17 42 135
## 418 65 80 24 33 155
## 419 52 75 16 53 135
## 420 48 74 15 42 130
## 421 49 71 13 68 128
## 422 50 73 14 70 131
## 423 21 32 5 16 53
## 424 27 39 7 20 66
## 425 56 70 21 16 126
## 426 54 66 20 13 120
## 427 21 32 5 15 53
## 428 39 53 12 14 92
## 429 23 35 6 17 58
## 430 21 31 5 15 52
## 431 25 31 9 -12 56
## 432 21 32 5 15 53
## 433 0 43 0 32 43
## 434 34 43 12 -3 77
## 435 21 31 5 14 52
## 436 25 36 7 17 61
## 437 34 43 12 -3 77
## 438 21 31 5 14 52
## 439 39 53 12 14 92
## 440 46 67 14 31 113
## 441 22 34 6 17 56
## 442 34 42 12 -4 76
## 443 22 30 7 11 52
## 444 33 41 12 -4 74
## 445 29 35 8 5 64
## 446 25 38 7 19 63
## 447 15 24 4 8 39
## 448 32 48 8 28 80
## 449 35 47 11 9 82
## 450 34 42 12 -3 76
## 451 24 32 7 12 56
## 452 38 51 12 12 89
## 453 23 35 6 17 58
## 454 16 25 4 10 41
## 455 31 38 9 8 69
## 456 20 25 7 -16 45
## 457 29 44 8 24 73
## 458 24 32 7 13 56
## 459 24 36 6 19 60
## 460 16 25 4 10 41
## 461 29 44 8 25 73
## 462 21 32 5 24 56
## 463 27 39 7 30 70
## 464 56 70 21 24 134
## 465 54 66 20 19 128
## 466 21 32 5 22 56
## 467 39 53 12 21 98
## 468 23 35 6 25 62
## 469 21 31 5 22 55
## 470 25 31 9 -18 60
## 471 21 32 5 22 56
## 472 0 43 0 47 46
## 473 34 43 12 -4 82
## 474 21 31 5 21 55
## 475 25 36 7 25 65
## 476 34 43 12 -4 82
## 477 21 31 5 21 55
## 478 39 53 12 21 98
## 479 46 67 14 46 120
## 480 22 34 6 25 60
## 481 34 42 12 -6 81
## 482 22 30 7 16 55
## 483 33 41 12 -6 79
## 484 29 35 8 7 68
## 485 25 38 7 28 67
## 486 15 24 4 12 42
## 487 32 48 8 42 85
## 488 35 47 11 13 87
## 489 34 42 12 -4 81
## 490 24 32 7 18 60
## 491 38 51 12 18 95
## 492 23 35 6 25 62
## 493 16 25 4 15 44
## 494 31 38 9 12 74
## 495 20 25 7 -24 48
## 496 29 44 8 36 78
## 497 24 32 7 19 60
## 498 24 36 6 28 64
## 499 16 25 4 15 44
## 500 29 44 8 37 78
## 501 76 111 21 78 187
## 502 52 71 17 26 123
## 503 76 111 21 78 187
## 504 72 110 23 55 182
## 505 65 77 20 35 142
## 506 32 47 8 28 79
## 507 82 123 27 65 205
## 508 56 70 21 15 126
## 509 91 127 28 76 218
## 510 60 99 18 57 159
## 511 55 69 20 16 124
## 512 59 79 19 33 138
## 513 75 114 24 59 189
## 514 69 81 21 38 150
## 515 46 68 14 32 114
## 516 75 89 23 45 164
## 517 61 86 55 2 147
## 518 47 68 13 44 115
## 519 52 73 47 -4 125
## 520 53 71 17 27 124
## 521 59 79 19 33 138
## 522 53 88 16 48 141
## 523 54 78 15 51 132
## 524 46 57 17 6 103
## 525 67 101 22 47 168
## 526 54 79 15 52 133
## 527 67 101 22 47 168
## 528 41 60 13 25 101
## 529 65 80 24 22 145
## 530 47 65 42 -7 112
## 531 49 65 16 21 114
## 532 65 80 24 23 145
## 533 68 85 25 26 153
## 534 76 111 21 116 199
## 535 52 71 17 39 131
## 536 76 111 21 116 199
## 537 72 110 23 82 194
## 538 65 77 20 52 151
## 539 32 47 8 42 84
## 540 82 123 27 96 218
## 541 56 70 21 22 134
## 542 91 127 28 113 232
## 543 60 99 18 85 169
## 544 55 69 20 24 132
## 545 59 79 19 49 147
## 546 75 114 24 88 201
## 547 69 81 21 56 160
## 548 46 68 14 47 121
## 549 75 89 23 67 175
## 550 61 86 55 3 157
## 551 47 68 13 65 123
## 552 52 73 47 -6 133
## 553 53 71 17 40 132
## 554 59 79 19 49 147
## 555 53 88 16 71 150
## 556 54 78 15 76 141
## 557 46 57 17 9 110
## 558 67 101 22 70 179
## 559 54 79 15 77 142
## 560 67 101 22 70 179
## 561 41 60 13 37 108
## 562 65 80 24 33 155
## 563 47 65 42 -10 119
## 564 49 65 16 31 121
## 565 65 80 24 34 155
## 566 68 85 25 39 163
## 567 39 51 12 26 90
## 568 239 281 74 185 520
## 569 123 179 34 133 302
## 570 48 70 13 45 118
## 571 48 71 13 47 119
## 572 45 69 14 23 114
## 573 90 115 29 74 205
## 574 25 31 9 -12 56
## 575 103 133 33 87 236
## 576 79 98 30 34 177
## 577 96 134 87 17 230
## 578 225 265 69 174 490
## 579 75 114 24 59 189
## 580 118 172 33 127 290
## 581 78 119 25 62 197
## 582 88 112 29 71 200
## 583 102 143 31 89 245
## 584 101 130 33 85 231
## 585 15 24 4 9 39
## 586 82 102 31 38 184
## 587 94 130 85 15 224
## 588 241 284 74 188 525
## 589 123 179 34 133 302
## 590 92 68 28 16 160
## 591 88 133 29 72 221
## 592 49 71 13 46 120
## 593 48 74 15 27 122
## 594 81 104 26 66 185
## 595 20 25 7 -15 45
## 596 134 186 41 121 320
## 597 94 120 31 77 214
## 598 16 25 4 9 41
## 599 105 145 95 20 250
## 600 39 51 12 39 96
## 601 239 281 74 275 554
## 602 123 179 34 197 322
## 603 48 70 13 67 126
## 604 48 71 13 70 127
## 605 45 69 14 34 121
## 606 90 115 29 110 218
## 607 25 31 9 -18 60
## 608 103 133 33 129 251
## 609 79 98 30 50 189
## 610 96 134 87 25 245
## 611 225 265 69 258 522
## 612 75 114 24 88 201
## 613 118 172 33 188 309
## 614 78 119 25 92 210
## 615 88 112 29 105 213
## 616 102 143 31 132 261
## 617 101 130 33 126 246
## 618 15 24 4 13 42
## 619 82 102 31 56 196
## 620 94 130 85 22 239
## 621 241 284 74 279 559
## 622 123 179 34 197 322
## 623 92 68 28 24 171
## 624 88 133 29 107 236
## 625 49 71 13 68 128
## 626 48 74 15 40 130
## 627 81 104 26 98 197
## 628 20 25 7 -22 48
## 629 134 186 41 180 341
## 630 94 120 31 114 228
## 631 16 25 4 13 44
## 632 105 145 95 30 266
## 633 125 188 41 115 313
## 634 60 84 54 1 144
## 635 130 195 42 122 325
## 636 115 174 37 105 289
## 637 125 188 41 171 334
## 638 60 84 54 1 153
## 639 130 195 42 181 346
## 640 115 174 37 156 308
## 641 91 127 28 76 218
## 642 86 116 28 60 202
## 643 82 123 27 64 205
## 644 72 402 23 348 474
## 645 260 390 91 247 650
## 646 96 134 87 18 230
## 647 125 -56 113 -202 69
## 648 161 161 45 92 322
## 649 239 526 66 435 765
## 650 22 29 7 10 51
## 651 255 258 96 129 513
## 652 239 -75 74 -170 164
## 653 108 157 30 115 265
## 654 123 179 34 134 302
## 655 76 111 21 78 187
## 656 102 143 31 89 245
## 657 77 103 25 51 180
## 658 78 119 25 63 197
## 659 75 379 24 324 454
## 660 249 374 87 236 623
## 661 94 130 85 15 224
## 662 121 -60 109 -202 61
## 663 181 182 50 108 363
## 664 211 464 59 381 675
## 665 22 30 7 11 52
## 666 245 331 93 204 576
## 667 225 -65 69 -156 160
## 668 81 117 22 84 198
## 669 118 172 33 127 290
## 670 134 186 41 122 320
## 671 83 112 27 58 195
## 672 88 133 29 73 221
## 673 67 443 22 390 510
## 674 279 420 97 271 699
## 675 105 145 95 21 250
## 676 135 -69 122 -224 66
## 677 153 153 42 87 306
## 678 250 407 70 312 657
## 679 294 453 111 309 747
## 680 241 -93 74 -189 148
## 681 86 124 24 89 210
## 682 123 179 34 133 302
## 683 91 127 28 113 232
## 684 86 116 28 89 215
## 685 82 123 27 95 218
## 686 72 402 23 516 505
## 687 260 390 91 367 693
## 688 96 134 87 27 245
## 689 125 -56 113 -300 74
## 690 161 161 45 137 343
## 691 239 526 66 646 815
## 692 22 29 7 15 54
## 693 255 258 96 191 547
## 694 239 -75 74 -252 175
## 695 108 157 30 171 282
## 696 123 179 34 199 322
## 697 76 111 21 116 199
## 698 102 143 31 132 261
## 699 77 103 25 76 192
## 700 78 119 25 93 210
## 701 75 379 24 481 484
## 702 249 374 87 350 664
## 703 94 130 85 22 239
## 704 121 -60 109 -300 65
## 705 181 182 50 160 387
## 706 211 464 59 565 719
## 707 22 30 7 16 55
## 708 245 331 93 303 614
## 709 225 -65 69 -232 171
## 710 81 117 22 125 211
## 711 118 172 33 188 309
## 712 134 186 41 181 341
## 713 83 112 27 86 208
## 714 88 133 29 108 236
## 715 67 443 22 579 543
## 716 279 420 97 402 745
## 717 105 145 95 31 266
## 718 135 -69 122 -332 70
## 719 153 153 42 129 326
## 720 250 407 70 463 700
## 721 294 453 111 459 796
## 722 241 -93 74 -280 158
## 723 86 124 24 132 224
## 724 123 179 34 197 322
## 725 108 157 30 116 265
## 726 122 176 39 115 298
## 727 72 110 23 56 182
## 728 239 239 66 149 478
## 729 54 66 20 12 120
## 730 123 179 34 133 302
## 731 154 213 50 120 367
## 732 76 111 21 79 187
## 733 257 341 84 224 598
## 734 161 161 45 92 322
## 735 161 161 45 92 322
## 736 123 179 34 133 302
## 737 108 157 30 116 265
## 738 82 123 27 65 205
## 739 91 127 28 76 218
## 740 90 115 29 74 205
## 741 10 13 3 -2 23
## 742 86 116 28 61 202
## 743 79 98 30 35 177
## 744 96 134 87 18 230
## 745 40 59 11 36 99
## 746 80 94 24 48 174
## 747 257 341 84 224 598
## 748 122 176 39 114 298
## 749 86 23 26 -26 109
## 750 239 239 66 149 478
## 751 255 312 96 183 567
## 752 25 31 9 -11 56
## 753 81 117 22 84 198
## 754 113 165 36 106 278
## 755 75 114 24 58 189
## 756 211 212 59 129 423
## 757 118 172 33 128 290
## 758 173 239 57 139 412
## 759 50 73 14 48 123
## 760 228 304 75 196 532
## 761 181 182 50 107 363
## 762 181 182 50 107 363
## 763 118 172 33 127 290
## 764 81 117 22 84 198
## 765 78 119 25 62 197
## 766 75 114 24 59 189
## 767 102 143 31 89 245
## 768 88 112 29 70 200
## 769 10 13 3 -3 23
## 770 77 103 25 51 180
## 771 15 24 4 8 39
## 772 82 102 31 38 184
## 773 94 130 85 16 224
## 774 54 78 15 51 132
## 775 75 89 23 45 164
## 776 228 304 75 196 532
## 777 113 165 36 107 278
## 778 211 212 59 129 423
## 779 245 300 93 173 545
## 780 86 124 24 88 210
## 781 127 185 40 122 312
## 782 67 101 22 47 168
## 783 250 251 70 157 501
## 784 123 179 34 134 302
## 785 224 310 73 194 534
## 786 54 79 15 53 133
## 787 247 329 81 216 576
## 788 153 153 42 87 306
## 789 153 153 42 87 306
## 790 123 179 34 133 302
## 791 86 124 24 88 210
## 792 88 133 29 72 221
## 793 134 186 41 121 320
## 794 81 104 26 66 185
## 795 10 14 3 -1 24
## 796 83 112 27 57 195
## 797 68 85 25 26 153
## 798 105 145 95 20 250
## 799 50 73 14 48 123
## 800 80 96 24 50 176
## 801 247 329 81 216 576
## 802 127 185 40 123 312
## 803 250 251 70 156 501
## 804 294 360 111 216 654
## 805 20 25 7 -16 45
## 806 108 157 30 172 282
## 807 122 176 39 171 318
## 808 72 110 23 83 194
## 809 239 239 66 221 509
## 810 54 66 20 18 128
## 811 123 179 34 197 322
## 812 154 213 50 178 391
## 813 76 111 21 117 199
## 814 257 341 84 332 637
## 815 161 161 45 137 343
## 816 161 161 45 137 343
## 817 123 179 34 197 322
## 818 108 157 30 172 282
## 819 82 123 27 96 218
## 820 91 127 28 113 232
## 821 90 115 29 110 218
## 822 10 13 3 -3 25
## 823 86 116 28 91 215
## 824 79 98 30 52 189
## 825 96 134 87 27 245
## 826 40 59 11 53 106
## 827 80 94 24 71 185
## 828 257 341 84 332 637
## 829 122 176 39 169 318
## 830 86 23 26 -39 116
## 831 239 239 66 221 509
## 832 255 312 96 272 604
## 833 25 31 9 -16 60
## 834 81 117 22 125 211
## 835 113 165 36 157 296
## 836 75 114 24 86 201
## 837 211 212 59 191 451
## 838 118 172 33 190 309
## 839 173 239 57 206 439
## 840 50 73 14 71 131
## 841 228 304 75 291 567
## 842 181 182 50 159 387
## 843 181 182 50 159 387
## 844 118 172 33 188 309
## 845 81 117 22 125 211
## 846 78 119 25 92 210
## 847 75 114 24 88 201
## 848 102 143 31 132 261
## 849 88 112 29 104 213
## 850 10 13 3 -4 25
## 851 77 103 25 76 192
## 852 15 24 4 12 42
## 853 82 102 31 56 196
## 854 94 130 85 24 239
## 855 54 78 15 76 141
## 856 75 89 23 67 175
## 857 228 304 75 291 567
## 858 113 165 36 159 296
## 859 211 212 59 191 451
## 860 245 300 93 257 581
## 861 86 124 24 131 224
## 862 127 185 40 181 332
## 863 67 101 22 70 179
## 864 250 251 70 233 534
## 865 123 179 34 199 322
## 866 224 310 73 288 569
## 867 54 79 15 79 142
## 868 247 329 81 321 614
## 869 153 153 42 129 326
## 870 153 153 42 129 326
## 871 123 179 34 197 322
## 872 86 124 24 131 224
## 873 88 133 29 107 236
## 874 134 186 41 180 341
## 875 81 104 26 98 197
## 876 10 14 3 -1 26
## 877 83 112 27 85 208
## 878 68 85 25 39 163
## 879 105 145 95 30 266
## 880 50 73 14 71 131
## 881 80 96 24 74 188
## 882 247 329 81 321 614
## 883 127 185 40 183 332
## 884 250 251 70 232 534
## 885 294 360 111 321 697
## 886 20 25 7 -24 48
## 887 154 -24 50 -117 130
## 888 257 341 84 225 598
## 889 122 -13 39 -74 109
## 890 260 390 91 247 650
## 891 239 239 66 149 478
## 892 125 173 113 27 298
## 893 108 157 30 115 265
## 894 239 281 74 186 520
## 895 123 179 34 134 302
## 896 43 64 13 29 107
## 897 79 98 30 34 177
## 898 96 134 87 17 230
## 899 161 161 45 91 322
## 900 80 94 24 48 174
## 901 51 71 46 -5 122
## 902 65 77 20 36 142
## 903 60 84 19 21 144
## 904 47 64 15 22 111
## 905 68 99 21 56 167
## 906 22 29 7 10 51
## 907 21 31 5 14 52
## 908 103 133 33 87 236
## 909 125 173 113 26 298
## 910 125 188 41 115 313
## 911 154 213 50 120 367
## 912 90 115 29 73 205
## 913 122 176 39 114 298
## 914 86 23 26 -27 109
## 915 257 341 84 224 598
## 916 21 32 5 16 53
## 917 239 239 66 149 478
## 918 255 -255 96 -363 21
## 919 25 31 9 -12 56
## 920 173 -27 57 -127 146
## 921 228 304 75 197 532
## 922 113 3 36 -56 116
## 923 249 374 87 235 623
## 924 211 212 59 129 423
## 925 121 168 109 26 289
## 926 81 117 22 84 198
## 927 225 265 69 174 490
## 928 118 172 33 128 290
## 929 82 102 31 38 184
## 930 94 130 85 16 224
## 931 181 182 50 108 363
## 932 69 81 21 39 150
## 933 53 75 17 14 128
## 934 63 93 20 50 156
## 935 15 24 4 9 39
## 936 101 130 33 85 231
## 937 121 168 109 26 289
## 938 130 195 42 122 325
## 939 173 239 57 138 412
## 940 88 112 29 70 200
## 941 113 165 36 107 278
## 942 228 304 75 196 532
## 943 211 212 59 128 423
## 944 78 119 25 62 197
## 945 245 -245 93 -340 32
## 946 102 143 31 89 245
## 947 224 -32 73 -149 192
## 948 247 329 81 216 576
## 949 127 -25 40 -88 102
## 950 279 420 97 271 699
## 951 250 251 70 157 501
## 952 135 187 122 31 322
## 953 86 124 24 89 210
## 954 241 284 74 188 525
## 955 123 179 34 134 302
## 956 68 85 25 26 153
## 957 105 145 95 20 250
## 958 153 153 42 87 306
## 959 80 96 24 51 176
## 960 63 76 19 36 139
## 961 72 104 23 58 176
## 962 16 25 4 10 41
## 963 94 120 31 77 214
## 964 135 187 122 32 322
## 965 115 174 37 105 289
## 966 224 310 73 194 534
## 967 81 104 26 66 185
## 968 127 185 40 122 312
## 969 247 329 81 215 576
## 970 250 251 70 157 501
## 971 88 133 29 73 221
## 972 294 -294 111 -408 31
## 973 134 186 41 121 320
## 974 20 25 7 -15 45
## 975 154 -24 50 -174 139
## 976 257 341 84 334 637
## 977 122 -13 39 -110 116
## 978 260 390 91 367 693
## 979 239 239 66 221 509
## 980 125 173 113 40 318
## 981 108 157 30 171 282
## 982 239 281 74 276 554
## 983 123 179 34 199 322
## 984 43 64 13 43 114
## 985 79 98 30 50 189
## 986 96 134 87 25 245
## 987 161 161 45 135 343
## 988 80 94 24 71 185
## 989 51 71 46 -7 130
## 990 65 77 20 53 151
## 991 60 84 19 31 153
## 992 47 64 15 33 118
## 993 68 99 21 83 178
## 994 22 29 7 15 54
## 995 21 31 5 21 55
## 996 103 133 33 129 251
## 997 125 173 113 39 318
## 998 125 188 41 171 334
## 999 154 213 50 178 391
## 1000 90 115 29 108 218
## 1001 122 176 39 169 318
## 1002 86 23 26 -40 116
## 1003 257 341 84 332 637
## 1004 21 32 5 24 56
## 1005 239 239 66 221 509
## 1006 255 -255 96 -539 22
## 1007 25 31 9 -18 60
## 1008 173 -27 57 -188 156
## 1009 228 304 75 292 567
## 1010 113 3 36 -83 124
## 1011 249 374 87 349 664
## 1012 211 212 59 191 451
## 1013 121 168 109 39 308
## 1014 81 117 22 125 211
## 1015 225 265 69 258 522
## 1016 118 172 33 190 309
## 1017 82 102 31 56 196
## 1018 94 130 85 24 239
## 1019 181 182 50 160 387
## 1020 69 81 21 58 160
## 1021 53 75 17 21 136
## 1022 63 93 20 74 166
## 1023 15 24 4 13 42
## 1024 101 130 33 126 246
## 1025 121 168 109 39 308
## 1026 130 195 42 181 346
## 1027 173 239 57 205 439
## 1028 88 112 29 104 213
## 1029 113 165 36 159 296
## 1030 228 304 75 291 567
## 1031 211 212 59 190 451
## 1032 78 119 25 92 210
## 1033 245 -245 93 -505 34
## 1034 102 143 31 132 261
## 1035 224 -32 73 -221 205
## 1036 247 329 81 321 614
## 1037 127 -25 40 -131 109
## 1038 279 420 97 402 745
## 1039 250 251 70 233 534
## 1040 135 187 122 46 343
## 1041 86 124 24 132 224
## 1042 241 284 74 279 559
## 1043 123 179 34 199 322
## 1044 68 85 25 39 163
## 1045 105 145 95 30 266
## 1046 153 153 42 129 326
## 1047 80 96 24 76 188
## 1048 63 76 19 53 148
## 1049 72 104 23 86 188
## 1050 16 25 4 15 44
## 1051 94 120 31 114 228
## 1052 135 187 122 47 343
## 1053 115 174 37 156 308
## 1054 224 310 73 288 569
## 1055 81 104 26 98 197
## 1056 127 185 40 181 332
## 1057 247 329 81 319 614
## 1058 250 251 70 233 534
## 1059 88 133 29 108 236
## 1060 294 -294 111 -605 33
## 1061 134 186 41 180 341
## 1062 20 25 7 -22 48
Statistika Deskriptif
summary(data)## Cogs Margin Marketing Profit
## Min. : 0.0 Min. :-294.0 Min. : 0.00 Min. :-605.00
## 1st Qu.: 41.0 1st Qu.: 51.0 1st Qu.: 13.00 1st Qu.: 16.25
## Median : 57.0 Median : 73.0 Median : 22.00 Median : 39.50
## Mean : 82.4 Mean : 102.4 Mean : 30.43 Mean : 60.56
## 3rd Qu.:101.0 3rd Qu.: 130.0 3rd Qu.: 40.75 3rd Qu.: 87.00
## Max. :294.0 Max. : 526.0 Max. :122.00 Max. : 646.00
## Sales
## Min. : 21
## 1st Qu.: 98
## Median :133
## Mean :191
## 3rd Qu.:227
## Max. :815Visualisasi Data
Histogram
hist(data$Cogs, xlab = "Cogs", main = "Histogram COGS", col = "red")
hist(data$Margin, xlab = "Margin", main = "Histogram Margin", col = "yellow")
hist(data$Marketing, xlab = "Marketing", main = "Histogram Marketing", col = "green")
hist(data$Profit, xlab = "Profit", main = "Histogram Profit", col = "blue")
hist(data$Sales, xlab = "Sales", main = "Histogram Sales", col = "purple")
Scatterplot
library(ggplot2)1. Scatterplot COGS dan Margin
ggplot(data, aes(x = Margin, y = Cogs)) +
geom_point() +
geom_smooth(method = "lm", se = FALSE, color = "yellow") +
scale_x_continuous(name = "Margin") +
scale_y_continuous(name = "COGS")## `geom_smooth()` using formula = 'y ~ x'
2. Scatterplot COGS dan Marketing
ggplot(data, aes(x = Marketing, y = Cogs)) +
geom_point() +
geom_smooth(method = "lm", se = FALSE, color = "green") +
scale_x_continuous(name = "Marketing") +
scale_y_continuous(name = "COGS")## `geom_smooth()` using formula = 'y ~ x'
3. Scatterplot COGS dan Profit
ggplot(data, aes(x = Profit, y = Cogs)) +
geom_point() +
geom_smooth(method = "lm", se = FALSE, color = "blue") +
scale_x_continuous(name = "Profit") +
scale_y_continuous(name = "COGS")## `geom_smooth()` using formula = 'y ~ x'
4. Scatterplot COGS dan Sales
ggplot(data, aes(x = Sales, y = Cogs)) +
geom_point() +
geom_smooth(method = "lm", se = FALSE, color = "purple") +
scale_x_continuous(name = "Sales") +
scale_y_continuous(name = "COGS")## `geom_smooth()` using formula = 'y ~ x'
Analisis Korelasi
cor(data, method = c("pearson"))## Cogs Margin Marketing Profit Sales
## Cogs 1.0000000 0.6822169 0.8165653 0.4693524 0.8884717
## Margin 0.6822169 1.0000000 0.5271698 0.9185475 0.9394315
## Marketing 0.8165653 0.5271698 1.0000000 0.2213350 0.7069252
## Profit 0.4693524 0.9185475 0.2213350 1.0000000 0.7999255
## Sales 0.8884717 0.9394315 0.7069252 0.7999255 1.0000000Berdasarkan hasil uji Pearson, korelasi yang didapatkan bernilai lebih dari 0 atau positif. Oleh karena itu, dapat disimpulkan bahwa seluruh variabel independen dan dependen memiliki korelasi positif yang kuat.
Model Regresi
1. COGS dan Margin
lm(data$Cogs ~ data$Margin)##
## Call:
## lm(formula = data$Cogs ~ data$Margin)
##
## Coefficients:
## (Intercept) data$Margin
## 32.7796 0.4845summary(lm(data$Cogs ~ data$Margin))##
## Call:
## lm(formula = data$Cogs ~ data$Margin)
##
## Residuals:
## Min 1Q Median 3Q Max
## -180.39 -20.07 -13.47 1.51 403.65
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 32.77964 2.18750 14.98 <2e-16 ***
## data$Margin 0.48445 0.01595 30.38 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 47.42 on 1060 degrees of freedom
## Multiple R-squared: 0.4654, Adjusted R-squared: 0.4649
## F-statistic: 922.9 on 1 and 1060 DF, p-value: < 2.2e-16Model regresi yang didapatkan adalah:
COGS = 32.7796 + 0,4845*Margin
P-value yang dihasilkan bernilai < 0,05 yang berarti variabel Margin berpengaruh signifikan.
R-Square yang dihasilkan sebesar 0.4654 = 46,54%
Koefisien determinasi yang didapatkan sebesar 0.4649 = 46,49%. Hal ini berarti variabel Margin hanya dapat menjelaskan variabel COGS sebesar 46,49%, sisanya (100%-46,49%) dipengaruhi oleh variabel yang tidak termasuk ke dalam analisis ini. Model ini belum dapat dikatakan baik karena nilai koefisien determinasinya kurang dari 75%.
2. COGS dan Marketing
lm(data$Cogs ~ data$Marketing)##
## Call:
## lm(formula = data$Cogs ~ data$Marketing)
##
## Coefficients:
## (Intercept) data$Marketing
## 20.353 2.039summary(lm(data$Cogs ~ data$Marketing))##
## Call:
## lm(formula = data$Cogs ~ data$Marketing)
##
## Residuals:
## Min 1Q Median 3Q Max
## -134.082 -7.702 -1.935 13.561 86.933
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 20.35333 1.77052 11.50 <2e-16 ***
## data$Marketing 2.03876 0.04427 46.05 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 37.44 on 1060 degrees of freedom
## Multiple R-squared: 0.6668, Adjusted R-squared: 0.6665
## F-statistic: 2121 on 1 and 1060 DF, p-value: < 2.2e-16Model regresi yang didapatkan adalah:
COGS = 20.353 + 2.039*Marketing
P-value yang dihasilkan bernilai < 0,05 yang berarti variabel Marketing berpengaruh signifikan.
R-Square yang dihasilkan sebesar 0.6668 = 66,68%
Koefisien determinasi yang didapatkan sebesar 0.6665 = 66,65%. Hal ini berarti variabel Marketing hanya dapat menjelaskan variabel COGS sebesar 66,65%, sisanya (100%-66,65%) dipengaruhi oleh variabel yang tidak termasuk ke dalam analisis ini. Model ini belum dapat dikatakan baik karena nilai koefisien determinasinya kurang dari 75%.
3. COGS dan Profit
lm(data$Cogs ~ data$Profit)##
## Call:
## lm(formula = data$Cogs ~ data$Profit)
##
## Coefficients:
## (Intercept) data$Profit
## 64.0694 0.3027summary(lm(data$Cogs ~ data$Profit))##
## Call:
## lm(formula = data$Cogs ~ data$Profit)
##
## Residuals:
## Min 1Q Median 3Q Max
## -172.33 -32.67 -14.88 6.78 413.06
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 64.06936 2.05183 31.23 <2e-16 ***
## data$Profit 0.30269 0.01749 17.31 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 57.27 on 1060 degrees of freedom
## Multiple R-squared: 0.2203, Adjusted R-squared: 0.2196
## F-statistic: 299.5 on 1 and 1060 DF, p-value: < 2.2e-16Model regresi yang didapatkan adalah:
COGS = 64.0694 + 0.3027*Profit
P-value yang dihasilkan bernilai < 0,05 yang berarti variabel Profit berpengaruh signifikan.
R-Square yang dihasilkan sebesar 0.2203 = 22,03%.
Koefisien determinasi yang didapatkan sebesar 0.2196 = 21,96%. Hal ini berarti variabel Profit hanya dapat menjelaskan variabel COGS sebesar 21,96%, sisanya (100%-21,96%) dipengaruhi oleh variabel yang tidak termasuk ke dalam analisis ini. Model ini belum dapat dikatakan baik karena nilai koefisien determinasinya kurang dari 75%.
4. COGS dan Sales
lm(data$Cogs ~ data$Sales)##
## Call:
## lm(formula = data$Cogs ~ data$Sales)
##
## Coefficients:
## (Intercept) data$Sales
## 8.1873 0.3884summary(lm(data$Cogs ~ data$Sales))##
## Call:
## lm(formula = data$Cogs ~ data$Sales)
##
## Residuals:
## Min 1Q Median 3Q Max
## -152.112 -8.131 -5.818 -1.570 273.771
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 8.187267 1.490118 5.494 4.91e-08 ***
## data$Sales 0.388443 0.006163 63.030 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 29.76 on 1060 degrees of freedom
## Multiple R-squared: 0.7894, Adjusted R-squared: 0.7892
## F-statistic: 3973 on 1 and 1060 DF, p-value: < 2.2e-16Model regresi yang didapatkan adalah:
COGS = 8.1873 + 0.3884*Sales
P-value yang dihasilkan bernilai < 0,05 yang berarti variabel Sales berpengaruh signifikan.
R-Square yang dihasilkan sebesar 0.7894 = 78,94%.
Koefisien determinasi yang didapatkan sebesar 0.7892 = 78,92%. Hal ini berarti variabel Sales hanya dapat menjelaskan variabel COGS sebesar 78,92%, sisanya (100%-78,92%) dipengaruhi oleh variabel yang tidak termasuk ke dalam analisis ini. Model ini dapat dikatakan baik karena nilai koefisien determinasinya lebih dari 75%.
5. Regresi Linear Berganda
Margin dan Marketing
summary(lm(data$Cogs ~ data$Margin + data$Marketing))##
## Call:
## lm(formula = data$Cogs ~ data$Margin + data$Marketing)
##
## Residuals:
## Min 1Q Median 3Q Max
## -113.003 -3.535 -1.340 7.668 182.459
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 8.96111 1.62910 5.501 4.74e-08 ***
## data$Margin 0.24757 0.01272 19.460 < 2e-16 ***
## data$Marketing 1.57988 0.04473 35.319 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 32.15 on 1059 degrees of freedom
## Multiple R-squared: 0.7545, Adjusted R-squared: 0.7541
## F-statistic: 1628 on 2 and 1059 DF, p-value: < 2.2e-16Margin dan Profit
summary(lm(data$Cogs ~ data$Margin + data$Profit))##
## Call:
## lm(formula = data$Cogs ~ data$Margin + data$Profit)
##
## Residuals:
## Min 1Q Median 3Q Max
## -190.14 -17.66 -7.63 6.06 359.76
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 4.84242 2.26330 2.14 0.0326 *
## data$Margin 1.14101 0.03386 33.70 <2e-16 ***
## data$Profit -0.64914 0.03075 -21.11 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 39.8 on 1059 degrees of freedom
## Multiple R-squared: 0.6237, Adjusted R-squared: 0.623
## F-statistic: 877.8 on 2 and 1059 DF, p-value: < 2.2e-16Margin dan Sales
summary(lm(data$Cogs ~ data$Margin + data$Sales))##
## Call:
## lm(formula = data$Cogs ~ data$Margin + data$Sales)
##
## Residuals:
## Min 1Q Median 3Q Max
## -27.9956 -4.2604 -0.0217 3.8976 22.3907
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.743992 0.371972 2.0 0.0457 *
## data$Margin -0.921536 0.007201 -128.0 <2e-16 ***
## data$Sales 0.921447 0.004433 207.8 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 7.338 on 1059 degrees of freedom
## Multiple R-squared: 0.9872, Adjusted R-squared: 0.9872
## F-statistic: 4.087e+04 on 2 and 1059 DF, p-value: < 2.2e-16Marketing dan Profit
summary(lm(data$Cogs ~ data$Marketing + data$Profit))##
## Call:
## lm(formula = data$Cogs ~ data$Marketing + data$Profit)
##
## Residuals:
## Min 1Q Median 3Q Max
## -116.072 -4.536 -0.409 6.799 191.120
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 13.60513 1.55997 8.721 <2e-16 ***
## data$Marketing 1.87105 0.03899 47.986 <2e-16 ***
## data$Profit 0.19572 0.01007 19.433 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 32.16 on 1059 degrees of freedom
## Multiple R-squared: 0.7544, Adjusted R-squared: 0.7539
## F-statistic: 1626 on 2 and 1059 DF, p-value: < 2.2e-16Marketing dan Sales
summary(lm(data$Cogs ~ data$Marketing + data$Sales))##
## Call:
## lm(formula = data$Cogs ~ data$Marketing + data$Sales)
##
## Residuals:
## Min 1Q Median 3Q Max
## -103.195 -1.708 -0.222 1.901 179.344
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.806199 1.244488 1.451 0.147
## data$Marketing 0.940704 0.040530 23.210 <2e-16 ***
## data$Sales 0.271994 0.007097 38.324 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 24.24 on 1059 degrees of freedom
## Multiple R-squared: 0.8604, Adjusted R-squared: 0.8601
## F-statistic: 3263 on 2 and 1059 DF, p-value: < 2.2e-16Profit dan Sales
summary(lm(data$Cogs ~ data$Profit + data$Sales))##
## Call:
## lm(formula = data$Cogs ~ data$Profit + data$Sales)
##
## Residuals:
## Min 1Q Median 3Q Max
## -71.658 -5.383 1.690 5.883 108.761
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -10.419590 0.783757 -13.29 <2e-16 ***
## data$Profit -0.432232 0.007299 -59.22 <2e-16 ***
## data$Sales 0.622839 0.004948 125.87 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 14.34 on 1059 degrees of freedom
## Multiple R-squared: 0.9511, Adjusted R-squared: 0.9511
## F-statistic: 1.031e+04 on 2 and 1059 DF, p-value: < 2.2e-16P-value yang dihasilkan dari 6 model seluruhnya bernilai < 0,05 yang berarti variabel berpengaruh signifikan.
Koefisien determinasi terbaik dihasilkan oleh hubungan variabel COGS dengan variabel Margin dan Sales, yaitu sebesar 0,9827 = 98,72%. Model ini dapat dikatakan baik karena nilai koefisien determinasinya lebih dari 75%.
6. COGS dan seluruh variabel x
lm(data$Cogs ~ data$Margin + data$Marketing + data$Profit + data$Sales, data = data)##
## Call:
## lm(formula = data$Cogs ~ data$Margin + data$Marketing + data$Profit +
## data$Sales, data = data)
##
## Coefficients:
## (Intercept) data$Margin data$Marketing data$Profit data$Sales
## -4.8360 -0.6703 -0.3019 -0.2243 0.9352summary(lm(data$Cogs ~ data$Margin + data$Marketing + data$Profit + data$Sales, data = data))##
## Call:
## lm(formula = data$Cogs ~ data$Margin + data$Marketing + data$Profit +
## data$Sales, data = data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -31.3970 -2.8863 0.8226 2.7564 25.0340
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -4.836021 0.287917 -16.80 <2e-16 ***
## data$Margin -0.670318 0.008471 -79.14 <2e-16 ***
## data$Marketing -0.301926 0.014381 -20.99 <2e-16 ***
## data$Profit -0.224333 0.006194 -36.22 <2e-16 ***
## data$Sales 0.935175 0.004390 213.03 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.841 on 1057 degrees of freedom
## Multiple R-squared: 0.9944, Adjusted R-squared: 0.9944
## F-statistic: 4.73e+04 on 4 and 1057 DF, p-value: < 2.2e-16