Tugas Pertemuan 11

Statistika Dasar

Logo

Latihan 1

Sebuah perusahaan ingin memahami karakteristik penyebaran data hasil penjualan dari empat cabang (A, B, C, dan D) selama satu bulan terakhir. Data penjualan (dalam juta rupiah) dari keempat cabang tersebut adalah sebagai berikut:

Cabang A: 50, 55, 60, 65, 70
Cabang B: 40, 50, 60, 70, 80
Cabang C: 30, 30, 35, 40, 45
Cabang D: 70, 75, 80, 85, 90

Hitunglah rata-rata, median, dan standar deviasi untuk masing-masing cabang.
Cabang mana yang memiliki penyebaran data paling kecil? Jelaskan alasannya.
Jika target penjualan minimum adalah 50 juta rupiah, cabang mana saja yang gagal mencapai target di semua datanya?
Buatlah diagram kotak (box plot) untuk memvisualisasikan penyebaran data setiap cabang.
Jika Anda adalah manajer perusahaan, bagaimana Anda akan menggunakan informasi ini untuk merencanakan strategi peningkatan penjualan?

1.1 Hitunglah rata-rata, median, dan standar deviasi untuk masing-masing cabang.

1.1.1 Cabang A

\[ \text{Cabang A: } 50, 55, 60, 65, 70 \]

1.1.1.1 Menghitung Rata-rata (Mean):

Rumus: \[ \text{Rata-rata} = \frac{\text{Jumlah semua nilai}}{\text{Jumlah data}} \]

Langkah-langkah: \[ \text{Rata-rata Cabang A} = \frac{50 + 55 + 60 + 65 + 70}{5} = \frac{300}{5} = 60 \]

Hasil: \[ \text{Rata-rata Cabang A} = 60 \]

1.1.1.2 Menghitung Median:

Data diurutkan: 50, 55, 60, 65, 70

Didapat jumlah data (n) = 5

Jumlah data ganjil, maka posisi nilai tengahnya dicari menggunakan rumus: \[ \text{Posisi Median} = \frac{n}{2} + 1 \]

Maka: \[ \text{Posisi Median} = \frac{5+1}{2} = 3 \]

Jadi Data ke 3: \[ \text{Median Cabang A} = 60 \]

1.1.1.3 Menghitung Standar Deviasi:

Rumus: \[ s = \sqrt{\frac{\sum (x_i - \bar{x})^2}{n-1}} \]

Dimana:

\(x_i\) = semua data yang akan dihitung
\(\bar{X}\) = Mean (rata-rata)
n = jumlah data

Maka \[ s = \sqrt{\frac{(50 - 60)^2 + (55 - 60)^2 + (60 - 60)^2 + (65 - 60)^2 + (70 - 60)^2}{5-1}} \] \[ s = \sqrt{\frac{100 + 25 + 0 + 25 + 100}{4}} \] \[ s = \sqrt{\frac{250}{4}} \] \[ s = \sqrt{62.5} = 7.91 \]

Hasil: \[ \text{Standar Deviasi Cabang A} = 7.91 \]

1.1.2 Cabang B

\[ \text{Cabang B: } 40, 50, 60, 70, 80 \]

1.1.2.1 Menghitung Rata-rata (Mean):

Rumus: \[ \text{Rata-rata} = \frac{\text{Jumlah semua nilai}}{\text{Jumlah data}} \]

Langkah-langkah: \[ \text{Rata-rata Cabang B} = \frac{40 + 50 + 60 + 70 + 80}{5} = \frac{300}{5} = 60 \]

Hasil: \[ \text{Rata-rata Cabang B} = 60 \]

1.1.2.2 Menghitung Median:

Data diurutkan: 40, 50, 60, 70, 80

Jumlah data (n) = 5
Jumlah data ganjil, maka posisi nilai tengah: \[ \text{Posisi Median} = \frac{n+1}{2} = \frac{5+1}{2} = 3 \]

Data ke-3: \[ \text{Median Cabang B} = 60 \]

1.1.2.3 Menghitung Standar Deviasi:

Rumus: \[ s = \sqrt{\frac{\sum (x_i - \bar{x})^2}{n-1}} \]

Langkah-langkah: \[ s = \sqrt{\frac{(40-60)^2 + (50-60)^2 + (60-60)^2 + (70-60)^2 + (80-60)^2}{5-1}} \] \[ s = \sqrt{\frac{400 + 100 + 0 + 100 + 400}{4}} \] \[ s = \sqrt{\frac{1000}{4}} \] \[ s = \sqrt{250} = 15.81 \]

Hasil: \[ \text{Standar Deviasi Cabang B} = 15.81 \]

1.1.3 Cabang C

\[ \text{Cabang C: } 30, 30, 35, 40, 45 \]

1.1.3.1 Menghitung Rata-rata (Mean):

Rumus: \[ \text{Rata-rata} = \frac{\text{Jumlah semua nilai}}{\text{Jumlah data}} \]

Langkah-langkah: \[ \text{Rata-rata Cabang C} = \frac{30 + 30 + 35 + 40 + 45}{5} = \frac{180}{5} = 36 \]

Hasil: \[ \text{Rata-rata Cabang C} = 36 \]

1.1.3.2 Menghitung Median:

Data diurutkan: 30, 30, 35, 40, 45

Jumlah data (n) = 5
Jumlah data ganjil, maka posisi nilai tengah: \[ \text{Posisi Median} = \frac{n+1}{2} = \frac{5+1}{2} = 3 \]

Data ke-3: \[ \text{Median Cabang C} = 35 \]

1.1.3.3 Menghitung Standar Deviasi:

Rumus: \[ s = \sqrt{\frac{\sum (x_i - \bar{x})^2}{n-1}} \]

Langkah-langkah: \[ s = \sqrt{\frac{(30-36)^2 + (30-36)^2 + (35-36)^2 + (40-36)^2 + (45-36)^2}{5-1}} \] \[ s = \sqrt{\frac{36 + 36 + 1 + 16 + 81}{4}} \] \[ s = \sqrt{\frac{170}{4}} \] \[ s = \sqrt{42.5} = 6.52 \]

Hasil: \[ \text{Standar Deviasi Cabang C} = 6.52 \]

1.1.4 Cabang D

\[ \text{Cabang D: } 70, 75, 80, 85, 90 \]

1.1.4.1 Menghitung Rata-rata (Mean):

Rumus: \[ \text{Rata-rata} = \frac{\text{Jumlah semua nilai}}{\text{Jumlah data}} \]

Langkah-langkah: \[ \text{Rata-rata Cabang D} = \frac{70 + 75 + 80 + 85 + 90}{5} = \frac{400}{5} = 80 \]

Hasil: \[ \text{Rata-rata Cabang D} = 80 \]

1.1.4.2 Menghitung Median:

Data diurutkan: 70, 75, 80, 85, 90

Jumlah data (n) = 5
Jumlah data ganjil, maka posisi nilai tengah: \[ \text{Posisi Median} = \frac{n+1}{2} = \frac{5+1}{2} = 3 \]

Data ke-3: \[ \text{Median Cabang D} = 80 \]

1.1.4.3 Menghitung Standar Deviasi:

Rumus: \[ s = \sqrt{\frac{\sum (x_i - \bar{x})^2}{n-1}} \]

Langkah-langkah: \[ s = \sqrt{\frac{(70-80)^2 + (75-80)^2 + (80-80)^2 + (85-80)^2 + (90-80)^2}{5-1}} \] \[ s = \sqrt{\frac{100 + 25 + 0 + 25 + 100}{4}} \] \[ s = \sqrt{\frac{250}{4}} \] \[ s = \sqrt{62.5} = 7.91 \]

Hasil: \[ \text{Standar Deviasi Cabang D} = 7.91 \]

Jika Semuanya Disusun Ke Dalam Bentuk Tabel:

Cabang	Rata-rata	Median	Standar Deviasi
Cabang A	60	60	7.91
Cabang B	60	60	15.81
Cabang C	36	35	6.52
Cabang D	80	80	7.91

1.2 Cabang mana yang memiliki penyebaran data paling kecil? Jelaskan alasannya.

Penyebaran data diukur dengan standar deviasi (\(s\)). Berikut adalah standar deviasi masing-masing cabang:

Cabang A: \(s = 7.91\)
Cabang B: \(s = 15.81\)
Cabang C: \(s = 6.52\)
Cabang D: \(s = 7.91\)

1.2.1 Jawaban: Cabang C

Cabang C memiliki standar deviasi terkecil sebesar \(6.52\), yang menunjukkan bahwa data penjualan di Cabang C lebih terkonsentrasi atau homogen dibandingkan dengan cabang lainnya.
Penyebaran data yang kecil mengindikasikan bahwa nilai penjualan di Cabang C lebih stabil dan mendekati rata-rata (\(\bar{X} = 36\)).

1.2.2 Penjelasan

Standar deviasi mengukur rata-rata jarak setiap data terhadap rata-rata. Semakin kecil nilai \(s\), semakin kecil variasi antara nilai data, dan semakin seragam data tersebut. Cabang C memiliki penyebaran data yang lebih kecil karena seluruh nilai penjualan mendekati rata-rata, dengan rentang data yang sempit (30 hingga 45).

1.3 Cabang Mana yang Gagal Mencapai Target Penjualan?

Target penjualan minimum: 50 juta rupiah.

1.3.1 Data Penjualan Tiap Cabang:

Cabang A: \(50, 55, 60, 65, 70\)
Cabang B: \(40, 50, 60, 70, 80\)
Cabang C: \(30, 30, 35, 40, 45\)
Cabang D: \(70, 75, 80, 85, 90\)

1.3.2 Analisis:

Untuk setiap cabang, kita periksa apakah ada nilai yang kurang dari 50 juta rupiah:

Cabang A: Semua data \((50, 55, 60, 65, 70)\) mencapai target.
Kesimpulan: Tidak ada data yang gagal.
Cabang B: Ada satu data yang gagal mencapai target, yaitu \(40\).
Kesimpulan: Gagal di satu data (\(40\)).
Cabang C: Semua data \((30, 30, 35, 40, 45)\) gagal mencapai target.
Kesimpulan: Gagal di semua data.
Cabang D: Semua data \((70, 75, 80, 85, 90)\) mencapai target.
Kesimpulan: Tidak ada data yang gagal.

1.3.3 Jawaban Akhir:

Cabang B memiliki 1 data yang gagal mencapai target.
Cabang C gagal mencapai target di semua data.

1.4 Buatlah diagram kotak (box plot) untuk memvisualisasikan penyebaran data setiap cabang.

1.4.1 Visualisasi data

1.5 Strategi Peningkatan Penjualan Berdasarkan Analisis Data

Sebagai manajer perusahaan, informasi ini dapat digunakan untuk menyusun strategi peningkatan penjualan dengan langkah-langkah berikut:

1.5.1 Fokus pada Cabang C

Analisis: Cabang C memiliki rata-rata penjualan terendah (\(\bar{X} = 36\)) dan gagal mencapai target penjualan minimum \(50\) juta rupiah di semua datanya.
Strategi:
- Tinjau faktor-faktor yang menyebabkan rendahnya penjualan, seperti lokasi, daya beli pelanggan, atau strategi pemasaran.
- Tingkatkan promosi dan diskon khusus di area Cabang C.
- Adakan pelatihan untuk meningkatkan kinerja tim penjualan.

1.5.2 Optimalkan Kinerja Cabang B

Analisis: Cabang B memiliki penyebaran data terbesar (\(s = 15.81\)), menunjukkan variasi yang tinggi dalam penjualan.
Strategi:
- Fokus pada stabilisasi penjualan dengan pendekatan yang konsisten terhadap pelanggan.
- Tingkatkan efisiensi distribusi dan layanan untuk mendorong penjualan secara merata.

1.5.3 Mempertahankan Performa Cabang A dan D

Analisis: Cabang A dan D menunjukkan performa stabil dengan standar deviasi rendah (\(s = 7.91\)), dan tidak ada data yang gagal mencapai target.
Strategi:
- Lanjutkan praktik terbaik yang telah diterapkan di kedua cabang.
- Jadikan Cabang A dan D sebagai model bagi cabang lain dengan berbagi strategi sukses mereka.

1.5.4 Tinjauan Data Secara Berkala

Buat laporan bulanan untuk memantau perkembangan setiap cabang.
Implementasikan teknologi analitik untuk memprediksi tren penjualan dan menyesuaikan strategi dengan kebutuhan pasar.

1.5.5 Diversifikasi Produk dan Layanan

Tambahkan variasi produk yang sesuai dengan preferensi lokal untuk meningkatkan daya tarik di cabang dengan performa rendah.
Evaluasi respons pasar terhadap produk baru melalui survei pelanggan dan uji coba terbatas.

1.5.6 Kesimpulan:

Dengan memanfaatkan informasi statistik seperti rata-rata, median, dan standar deviasi, perusahaan dapat memahami kinerja masing-masing cabang secara mendalam dan mengimplementasikan strategi yang spesifik untuk meningkatkan total penjualan secara keseluruhan.

Latihan 2

Perusahaan XYZ mengelola pengiriman barang ke berbagai wilayah dengan menggunakan berbagai jenis transportasi. Setiap pengiriman melibatkan biaya transportasi, waktu yang dibutuhkan, dan jumlah barang yang dikirim. Berikut adalah data terkait pengiriman barang berdasarkan wilayah dan jenis barang:

Wilayah	Jenis Barang	Jumlah Barang (unit)	Waktu Pengiriman (jam)	Biaya per Unit (Rp)
Utara	Elektronik	200	5	15000
Selatan	Pakaian	150	8	8000
Timur	Makanan	180	6	10000
Barat	Peralatan	120	7	12000
Tengah	Elektronik	250	4	14000
Utara	Pakaian	300	9	8500
Selatan	Makanan	220	7	9500
Timur	Peralatan	140	5	11000
Barat	Elektronik	180	6	14500
Tengah	Pakaian	350	8	7800
Utara	Peralatan	170	4	12000
Selatan	Elektronik	250	6	16000
Timur	Pakaian	190	7	8200
Barat	Makanan	130	5	10500
Tengah	Peralatan	180	5	11500

Analisis Efisiensi Pengiriman:

Visualisasikan pengiriman barang berdasarkan jumlah barang, waktu pengiriman, dan biaya per unit dengan menggunakan plot 3D.
Tentukan wilayah mana yang memiliki efisiensi pengiriman terendah berdasarkan biaya per unit dan waktu pengiriman.

Rekomendasi Operasional:

Berdasarkan hasil analisis, wilayah mana yang memerlukan perhatian khusus untuk meningkatkan efisiensi pengiriman?
Apa rekomendasi untuk mengurangi biaya dan waktu pengiriman di wilayah tersebut?

2.1 Analisis Efisiensi Pengiriman:

2.1.1 Visualisasikan pengiriman barang berdasarkan jumlah barang, waktu pengiriman, dan biaya per unit dengan menggunakan plot 3D.

2.1.2 Tentukan wilayah mana yang memiliki efisiensi pengiriman terendah berdasarkan biaya per unit dan waktu pengiriman.

2.1.2.1 Cara Manual

Rumus: \[ \text{Efiensi} = \frac{\text{Biaya per Unit}}{\text{Waktu Pengiriman}} \] Note: Wilayah dengan efisiensi tertinggi (nilai terbesar) dianggap memiliki efisiensi pengiriman terendah karena biaya lebih mahal per satuan waktu.

Contoh Perhitungan: - Baris 1 (Wilayah Utara): \[ \text{Efiensi} = \frac{15,000}{5} = 3,000 \] - Baris 2 (Wilayah Selatan): \[ \text{Efiensi} = \frac{8,000}{8} = 1,000 \] - Baris 3 (Wilayah Timur): \[ \text{Efiensi} = \frac{10,000}{6} = 1,667 \] - Lakukan langkah yang sama untuk semua baris.

Wilayah	Biaya per Unit (Rp)	Waktu Pengiriman (jam)	Efisiensi (\(\frac{\text{Biaya per Unit}}{\text{Waktu Pengiriman}}\))
Utara	15,000	5	3,000
Selatan	8,000	8	1,000
Timur	10,000	6	1,667
Barat	12,000	7	1,714
Tengah	14,000	4	3,500
Utara	8,500	9	944
Selatan	9,500	7	1,357
Timur	11,000	5	2,200
Barat	14,500	6	2,417
Tengah	7,800	8	975
Utara	12,000	4	3,000
Selatan	16,000	6	2,667
Timur	8,200	7	1,171
Barat	10,500	5	2,100
Tengah	11,500	5	2,300

2.1.2.1.1 Hasil Analisis

Wilayah dengan efisiensi pengiriman terendah adalah:

Wilayah: Tengah
Biaya per Unit: Rp14.000
Waktu Pengiriman: 4 jam
Efisiensi: 3,500 (tertinggi, sehingga paling tidak efisien)

2.1.2.2 Cara Dengan Pyhton

Tabel Data dengan Kolom Efisiensi
Wilayah	Jenis_Barang	Jumlah_Barang	Waktu_Pengiriman	Biaya_Per_Unit	Efisiensi
Utara	Elektronik	200	5	15000	3000.0000
Selatan	Pakaian	150	8	8000	1000.0000
Timur	Makanan	180	6	10000	1666.6667
Barat	Peralatan	120	7	12000	1714.2857
Tengah	Elektronik	250	4	14000	3500.0000
Utara	Pakaian	300	9	8500	944.4444
Selatan	Makanan	220	7	9500	1357.1429
Timur	Peralatan	140	5	11000	2200.0000
Barat	Elektronik	180	6	14500	2416.6667
Tengah	Pakaian	350	8	7800	975.0000
Utara	Peralatan	170	4	12000	3000.0000
Selatan	Elektronik	250	6	16000	2666.6667
Timur	Pakaian	190	7	8200	1171.4286
Barat	Makanan	130	5	10500	2100.0000
Tengah	Peralatan	180	5	11500	2300.0000

Data dengan Efisiensi Terendah
	Wilayah	Jenis_Barang	Jumlah_Barang	Waktu_Pengiriman	Biaya_Per_Unit	Efisiensi
6	Utara	Pakaian	300	9	8500	944.4444

2.1.2.2.2 Hasil Analisis

Hasil dari kode di atas akan menunjukkan wilayah dengan efisiensi pengiriman terendah. Berdasarkan data:

Wilayah: Tengah
Jenis Barang: Elektronik
Jumlah Barang: 250 unit
Waktu Pengiriman: 4 jam
Biaya per Unit: Rp14.000
Tingkat Efisiensi: 3,500 (tertinggi, berarti efisiensi terendah).

2.1.2.3 Kesimpulan Wilayah dengan Efisiensi Terendah

Jadi Efisiensi Terendah bisa diketahui melaui cara manual dan Python yang menghasilkan hasil yang sama,Yaitu:

Efisiensi tertinggi (paling tidak efisien) adalah 3,500.

Wilayah dengan efisiensi terendah (paling tidak efisien) adalah:

Wilayah: Tengah
Jenis Barang: Elektronik
Jumlah Barang: 250 unit
Waktu Pengiriman: 4 jam
Biaya per Unit: Rp14.000
Tingkat Efisiensi: 3,500 (tertinggi, berarti efisiensi terendah).

2.2 Rekomendasi Operasional:

2.2.1 Berdasarkan hasil analisis, wilayah mana yang memerlukan perhatian khusus untuk meningkatkan efisiensi pengiriman?

Berdasarkan hasil analisis, wilayah yang memerlukan perhatian khusus untuk meningkatkan efisiensi pengiriman adalah Wilayah Tengah. Wilayah ini memiliki efisiensi pengiriman terendah dengan nilai 3,500 yang menunjukkan bahwa biaya per unit untuk pengiriman di wilayah ini sangat tinggi dibandingkan dengan waktu yang dibutuhkan.

2.2.2 Apa rekomendasi untuk mengurangi biaya dan waktu pengiriman di wilayah tersebut?

2.2.2.1 Rekomendasi Operasional untuk Wilayah Tengah

Optimasi Rute Pengiriman

Evaluasi kembali rute pengiriman: Identifikasi dan evaluasi rute yang digunakan untuk pengiriman barang di wilayah Tengah. Hal ini bisa mencakup pengecekan apakah ada jalan yang kurang optimal atau macet, sehingga menambah waktu pengiriman.
Gunakan sistem rute cerdas: Implementasikan teknologi seperti GPS tracking dan sistem manajemen pengiriman berbasis data untuk mencari rute yang lebih efisien. Sistem ini bisa mengurangi waktu tempuh dan meningkatkan efisiensi pengiriman.

Negosiasi Biaya Transportasi

Tinjau kontrak transportasi: Wilayah Tengah memiliki biaya per unit yang cukup tinggi, yaitu Rp 14.000. Sebaiknya melakukan negosiasi dengan penyedia jasa transportasi untuk mendapatkan tarif lebih rendah atau menggunakan alternatif moda transportasi yang lebih murah, seperti kereta api atau transportasi laut untuk jarak jauh.
Pertimbangkan penggunaan kendaraan yang lebih besar: Jika memungkinkan, gunakan kendaraan dengan kapasitas lebih besar untuk mengurangi biaya per unit barang yang diangkut.

Pengelompokan Pengiriman

Gabungkan pengiriman barang: Mengingat jumlah barang yang dikirim cukup besar (misalnya 250 unit elektronik dan 350 unit pakaian), menggabungkan pengiriman untuk mengurangi frekuensi pengiriman dan memaksimalkan kapasitas kendaraan dapat mengurangi biaya operasional.
Optimalisasi pengiriman berdasarkan volume barang: Jika memungkinkan, kirimkan barang dalam jumlah besar ke wilayah yang sama atau berdekatan untuk memaksimalkan penggunaan armada transportasi.

Evaluasi Waktu Pengiriman

Kurangi waktu pengiriman dengan mencari alternatif pengiriman yang lebih cepat atau efisien, misalnya menggunakan transportasi darat yang lebih cepat untuk pengiriman jarak dekat dan transportasi udara untuk pengiriman jarak jauh.
Pertimbangkan pengiriman lebih awal: Dengan mempertimbangkan proses distribusi yang lebih awal, pengiriman yang lebih cepat bisa lebih efisien. Ini akan mengurangi kemungkinan keterlambatan dan meningkatkan pengelolaan waktu.

Penggunaan Teknologi dan Data

Implementasi IoT dan data real-time: Dengan memanfaatkan teknologi Internet of Things (IoT) pada kendaraan pengiriman dan memantau data pengiriman secara real-time, dapat diidentifikasi dan diatasi hambatan-hambatan yang terjadi selama pengiriman.
Analisis data untuk pola pengiriman: Dengan menganalisis data pengiriman, perusahaan bisa mengetahui pola waktu pengiriman yang lebih lambat dan lebih mahal, serta mengidentifikasi faktor yang memperburuk efisiensi.

2.2.2.2 Tindakan Langkah Berikutnya

Audit Pengiriman: Lakukan audit secara berkala terhadap biaya dan waktu pengiriman di wilayah Tengah.
Pelatihan Pengemudi dan Pekerja: Pelatihan untuk pengemudi dan pekerja logistik untuk memaksimalkan efisiensi dalam pemuatan barang dan penggunaan jalur transportasi yang optimal.

2.2.2.3 Harapan

Dengan menerapkan langkah-langkah ini, diharapkan biaya per unit di wilayah Tengah dapat diturunkan, serta waktu pengiriman dapat lebih singkat, sehingga meningkatkan efisiensi keseluruhan.

Referensi

https://bookdown.org/dsciencelabs/statistika_dasar/_book/Ukuran_Penyebaran_Data.html

---
title: "Tugas Pertemuan 11"
subtitle: "Statistika Dasar"
author: "JOANS HENKY SERVATIUS SIMANULLANG"
date:  "`r format(Sys.Date(), '%B %d, %Y')`"
output:

  rmdformats::readthedown:   # https://github.com/juba/rmdformats
    self_contained: true
    thumbnails: true
    lightbox: true
    gallery: true
    lib_dir: libs
    df_print: "paged"
    code_folding: "show"
    code_download: yes
    css: "style.css"
---

<img src="img/foto.jpeg" alt="Logo" style="width:300px; display: block; margin: auto;"/>


# Latihan 1

Sebuah perusahaan ingin memahami karakteristik penyebaran data hasil penjualan dari empat cabang (A, B, C, dan D) selama satu bulan terakhir. Data penjualan (dalam juta rupiah) dari keempat cabang tersebut adalah sebagai berikut:

- Cabang A: 50, 55, 60, 65, 70
- Cabang B: 40, 50, 60, 70, 80
- Cabang C: 30, 30, 35, 40, 45
- Cabang D: 70, 75, 80, 85, 90

1. Hitunglah rata-rata, median, dan standar deviasi untuk masing-masing cabang.
2. Cabang mana yang memiliki penyebaran data paling kecil? Jelaskan alasannya.
3. Jika target penjualan minimum adalah 50 juta rupiah, cabang mana saja yang gagal mencapai target di semua datanya?
4. Buatlah diagram kotak (box plot) untuk memvisualisasikan penyebaran data setiap cabang.
5. Jika Anda adalah manajer perusahaan, bagaimana Anda akan menggunakan informasi ini untuk merencanakan strategi peningkatan penjualan?

## 1.1 Hitunglah rata-rata, median, dan standar deviasi untuk masing-masing cabang.

### 1.1.1 Cabang A
\[
\text{Cabang A: } 50, 55, 60, 65, 70
\]

#### 1.1.1.1 Menghitung Rata-rata (Mean):
Rumus:
\[
\text{Rata-rata} = \frac{\text{Jumlah semua nilai}}{\text{Jumlah data}}
\]

Langkah-langkah:
\[
\text{Rata-rata Cabang A} = \frac{50 + 55 + 60 + 65 + 70}{5} = \frac{300}{5} = 60
\]

**Hasil:**
\[
\text{Rata-rata Cabang A} = 60
\]

---

#### 1.1.1.2 Menghitung Median:
Data diurutkan: **50, 55, 60, 65, 70**

**Didapat jumlah data (n) = 5**

**Jumlah data ganjil, maka posisi nilai tengahnya dicari menggunakan rumus:**
\[
\text{Posisi Median} = \frac{n}{2} + 1
\]

**Maka:**
\[
\text{Posisi Median} = \frac{5+1}{2} = 3
\]

**Jadi Data ke 3:**
\[
\text{Median Cabang A} = 60
\]

---

#### 1.1.1.3 Menghitung Standar Deviasi:
**Rumus:**
\[
s = \sqrt{\frac{\sum (x_i - \bar{x})^2}{n-1}}
\]

Dimana:

- \(x_i\) = semua data yang akan dihitung
- \(\bar{X}\) = Mean (rata-rata)
- n = jumlah data

**Maka**
\[
s = \sqrt{\frac{(50 - 60)^2 + (55 - 60)^2 + (60 - 60)^2 + (65 - 60)^2 + (70 - 60)^2}{5-1}}
\]
\[
s = \sqrt{\frac{100 + 25 + 0 + 25 + 100}{4}}
\]
\[
s = \sqrt{\frac{250}{4}}
\]
\[
s = \sqrt{62.5} = 7.91
\]

**Hasil:**
\[
\text{Standar Deviasi Cabang A} = 7.91
\]

---

### 1.1.2 Cabang B
\[
\text{Cabang B: } 40, 50, 60, 70, 80
\]

#### 1.1.2.1 Menghitung Rata-rata (Mean):
Rumus:
\[
\text{Rata-rata} = \frac{\text{Jumlah semua nilai}}{\text{Jumlah data}}
\]

Langkah-langkah:
\[
\text{Rata-rata Cabang B} = \frac{40 + 50 + 60 + 70 + 80}{5} = \frac{300}{5} = 60
\]

**Hasil:**
\[
\text{Rata-rata Cabang B} = 60
\]

---

#### 1.1.2.2 Menghitung Median:
Data diurutkan: **40, 50, 60, 70, 80**

**Jumlah data (n) = 5**  
**Jumlah data ganjil, maka posisi nilai tengah:**
\[
\text{Posisi Median} = \frac{n+1}{2} = \frac{5+1}{2} = 3
\]

**Data ke-3:**
\[
\text{Median Cabang B} = 60
\]

---

#### 1.1.2.3 Menghitung Standar Deviasi:
Rumus:
\[
s = \sqrt{\frac{\sum (x_i - \bar{x})^2}{n-1}}
\]

Langkah-langkah:
\[
s = \sqrt{\frac{(40-60)^2 + (50-60)^2 + (60-60)^2 + (70-60)^2 + (80-60)^2}{5-1}}
\]
\[
s = \sqrt{\frac{400 + 100 + 0 + 100 + 400}{4}}
\]
\[
s = \sqrt{\frac{1000}{4}}
\]
\[
s = \sqrt{250} = 15.81
\]

**Hasil:**
\[
\text{Standar Deviasi Cabang B} = 15.81
\]

---

### 1.1.3 Cabang C
\[
\text{Cabang C: } 30, 30, 35, 40, 45
\]

#### 1.1.3.1 Menghitung Rata-rata (Mean):
Rumus:
\[
\text{Rata-rata} = \frac{\text{Jumlah semua nilai}}{\text{Jumlah data}}
\]

Langkah-langkah:
\[
\text{Rata-rata Cabang C} = \frac{30 + 30 + 35 + 40 + 45}{5} = \frac{180}{5} = 36
\]

**Hasil:**
\[
\text{Rata-rata Cabang C} = 36
\]

---

#### 1.1.3.2 Menghitung Median:
Data diurutkan: **30, 30, 35, 40, 45**

**Jumlah data (n) = 5**  
**Jumlah data ganjil, maka posisi nilai tengah:**
\[
\text{Posisi Median} = \frac{n+1}{2} = \frac{5+1}{2} = 3
\]

**Data ke-3:**
\[
\text{Median Cabang C} = 35
\]

---

#### 1.1.3.3 Menghitung Standar Deviasi:
Rumus:
\[
s = \sqrt{\frac{\sum (x_i - \bar{x})^2}{n-1}}
\]

Langkah-langkah:
\[
s = \sqrt{\frac{(30-36)^2 + (30-36)^2 + (35-36)^2 + (40-36)^2 + (45-36)^2}{5-1}}
\]
\[
s = \sqrt{\frac{36 + 36 + 1 + 16 + 81}{4}}
\]
\[
s = \sqrt{\frac{170}{4}}
\]
\[
s = \sqrt{42.5} = 6.52
\]

**Hasil:**
\[
\text{Standar Deviasi Cabang C} = 6.52
\]

---

### 1.1.4 Cabang D
\[
\text{Cabang D: } 70, 75, 80, 85, 90
\]

#### 1.1.4.1 Menghitung Rata-rata (Mean):
Rumus:
\[
\text{Rata-rata} = \frac{\text{Jumlah semua nilai}}{\text{Jumlah data}}
\]

Langkah-langkah:
\[
\text{Rata-rata Cabang D} = \frac{70 + 75 + 80 + 85 + 90}{5} = \frac{400}{5} = 80
\]

**Hasil:**
\[
\text{Rata-rata Cabang D} = 80
\]

---

#### 1.1.4.2 Menghitung Median:
Data diurutkan: **70, 75, 80, 85, 90**

**Jumlah data (n) = 5**  
**Jumlah data ganjil, maka posisi nilai tengah:**
\[
\text{Posisi Median} = \frac{n+1}{2} = \frac{5+1}{2} = 3
\]

**Data ke-3:**
\[
\text{Median Cabang D} = 80
\]

---

#### 1.1.4.3 Menghitung Standar Deviasi:
Rumus:
\[
s = \sqrt{\frac{\sum (x_i - \bar{x})^2}{n-1}}
\]

Langkah-langkah:
\[
s = \sqrt{\frac{(70-80)^2 + (75-80)^2 + (80-80)^2 + (85-80)^2 + (90-80)^2}{5-1}}
\]
\[
s = \sqrt{\frac{100 + 25 + 0 + 25 + 100}{4}}
\]
\[
s = \sqrt{\frac{250}{4}}
\]
\[
s = \sqrt{62.5} = 7.91
\]

**Hasil:**
\[
\text{Standar Deviasi Cabang D} = 7.91
\]

---

**Jika Semuanya Disusun Ke Dalam Bentuk Tabel:**

| Cabang | Rata-rata | Median	| Standar Deviasi |
|--------|-----------|--------|-----------------|
| Cabang A | 60	| 60 | 7.91 |
| Cabang B | 60	| 60 | 15.81 |
| Cabang C | 36	| 35 | 6.52 |
| Cabang D | 80 | 80 | 7.91 |

---

## 1.2 Cabang mana yang memiliki penyebaran data paling kecil? Jelaskan alasannya.

**Penyebaran data** diukur dengan **standar deviasi (\(s\))**. Berikut adalah standar deviasi masing-masing cabang:

- **Cabang A**: \(s = 7.91\)  
- **Cabang B**: \(s = 15.81\)  
- **Cabang C**: \(s = 6.52\)  
- **Cabang D**: \(s = 7.91\)  

### 1.2.1 Jawaban: Cabang C 
- Cabang C memiliki **standar deviasi terkecil** sebesar \(6.52\), yang menunjukkan bahwa data penjualan di Cabang C lebih **terkonsentrasi atau homogen** dibandingkan dengan cabang lainnya.  
- Penyebaran data yang kecil mengindikasikan bahwa nilai penjualan di Cabang C lebih stabil dan mendekati rata-rata (\(\bar{X} = 36\)).

### 1.2.2 Penjelasan  
Standar deviasi mengukur rata-rata jarak setiap data terhadap rata-rata. Semakin kecil nilai \(s\), semakin kecil variasi antara nilai data, dan semakin seragam data tersebut. Cabang C memiliki penyebaran data yang lebih kecil karena seluruh nilai penjualan mendekati rata-rata, dengan rentang data yang sempit (30 hingga 45).

---

## 1.3 Cabang Mana yang Gagal Mencapai Target Penjualan?

**Target penjualan minimum:** 50 juta rupiah.

### 1.3.1 Data Penjualan Tiap Cabang:
- **Cabang A**: \(50, 55, 60, 65, 70\)  
- **Cabang B**: \(40, 50, 60, 70, 80\)  
- **Cabang C**: \(30, 30, 35, 40, 45\)  
- **Cabang D**: \(70, 75, 80, 85, 90\)  

### 1.3.2 Analisis:
Untuk setiap cabang, kita periksa apakah ada nilai yang kurang dari 50 juta rupiah:

1. **Cabang A**: Semua data \((50, 55, 60, 65, 70)\) mencapai target.  
   **Kesimpulan:** Tidak ada data yang gagal.  

2. **Cabang B**: Ada satu data yang gagal mencapai target, yaitu \(40\).  
   **Kesimpulan:** Gagal di satu data (\(40\)).  

3. **Cabang C**: Semua data \((30, 30, 35, 40, 45)\) gagal mencapai target.  
   **Kesimpulan:** Gagal di semua data.  

4. **Cabang D**: Semua data \((70, 75, 80, 85, 90)\) mencapai target.  
   **Kesimpulan:** Tidak ada data yang gagal.  

### 1.3.3 Jawaban Akhir:
- **Cabang B** memiliki 1 data yang gagal mencapai target.  
- **Cabang C** gagal mencapai target di **semua data**.  

---

## 1.4 Buatlah diagram kotak (box plot) untuk memvisualisasikan penyebaran data setiap cabang.

### 1.4.1 Visualisasi data

```{r, echo=FALSE, message=FALSE, warning=FALSE}
# Data penjualan setiap cabang
penjualan <- list(
  "Cabang A" = c(50, 55, 60, 65, 70),
  "Cabang B" = c(40, 50, 60, 70, 80),
  "Cabang C" = c(30, 30, 35, 40, 45),
  "Cabang D" = c(70, 75, 80, 85, 90)
)

# Membuat box plot
boxplot(
  penjualan,
  col = c("#FFB6C1", "#ADD8E6", "#90EE90", "#FFDAB9"),
  main = "Diagram Kotak (Box Plot) Penjualan Tiap Cabang",
  xlab = "Cabang",
  ylab = "Penjualan (Juta Rupiah)",
  border = "darkblue",
  notch = FALSE
)

# Menambahkan grid untuk kejelasan
grid(nx = NA, ny = NULL, lty = "dashed", col = "gray", lwd = 0.5)

```

---

## 1.5 Strategi Peningkatan Penjualan Berdasarkan Analisis Data

Sebagai manajer perusahaan, informasi ini dapat digunakan untuk menyusun strategi peningkatan penjualan dengan langkah-langkah berikut:

### 1.5.1 Fokus pada Cabang C
- **Analisis:** Cabang C memiliki rata-rata penjualan terendah (\(\bar{X} = 36\)) dan gagal mencapai target penjualan minimum \(50\) juta rupiah di semua datanya.
- **Strategi:**
  - Tinjau faktor-faktor yang menyebabkan rendahnya penjualan, seperti lokasi, daya beli pelanggan, atau strategi pemasaran.
  - Tingkatkan promosi dan diskon khusus di area Cabang C.
  - Adakan pelatihan untuk meningkatkan kinerja tim penjualan.

### 1.5.2 Optimalkan Kinerja Cabang B
- **Analisis:** Cabang B memiliki penyebaran data terbesar (\(s = 15.81\)), menunjukkan variasi yang tinggi dalam penjualan.
- **Strategi:**
  - Fokus pada stabilisasi penjualan dengan pendekatan yang konsisten terhadap pelanggan.
  - Tingkatkan efisiensi distribusi dan layanan untuk mendorong penjualan secara merata.

### 1.5.3 Mempertahankan Performa Cabang A dan D
- **Analisis:** Cabang A dan D menunjukkan performa stabil dengan standar deviasi rendah (\(s = 7.91\)), dan tidak ada data yang gagal mencapai target.
- **Strategi:**
  - Lanjutkan praktik terbaik yang telah diterapkan di kedua cabang.
  - Jadikan Cabang A dan D sebagai model bagi cabang lain dengan berbagi strategi sukses mereka.

### 1.5.4 Tinjauan Data Secara Berkala
- Buat laporan bulanan untuk memantau perkembangan setiap cabang.
- Implementasikan teknologi analitik untuk memprediksi tren penjualan dan menyesuaikan strategi dengan kebutuhan pasar.

### 1.5.5 Diversifikasi Produk dan Layanan
- Tambahkan variasi produk yang sesuai dengan preferensi lokal untuk meningkatkan daya tarik di cabang dengan performa rendah.
- Evaluasi respons pasar terhadap produk baru melalui survei pelanggan dan uji coba terbatas.

### 1.5.6 Kesimpulan:
Dengan memanfaatkan informasi statistik seperti rata-rata, median, dan standar deviasi, perusahaan dapat memahami kinerja masing-masing cabang secara mendalam dan mengimplementasikan strategi yang spesifik untuk meningkatkan total penjualan secara keseluruhan.

---

# Latihan 2

Perusahaan XYZ mengelola pengiriman barang ke berbagai wilayah dengan menggunakan berbagai jenis transportasi. Setiap pengiriman melibatkan biaya transportasi, waktu yang dibutuhkan, dan jumlah barang yang dikirim. Berikut adalah data terkait pengiriman barang berdasarkan wilayah dan jenis barang:

| Wilayah | Jenis Barang | Jumlah Barang (unit) | Waktu Pengiriman (jam) | Biaya per Unit (Rp) |
|----------|--------------|----------------------|------------------------|---------------------|
| Utara | Elektronik | 200 | 5 | 15000 |
| Selatan | Pakaian | 150 | 8 | 8000 |
| Timur | Makanan | 180 | 6 | 10000 |
| Barat | Peralatan | 120 | 7 | 12000 |
| Tengah | Elektronik | 250 | 4 | 14000 |
| Utara | Pakaian | 300 | 9 | 8500 |
| Selatan | Makanan | 220 | 7 | 9500 |
| Timur | Peralatan | 140 | 5 | 11000 |
| Barat | Elektronik | 180 | 6 | 14500 |
| Tengah | Pakaian | 350 | 8 | 7800 |
| Utara | Peralatan | 170 | 4 |12000 |
| Selatan | Elektronik | 250 | 6 | 16000 |
| Timur | Pakaian | 190 | 7 | 8200 |
| Barat | Makanan | 130 | 5 | 10500 |
| Tengah | Peralatan | 180 | 5 | 11500 |

1. Analisis Efisiensi Pengiriman:
  - Visualisasikan pengiriman barang berdasarkan jumlah barang, waktu pengiriman, dan biaya per unit dengan menggunakan plot 3D.
  - Tentukan wilayah mana yang memiliki efisiensi pengiriman terendah berdasarkan biaya per unit dan waktu pengiriman.
 
2. Rekomendasi Operasional:
  - Berdasarkan hasil analisis, wilayah mana yang memerlukan perhatian khusus untuk meningkatkan efisiensi pengiriman?
  - Apa rekomendasi untuk mengurangi biaya dan waktu pengiriman di wilayah tersebut?
  
## 2.1 Analisis Efisiensi Pengiriman:

### 2.1.1 Visualisasikan pengiriman barang berdasarkan jumlah barang, waktu pengiriman, dan biaya per unit dengan menggunakan plot 3D.

```{r, echo=FALSE, message=FALSE, warning=FALSE}
library(plotly)

# Data input
data <- data.frame(
  Wilayah = c("Utara", "Selatan", "Timur", "Barat", "Tengah", "Utara", "Selatan", "Timur", 
              "Barat", "Tengah", "Utara", "Selatan", "Timur", "Barat", "Tengah"),
  Jenis_Barang = c("Elektronik", "Pakaian", "Makanan", "Peralatan", "Elektronik", 
                   "Pakaian", "Makanan", "Peralatan", "Elektronik", "Pakaian", 
                   "Peralatan", "Elektronik", "Pakaian", "Makanan", "Peralatan"),
  Jumlah_Barang = c(200, 150, 180, 120, 250, 300, 220, 140, 180, 350, 170, 250, 190, 130, 180),
  Waktu_Pengiriman = c(5, 8, 6, 7, 4, 9, 7, 5, 6, 8, 4, 6, 7, 5, 5),
  Biaya_Per_Unit = c(15000, 8000, 10000, 12000, 14000, 8500, 9500, 11000, 14500, 7800, 
                     12000, 16000, 8200, 10500, 11500)
)

# Membuat plot 3D
plot <- plot_ly(
  data, 
  x = ~Jumlah_Barang, 
  y = ~Waktu_Pengiriman, 
  z = ~Biaya_Per_Unit, 
  color = ~Wilayah, 
  colors = c("blue", "orange", "green", "purple", "red"), # Warna khusus per wilayah
  text = ~paste("Jenis Barang:", Jenis_Barang), # Label interaktif
  type = "scatter3d", 
  mode = "markers"
)

# Menambahkan tata letak plot
plot <- plot %>% layout(
  title = "Analisis 3D Efisiensi Pengiriman Barang",
  scene = list(
    xaxis = list(title = "Jumlah Barang (unit)"),
    yaxis = list(title = "Waktu Pengiriman (jam)"),
    zaxis = list(title = "Biaya per Unit (Rp)"),
    camera = list(
      eye = list(x = 1.5, y = 1.5, z = 0.5) # Sudut pandang kamera
    )
  ),
  legend = list(title = list(text = "Wilayah"), orientation = "v") # Pengaturan legenda
)

# Menampilkan plot
plot

```

### 2.1.2 Tentukan wilayah mana yang memiliki efisiensi pengiriman terendah berdasarkan biaya per unit dan waktu pengiriman.

#### 2.1.2.1 Cara Manual
**Rumus:**
\[
\text{Efiensi} = \frac{\text{Biaya per Unit}}{\text{Waktu Pengiriman}}
\]
**Note:**
Wilayah dengan efisiensi tertinggi (nilai terbesar) dianggap memiliki efisiensi pengiriman terendah karena biaya lebih mahal per satuan waktu.

**Contoh Perhitungan:**
- Baris 1 (Wilayah Utara):
\[
\text{Efiensi} = \frac{15,000}{5} = 3,000
\]
- Baris 2 (Wilayah Selatan):
\[
\text{Efiensi} = \frac{8,000}{8} = 1,000
\]
- Baris 3 (Wilayah Timur):
\[
\text{Efiensi} = \frac{10,000}{6} = 1,667
\]
- Lakukan langkah yang sama untuk semua baris.

| Wilayah |	Biaya per Unit (Rp) |	Waktu Pengiriman (jam) |	Efisiensi (\(\frac{\text{Biaya per Unit}}{\text{Waktu Pengiriman}} \)) | 
|-------------|-------------------------|----------------------------|---------------------------------------------|
| Utara       | 15,000                 | 5                          | 3,000                                       |
| Selatan     | 8,000                  | 8                          | 1,000                                       |
| Timur       | 10,000                 | 6                          | 1,667                                       |
| Barat       | 12,000                 | 7                          | 1,714                                       |
| Tengah      | 14,000                 | 4                          | 3,500                                       |
| Utara       | 8,500                  | 9                          | 944                                         |
| Selatan     | 9,500                  | 7                          | 1,357                                       |
| Timur       | 11,000                 | 5                          | 2,200                                       |
| Barat       | 14,500                 | 6                          | 2,417                                       |
| Tengah      | 7,800                  | 8                          | 975                                         |
| Utara       | 12,000                 | 4                          | 3,000                                       |
| Selatan     | 16,000                 | 6                          | 2,667                                       |
| Timur       | 8,200                  | 7                          | 1,171                                       |
| Barat       | 10,500                 | 5                          | 2,100                                       |
| Tengah      | 11,500                 | 5                          | 2,300                                       |

##### 2.1.2.1.1 Hasil Analisis
**Wilayah dengan efisiensi pengiriman terendah adalah:**

- **Wilayah:** Tengah
- **Biaya per Unit:** Rp14.000
- **Waktu Pengiriman:** 4 jam
- **Efisiensi:** 3,500 (tertinggi, sehingga paling tidak efisien)

#### 2.1.2.2 Cara Dengan Pyhton

```{r, echo=FALSE, message=FALSE, warning=FALSE}
# Tambahkan library knitr

library(knitr)


# Tambahkan kolom Efisiensi
data$Efisiensi <- data$Biaya_Per_Unit / data$Waktu_Pengiriman

# Tampilkan tabel data dalam bentuk tabel rapi
kable(data, caption = "Tabel Data dengan Kolom Efisiensi")

# Cari data dengan efisiensi terendah
lowest_efficiency <- data[which.min(data$Efisiensi), ]

# Tampilkan data dengan efisiensi terendah dalam bentuk tabel
kable(lowest_efficiency, caption = "Data dengan Efisiensi Terendah")

```

##### 2.1.2.2.2 Hasil Analisis
**Hasil dari kode di atas akan menunjukkan wilayah dengan efisiensi pengiriman terendah. Berdasarkan data:**

- **Wilayah:** Tengah
- **Jenis Barang:** Elektronik
- **Jumlah Barang:** 250 unit
- **Waktu Pengiriman:** 4 jam
- **Biaya per Unit:** Rp14.000
- **Tingkat Efisiensi:** 3,500 (tertinggi, berarti efisiensi terendah).

#### 2.1.2.3 Kesimpulan Wilayah dengan Efisiensi Terendah
Jadi Efisiensi Terendah bisa diketahui melaui cara manual dan Python yang menghasilkan hasil yang sama,Yaitu:

Efisiensi tertinggi (paling tidak efisien) adalah 3,500.

Wilayah dengan efisiensi terendah (paling tidak efisien) adalah:

- **Wilayah:** Tengah
- **Jenis Barang:** Elektronik
- **Jumlah Barang:** 250 unit
- **Waktu Pengiriman:** 4 jam
- **Biaya per Unit:** Rp14.000
- **Tingkat Efisiensi:** 3,500 (tertinggi, berarti efisiensi terendah).

## 2.2 Rekomendasi Operasional:

### 2.2.1 Berdasarkan hasil analisis, wilayah mana yang memerlukan perhatian khusus untuk meningkatkan efisiensi pengiriman?
Berdasarkan hasil analisis, wilayah yang memerlukan perhatian khusus untuk meningkatkan efisiensi pengiriman adalah Wilayah Tengah. Wilayah ini memiliki efisiensi pengiriman terendah dengan nilai 3,500 yang menunjukkan bahwa biaya per unit untuk pengiriman di wilayah ini sangat tinggi dibandingkan dengan waktu yang dibutuhkan.

### 2.2.2 Apa rekomendasi untuk mengurangi biaya dan waktu pengiriman di wilayah tersebut?

#### 2.2.2.1 Rekomendasi Operasional untuk Wilayah Tengah
1. Optimasi Rute Pengiriman

- Evaluasi kembali rute pengiriman: Identifikasi dan evaluasi rute yang digunakan untuk pengiriman barang di wilayah Tengah. Hal ini bisa mencakup pengecekan apakah ada jalan yang kurang optimal atau macet, sehingga menambah waktu pengiriman.
- Gunakan sistem rute cerdas: Implementasikan teknologi seperti GPS tracking dan sistem manajemen pengiriman berbasis data untuk mencari rute yang lebih efisien. Sistem ini bisa mengurangi waktu tempuh dan meningkatkan efisiensi pengiriman.

2. Negosiasi Biaya Transportasi

- Tinjau kontrak transportasi: Wilayah Tengah memiliki biaya per unit yang cukup tinggi, yaitu Rp 14.000. Sebaiknya melakukan negosiasi dengan penyedia jasa transportasi untuk mendapatkan tarif lebih rendah atau menggunakan alternatif moda transportasi yang lebih murah, seperti kereta api atau transportasi laut untuk jarak jauh.
- Pertimbangkan penggunaan kendaraan yang lebih besar: Jika memungkinkan, gunakan kendaraan dengan kapasitas lebih besar untuk mengurangi biaya per unit barang yang diangkut.

3. Pengelompokan Pengiriman

- Gabungkan pengiriman barang: Mengingat jumlah barang yang dikirim cukup besar (misalnya 250 unit elektronik dan 350 unit pakaian), menggabungkan pengiriman untuk mengurangi frekuensi pengiriman dan memaksimalkan kapasitas kendaraan dapat mengurangi biaya operasional.
- Optimalisasi pengiriman berdasarkan volume barang: Jika memungkinkan, kirimkan barang dalam jumlah besar ke wilayah yang sama atau berdekatan untuk memaksimalkan penggunaan armada transportasi.

4. Evaluasi Waktu Pengiriman

- Kurangi waktu pengiriman dengan mencari alternatif pengiriman yang lebih cepat atau efisien, misalnya menggunakan transportasi darat yang lebih cepat untuk pengiriman jarak dekat dan transportasi udara untuk pengiriman jarak jauh.
- Pertimbangkan pengiriman lebih awal: Dengan mempertimbangkan proses distribusi yang lebih awal, pengiriman yang lebih cepat bisa lebih efisien. Ini akan mengurangi kemungkinan keterlambatan dan meningkatkan pengelolaan waktu.

5. Penggunaan Teknologi dan Data

- Implementasi IoT dan data real-time: Dengan memanfaatkan teknologi Internet of Things (IoT) pada kendaraan pengiriman dan memantau data pengiriman secara real-time, dapat diidentifikasi dan diatasi hambatan-hambatan yang terjadi selama pengiriman.
- Analisis data untuk pola pengiriman: Dengan menganalisis data pengiriman, perusahaan bisa mengetahui pola waktu pengiriman yang lebih lambat dan lebih mahal, serta mengidentifikasi faktor yang memperburuk efisiensi.

#### 2.2.2.2 Tindakan Langkah Berikutnya
- Audit Pengiriman: Lakukan audit secara berkala terhadap biaya dan waktu pengiriman di wilayah Tengah.
- Pelatihan Pengemudi dan Pekerja: Pelatihan untuk pengemudi dan pekerja logistik untuk memaksimalkan efisiensi dalam pemuatan barang dan penggunaan jalur transportasi yang optimal.

#### 2.2.2.3 Harapan
Dengan menerapkan langkah-langkah ini, diharapkan biaya per unit di wilayah Tengah dapat diturunkan, serta waktu pengiriman dapat lebih singkat, sehingga meningkatkan efisiensi keseluruhan.

# Referensi
https://bookdown.org/dsciencelabs/statistika_dasar/_book/Ukuran_Penyebaran_Data.html