Kelompok 5
Ujian Tengah Semester Statistika
SOAL 1
1.1 Definisi dan Konsep Utama
- Tuliskan definisi statistika. Jelaskan perbedaan antara statistika deskriptif dan statistika inferensial.
- Apa saja jenis data yang digunakan dalam statistika? Jelaskan perbedaan data numerik dan kategorik disertai contohnya.
Jawaban :
Statistika adalah ilmu yang mempelajari tentang data. Statistika secara umum adalah ilmu yang mempelajari bagaimana merencanakan, mengumpulkan, menganalisis, menginterpretasi, dan mempresentasikan sebuah data.
- Statistika Deskriptif : Statistika deskrtiptif adalah cara untuk mengatur dan mereprensetasikan, dan mendeskripsikan kumpulan menggunakan tabel, grafik dan parameter numerik lainnya.
Istilah statistika desktiptif :
Mean (Nilai Rata - rata)
Median (Nilai Tengah)
Modus (Nilai yang sering muncul)
Standar Deviasi (Rata - rata kuadrat dari selisih nilai Mean)
Korelasi (keeratan hubungan dari variabel numerik)
Variance (Nilai variasi suatu data)
Statistika deskriptif penting untuk melihat pattern data yang penggunaannya diaplikasikan untuk sampel data yang sedang dipelajari, tidak bisa digunakan untuk menagmbil kesimpulan tentang suatu populasi.
- Statistika Inferensial Statistika Inferensial digunakan untuk menarik kesimpulan terhadap karakteristik sebuah populasi dengan memanfaatkan informasi yang diperoleh dari sampel statistika deskriptif. Kesimpulan tersebut tergantung pada data yang bervariasi seperti :
- Linear Regression Analysis : untuk mengetahui besarnya hubungan dependent dan independent.
- Logistic Regression Analysis : untuk mengetahui konteks peluang
- Hypothesis Testing : untuk menarik kesimpulan dari dua dugaan yang bertolak belakang.
- Confidence Interfal : Estimasi nilai dari parameter populasi.
Contoh :
Kamu sedang bermain di pameran tentang AI dan memutuskan untuk survey 50 orang. Survey tersebut tujuannya untuk mengetahui apakah mereka suka menggunakan AI atau tidak, misal 25 orang bilang “Ya, saya suka menggunakan AI untuk keperluan ini dan lain sebagainya” dan 25 orang lagi bilang “tidak, karena dapat mengganggu kecerdasan kita sebagai manusia”
1.2 Ukuran Pemusatan dan Penyebaran
Jelaskan dengan singkat:
- Mean (Rata-rata): Kapan penggunaan mean menjadi kurang tepat?
- Median: Mengapa median sering digunakan untuk data dengan outlier?
- Modus: Kapan ukuran ini lebih relevan daripada mean atau median?
- Standar Deviasi: Apa arti dari nilai standar deviasi kecil atau besar dalam sebuah dataset?
Jawaban :
Mean atau rata-rata kurang tepat digunakan dalam ukuran pemusatan data ketika data memiliki distribusi yang asimetris, memiliki outlier, atau data kategoris.
Median sering digunakan untuk data dengan outlier karena median tidak terpengaruh oleh nilai-nilai ekstrem dalam data. Median merupakan ukuran kecenderungan sentral yang lebih disukai untuk data yang miring atau memiliki outlier.
Modus lebih relevan daripada mean atau median ketika data yang digunakan adalah data kualitatif atau data yang memiliki banyak nilai yang sering muncul.
Nilai standar deviasi (SD) yang kecil berarti data cenderung berkumpul di sekitar nilai rata-rata, sedangkan nilai SD yang besar berarti data cenderung tersebar lebih luas.
1.3 Visualisasi Data
Sebutkan tiga jenis grafik atau diagram yang biasa digunakan dalam statistika dasar (misalnya histogram, boxplot, atau diagram batang). Jelaskan tujuan masing-masing.
Jawaban :
1.3.1 Histogram
Tujuannya menampilkan distribusi frekuensi data numerik. Histogram juga digunakan untuk memahami bagaimana data tersebar, mengidentifikasi pola distribusi misalnya normal, miring ke kanan/kiri, serta mendeteksi keberadaan outlier. Data dikelompokkan dalam interval bin, dan tinggi batang menunjukkan jumlah data dalam setiap interval.
1.3.2 Boxplot
Tujuan Boxplot untuk meringkas data numerik dengan menunjukkan persebaran, median, serta potensi outlier. Boxplot membantu membandingkan distribusi data antar kelompok, menampilkan kuartil yaitu Q1, median, Q3, serta memperlihatkan apakah ada data yang jauh dari nilai normal atau outlier.
| Df | Sum Sq | Mean Sq | F value | Pr(>F) | |
|---|---|---|---|---|---|
| Kategori.Produk | 2 | 27529762 | 13764881 | 1.493541 | 0.2262577 |
| Residuals | 297 | 2737232284 | 9216270 | NA | NA |
1.3.3 Diagram Batang
Tujuan Diagram batang untuk menampilkan kategori atau kelompok data secara visual, di mana panjang batang mencerminkan nilai frekuensi atau jumlah dalam setiap kategori. Cocok untuk data diskrit atau nominal.
| Kota | Total_Pendapatan |
|---|---|
| Bekasi | 6197910 |
| Bogor | 5871510 |
| Depok | 6643740 |
| Jakarta | 6442780 |
| Tangerang | 6250550 |
1.4. Analisis Korelasi
Apa yang dimaksud dengan korelasi dalam statistika? Jelaskan perbedaan antara korelasi positif, negatif, dan nol, serta berikan contohnya.
Jawaban :
Korelasi dalam statistika adalah teknik analisis data yang digunakan untuk mengetahui hubungan antara dua variabel. Korelasi dapat bersifat positif, negatif, atau nol.
Berikut perbedaan dari korelasi positif, negatif, dan nol, serta berikan contohnya:
1.4.1 Korelasi positif
Korelasi positif adalah hubungan antara dua variabel ketika kedua variabel itu bergerak dalam arah yang sama. Oleh karenanya, satu variabel meningkat jika variabel lainnya meningkat, atau satu variabel menurun sementara yang lainnya juga menurun.
- Kedua variabel berubah ke arah yang sama
- Jika salah satu variabel meningkat, maka variabel lainnya juga meningkat
Contohnya, semakin banyak makan, maka berat badan akan semakin meningkat
1.4.2 Korelasi negatif
Korelasi negatif merupakan hubungan antara dua variabel, ketika peningkatan satu variabel dikaitkan dengan penurunan variabel lainnya.
- Kedua variabel berubah ke arah yang berlawanan
- Jika salah satu variabel meningkat, maka variabel lainnya menurun
Contohnya, semakin tinggi kita mendaki gunung, maka suhu disana makin menurun
1.4.3 Korelasi nol Korelasi nol menunjukkan bahwa pola perubahan antara kedua variabel bersifat acak atau tidak terhubung. Artinya, peningkatan atau penurunan salah satu variabel tidak berkaitan dengan peningkatan atau penurunan variabel lainnya.
Contohnya, Banyaknya teh yang dikonsumsi dengan tingkat kecerdasan seseorang. jadi mau seseorang itu minum sedikit atau banyak teh itu tidak mempengaruhi kecerdasan karena minum teh tersebut.
Korelasi digambarkan dalam diagram sebaran. Semakin dekat korelasinya dengan 0, semakin lemah korelasinya. Semakin dekat korelasinya dengan +/-1, semakin kuat korelasinya.
1.5 Uji Hipotesis
- Jelaskan langkah-langkah utama dalam melakukan uji hipotesis, mulai dari merumuskan H0 dan H1, menetapkan tingkat signifikan (alpha), hingga menyimpulkan hasil.
- Mengapa uji hipotesis penting dalam analisis data?
Jawaban :
1.5.1 Langkah - langkah dalam melakukan uji hipotesis :
- Merumuskan Hipotesis Nol (\(H_0\)) dan Hipotesis Alternatif (\(H_1\)).
\(H_0\) : Hipotesis nol menyatakan tidak adanya efek atau perbedaan. Contoh “Rata rata berat produk 500 gram”.
\(H_1\) : Hipotesis alternatif menyatakan adanya efek atau perbedaan. Contoh “Rata rata berat produk tidak 500 gram”.
Menetapkan tingkat signifikansi (α). Tingkat signifikan adalah probabilitas maksimum untuk menolak \(H_0\) ketika \(H_0\) benar.
Mengumpulkan dan menganalisis data untuk mendapatkan data yang relevan.
Menentukan Distribusi uji dan nilai kritis
Membuat Keputusan
Menyampaikan Hasil
1.5.2 Mengapa uji hipotesis penting ?
Karena uji hipotesis dapat membantu mengambil keputusan yang objektif, mengurangi subjektivitas, mengukur ketidakpastian, memvalidasi model atau asumsi, serta memastikan keputusan relevan berbasis bukti data.
1.6 Penggunaan Software Statistika
Sebutkan beberapa perangkat lunak atau tools yang digunakan untuk analisis statistika (misalnya Excel, R, atau Python). Apa saja keunggulan dari salah satu software pilihan Anda?
Jawaban :
Beberapa perangkat lunak atau tools yang sering digunakan untuk analisis statistika adalah:
- Excel
- R
- Python
- MySQL
Keunggulan Software: R R adalah salah satu software yang sangat populer untuk analisis statistika. Berikut adalah kelebihannya:
Gratis dan Open Source R dapat digunakan secara gratis, dan siapa pun bisa mengembangkan serta berbagi paket tambahan untuk memperluas fungsinya.
Cocok untuk Berbagai Analisis Statistik R dirancang khusus untuk analisis data, sehingga memiliki banyak fungsi bawaan seperti regresi, uji hipotesis, dan analisis data yang kompleks.
Banyak Paket Tambahan R memiliki ribuan paket yang bisa digunakan untuk kebutuhan tertentu, seperti analisis data, membuat grafik, machine learning, dan lainnya.
Kemampuan Visualisasi yang Kuat R memiliki paket seperti ggplot2 untuk membuat grafik yang menarik, profesional, dan mudah disesuaikan.
Dukungan untuk Data Besar R dapat menangani data berukuran besar dan terhubung ke database menggunakan paket seperti dplyr atau data.table.
Komunitas yang Aktif R memiliki banyak pengguna di seluruh dunia yang sering berbagi ilmu, tutorial, dan solusi, sehingga Anda mudah mendapatkan bantuan jika mengalami kesulitan. seperti;
- R Project:: Situs resmi untuk R
- Twitter #rstats: Komunitas pengguna R di twitter
- R-Blogger: Situs blog dimana para penulis dapat memposting contoh kode, analisis data, visualisasi.dsb
1.7 Interpretasi Statistik
Berdasarkan suatu data, Anda mendapatkan mean = 75, median = 72, dan standar deviasi = 10. Interpretasikan hasil ini dan simpulkan tentang distribusi data.
Jawaban :
Berdasarkan Data, mean = 75, median = 72, dan standar deviasi = 10
Nilai Mean lebih besar dari median yang mengidentifikasi data bahwa distribusi data miring ke kanan, Hal ini terjadi jika terdapat nilai-nilai ekstrem yang lebih tinggi, sehingga menaikkan rata-rata. Lalu dengan SD = 10, data memiliki penyebaran yang cukup luas di sekitar mean. Sebagian besar data (sekitar 68%) berada dalam interval [65, 85] (mean ± 1 SD), sedangkan 95% data berada dalam interval [55, 95] (mean ± 2 SD). Hal ini menunjukkan bahwa data memiliki variasi yang cukup besar.
Lalu ada potensi outlier Karena standar deviasi cukup besar dan distribusi cenderung miring, kemungkinan terdapat nilai ekstrem (outlier), terutama pada nilai yang jauh di atas mean. Meskipun data mungkin berasal dari distribusi normal (sesuai asumsi), perbedaan antara mean dan median menunjukkan adanya sedikit penyimpangan dari simetri sempurna.
1.8 Contoh Kasus
Rumuskan ringkasan dari langkah-langkah statistik dasar berikut berdasarkan suatu kasus hipotetis:
- Deskripsi data (deskriptif).
- Menghitung korelasi antara dua variabel.
- Membuat uji hipotesis untuk membandingkan dua kelompok data.
Jawaban :
Jadi disini kita menggunakan data dari 8 siswa dari kelas yang berbeda.
| Siswa | Kelas A | Kelas B |
|---|---|---|
| 1 | 70 | 80 |
| 2 | 75 | 82 |
| 3 | 78 | 85 |
| 4 | 72 | 78 |
| 5 | 80 | 88 |
| 6 | 68 | 84 |
| 7 | 74 | 81 |
| 8 | 76 | 79 |
1.8.1 Deskripsi Data
- Kelas A
Mean :
\[ \frac{70 + 75 + 78 + 72 + 80 + 68 + 74 + 76}{8}=74.125 \]
Median : Untuk menemukan median jangan lupa untuk mengrutkan angkanya terlebih dahulu.
\[ 68, 70, 72, 74, 75, 76, 78, 80 \]
\[ =\frac{74 + 75}{2}=\frac{149}{2}=74.5 \]
- Kelas B
Mean :
\[ \frac{80 + 82 + 85 + 78 + 88 + 84 + 81 + 79}{8}=82.125 \]
Median : Untuk menemukan median jangan lupa untuk mengrutkan angkanya terlebih dahulu.
\[ 78, 79, 80, 81, 82, 84, 85, 88 \]
\[ =\frac{81 + 82}{2}=\frac{163}{2}=81.5 \]
1.8.2 Korelasi
Gunakan hubungan Jumlah Jam belajar(X) dengan Nilai Ujian(Y).
| Siswa | Jam Belajar(X) | Nilai Ujian(Y) |
|---|---|---|
| 1 | 2 | 70 |
| 2 | 4 | 75 |
| 3 | 5 | 78 |
| 4 | 3 | 72 |
| 5 | 6 | 80 |
| 6 | 1 | 68 |
| 7 | 4 | 74 |
| 8 | 5 | 76 |
Hitung Koefisien korelasi \(r\) dengan menggunakan rumus pearson:
\[ r=\frac{\sum(X - Xi)(Y - Yi)}{\sqrt\sum(X - Xi)^2\cdot(Y - Yi)^2} \]
Hitung Rata rata Mean X dan Y:
\(X=\) \(\frac{2+3+5+8+4+6+7+9}{8} = 5.5\)
\(Y=\) \(\frac{70+75+78+88+74+80+85+90}{8}=80\)
| Xi | Yi | Xi - X | Yi - Y | (Xi - X)(Yi - Y) | (Xi - X)^2 | (Yi - Y)^2 |
|---|---|---|---|---|---|---|
| 2 | 70 | -3.5 | -10 | 35.0 | 12.25 | 100 |
| 3 | 75 | -2.5 | -5 | 12.5 | 6.25 | 25 |
| 5 | 78 | -0.5 | -2 | 1.0 | 0.25 | 4 |
| 8 | 88 | 2.5 | 8 | 20.0 | 6.25 | 64 |
| 4 | 74 | -1.5 | -6 | 9.0 | 2.25 | 36 |
| 6 | 80 | 0.5 | 0 | 0.0 | 0.25 | 0 |
| 7 | 85 | 1.5 | 5 | 7.5 | 2.25 | 25 |
| 9 | 90 | 3.5 | 10 | 35.0 | 12.25 | 100 |
Hitung komponen rumus:
\(\sum(Xi - X)(Yi - Y) = 120.5\)
\(\sum(Xi - X) = 42\)
\(\sum(Yi - Y) = 354\)
Rumus Korelasi :
\[ r=\frac {\sum(Xi - X)(Yi - Y)}{\sqrt\sum(Xi - X) \cdot \sum(Yi - Y)} \]
\[ r=\frac{120.5}{42 \cdot 354}=\frac{120.5}{\sqrt14868}=\frac{120.5}{121.9}=0.99 \]
Nilai r = 0.99 menunjukkan bahwa hubungan sangat kuat dan positif antara waktu belajar dan nilai ujian.
1.8.3 Uji Hipotesis
- \(H_0\) : Tidak ada perbedaan rata rata
- \(H_1\) : Ada perbedaan rata rata
Data Kelas A dan B:
Kelas A: 70, 75, 78, 72, 80, 68, 74, 76 Mean : 74.125 Standar Deviasi : 4.02
Kelas B: 80, 82, 85, 78, 88, 84, 81, 79 Mean : 82.125 Standar Deviasi : 3.51
Rumus Uji t:
\[ t=\frac{Xa - Xb}{\sqrt\frac{sA^2}{nA} + \frac{sB^2}{nB}} \]
\(n A = n B = 8\)
\(s A^2 = 16.16\) \(s B^2 = 12.32\)
Hitung nilai t:
\[ t = \frac{74.125 - 82.125}{\sqrt\frac{16.16}{8} + \frac{12.32}{8}}= \frac{-8}{\sqrt{2.02 + 1.54}} = \frac{-9}{1.89} = -4.23 \]
Bandingkan nilai t dengan nilai kritis:
Dengan \(df = 14\) dan \(a = 0.05\), nilai kritis \(t0.025\) = \(2.145\)
Karena \(t = -4.23\) berada di luar \(-2.145\) hingga \(2.145\), tolak \(H_0\)
1.9 Kesimpulan Anda
Buatlah kesimpulan singkat tentang pentingnya statistika dalam analisis data. Bagaimana Anda dapat mengaplikasikan statistika dasar ini dalam pekerjaan atau kehidupan sehari-hari?
Statistika itu penting karena membantu kita memahami data dan mengambil keputusan yang lebih tepat. Dalam pekerjaan, misalnya, kita bisa memakainya untuk melihat apakah strategi pemasaran berhasil atau tidak. Dalam kehidupan sehari-hari, statistika bisa membantu kita mengatur keuangan, memilih investasi yang aman, atau mengevaluasi informasi yang kita dapat dari berita. Intinya, statistika membantu kita melihat pola, mencari tahu apa yang benar-benar berpengaruh, dan membuat keputusan yang lebih masuk akal.
1.10 Buatkan Mind Map
Buatlah Mind Map Terkait Rangkuman meteri tersebut diatas dalam bentuk Infografis.
SOAL 2
Deskripsi Kasus
Perusahaan FMCG Anda ingin memahami pola penjualan produk ABC di wilayah JABODETABEK selama 5 tahun terakhir untuk mengembangkan strategi pemasaran yang lebih efektif. Data historis meliputi kota-kota Jakarta, Bogor, Depok, Tangerang, dan Bekasi.
Data Penjualan ABC
Dataset Penjualan ABC terdiri dari 60 bulan (5 tahun), dengan informasi numerik dan kategorik berikut:
- Kota: Lokasi penjualan di JABODETABEK (Jakarta,
Bogor, Depok, Tangerang, Bekasi).
- Penjualan (unit): Total unit produk terjual per
bulan.
- Biaya Promosi ($): Anggaran promosi di wilayah
tersebut.
- Diskon (%): Besaran diskon yang diberikan untuk
produk.
- Rating Pelanggan (1-5): Penilaian pelanggan
berdasarkan survei.
- Jenis Outlet: Modern (supermarket, minimarket) atau
Tradisional (warung, pasar).
- Kategori Produk: Makanan, Minuman, atau Kesehatan.
Pertanyaan Analisis
2.1 Statistik Deskriptif
2.1.1 Hitung mean, median, dan standar deviasi untuk variabel Penjualan (unit), Biaya Promosi ($), dan Rating Pelanggan per tahun di setiap kota.
1. Menghitung Rata-rata (Mean):
Rumus: \[ \text{Rata-rata} = \frac{\text{Jumlah semua nilai}}{\text{Jumlah data}} \]
Menghitung Rata-rata Penjualan Kota Jakarta (2018)
Data Penjualan Kota Jakarta(2018):
\(10392, 11462, 9717, 12353, 10551, 9957, 10408, 14005, 6001, 11093, 10860, 8217\)
Langkah-langkah: 1. Hitung jumlah semua nilai:
\(10392+11462+9717+12353+10551+9957+10408+14005+6001+11093+10860+8217=125016\)
- Hitung jumlah data:
Jumlah Data = 12
- Masukkan ke rumus:
\[ \text{Rata-rata Penjualan Kota Jakarta (2018)} = \frac{125,016 }{12} = 10,418 \]
2. Menghitung Nilai Tengah (Median):
Rumus (Ganjil):
\[ \text{Median} = \text{Nilai Posisi Median} \]
Rumus (Genap):
\[ \text{Median} = \frac{\text{Nilai Posisi Median} = \frac{n}{2} + \frac{n}{2} + 1}{2} \]
Menghitung Median Penjualan Kota Jakarta (2018)
Data Penjualan Kota Jakarta(2018) yang diurutkan:
\(6001, 8217, 9717, 9957, 10392, 10408, 10551, 10860, 11093, 11462, 12353, 14005\)
Karena jumlah data (\(𝑛= 12\)) adalah genap, gunakan rumus untuk mecari posisi median:
\[ \text{Posisi Median} = \frac{n}{2} dan \frac{n}{2} + 1 \]
\[ \text{Posisi Median} = \frac{12}{2} dan \frac{12}{2} + 1 \]
\[ \text{Posisi Median} = \text{Data ke-6 dan Data ke-7} \]
\[ \text{Data ke-6} = 10408, \text{Data ke-7} = 10551 \]
\[ \text{Median} = \frac{10408 + 10551}{2} = 10479.5 \]
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
Menghitung Standar Deviasi Penjualan Kota Jakarta (2018)
Masukkan ke rumus: \[ s = \sqrt{\frac{(10,392 - 10,418)^2 + ... + (8217 - 10,418)^2}{12-1}} \] \[ s = \sqrt{\frac{676 + ... + 4844401}{11}} \] \[ s = \sqrt{\frac{43428396}{11}} \] \[ s = \sqrt{3948036} = 1986.967 \]
kode
| Bulan | Tahun | Kota | Penjualan..unit. | Biaya.Promosi…. | Diskon…. | Rating.Pelanggan..1.5. | Jenis.Outlet | Kategori.Produk |
|---|---|---|---|---|---|---|---|---|
| Jan | 2018 | Jakarta | 10392 | 1660 | 7.8 | 4.7 | Modern | Kesehatan |
| Jan | 2018 | Bogor | 11394 | 930 | 5.3 | 5.0 | Tradisional | Minuman |
| Jan | 2018 | Depok | 9400 | 2015 | 19.9 | 4.4 | Tradisional | Minuman |
| Jan | 2018 | Tangerang | 4475 | 1882 | 11.0 | 3.6 | Tradisional | Kesehatan |
| Jan | 2018 | Bekasi | 7211 | 1362 | 10.7 | 5.0 | Modern | Kesehatan |
| Feb | 2018 | Jakarta | 11462 | 2097 | 19.2 | 4.9 | Tradisional | Minuman |
| Tahun | Kota | Mean_Penjualan | Median_Penjualan | SD_Penjualan | Mean_Biaya_Promosi | Median_Biaya_Promosi | SD_Biaya_Promosi | Mean_Rating_Pelanggan | Median_Rating_Pelanggan | SD_Rating_Pelanggan |
|---|---|---|---|---|---|---|---|---|---|---|
| 2018 | Bekasi | 9879.500 | 10380.0 | 2544.250 | 1718.167 | 1775.5 | 537.0913 | 4.458333 | 4.40 | 0.3476109 |
| 2018 | Bogor | 9764.167 | 10426.5 | 3063.232 | 1825.083 | 1921.5 | 559.9608 | 4.566667 | 4.55 | 0.3845501 |
| 2018 | Depok | 10714.583 | 9933.0 | 2586.373 | 2095.667 | 2071.0 | 649.8728 | 4.366667 | 4.35 | 0.3915780 |
| 2018 | Jakarta | 10418.000 | 10479.5 | 1986.967 | 1830.333 | 1868.0 | 463.1566 | 4.333333 | 4.45 | 0.4119429 |
| 2018 | Tangerang | 9860.667 | 9677.5 | 3859.843 | 1743.333 | 1681.5 | 642.9125 | 4.283333 | 4.40 | 0.4174236 |
| 2019 | Bekasi | 10885.083 | 11717.0 | 3583.913 | 2068.500 | 2063.0 | 632.7093 | 4.266667 | 4.40 | 0.3601347 |
| 2019 | Bogor | 10041.333 | 9599.5 | 3978.840 | 1990.667 | 2107.0 | 441.7347 | 4.200000 | 4.30 | 0.4842989 |
| 2019 | Depok | 10971.333 | 10882.0 | 3130.024 | 1883.750 | 1939.0 | 667.7163 | 4.508333 | 4.65 | 0.4399552 |
| 2019 | Jakarta | 10941.500 | 11464.5 | 2638.243 | 1973.667 | 2010.5 | 769.6292 | 4.175000 | 4.10 | 0.4653933 |
| 2019 | Tangerang | 9528.500 | 8606.5 | 3429.793 | 2226.250 | 2259.5 | 571.9309 | 4.133333 | 4.10 | 0.3700942 |
| 2020 | Bekasi | 9750.917 | 8931.5 | 2577.822 | 1923.500 | 1828.5 | 662.9838 | 4.475000 | 4.50 | 0.3078518 |
| 2020 | Bogor | 9352.667 | 9044.5 | 2489.937 | 1869.417 | 1703.5 | 606.5144 | 4.241667 | 4.15 | 0.4420167 |
| 2020 | Depok | 11331.917 | 11281.5 | 2399.261 | 1811.917 | 1884.0 | 724.1741 | 4.325000 | 4.30 | 0.4864061 |
| 2020 | Jakarta | 9538.500 | 8613.0 | 2810.034 | 1763.000 | 1644.5 | 689.9200 | 4.300000 | 4.40 | 0.4221159 |
| 2020 | Tangerang | 10711.500 | 11723.0 | 3628.203 | 1784.500 | 1728.0 | 556.8836 | 4.291667 | 4.30 | 0.4122187 |
| 2021 | Bekasi | 9936.167 | 9461.0 | 3136.866 | 2032.833 | 2164.0 | 692.4594 | 4.466667 | 4.60 | 0.4075053 |
| 2021 | Bogor | 11139.000 | 10946.5 | 3095.703 | 1909.333 | 1643.0 | 697.0666 | 4.208333 | 4.20 | 0.4776045 |
| 2021 | Depok | 10258.083 | 9798.5 | 3399.080 | 1909.667 | 1817.0 | 594.8057 | 4.325000 | 4.45 | 0.5065480 |
| 2021 | Jakarta | 10381.750 | 9631.0 | 3217.596 | 1983.750 | 1802.0 | 705.5904 | 4.150000 | 4.15 | 0.3450955 |
| 2021 | Tangerang | 10573.250 | 11364.0 | 3474.513 | 1978.500 | 1811.0 | 765.5159 | 4.458333 | 4.70 | 0.5501377 |
| 2022 | Bekasi | 11197.583 | 11528.0 | 3066.397 | 1882.833 | 1771.0 | 777.0196 | 4.225000 | 4.20 | 0.4433857 |
| 2022 | Bogor | 8632.083 | 8368.5 | 2315.636 | 1876.833 | 1854.5 | 649.4290 | 4.308333 | 4.30 | 0.4679905 |
| 2022 | Depok | 12088.583 | 12610.5 | 2773.525 | 1988.750 | 2051.0 | 708.1890 | 4.125000 | 3.90 | 0.5189587 |
| 2022 | Jakarta | 12410.083 | 12797.0 | 2434.900 | 1689.417 | 1701.0 | 490.1544 | 4.075000 | 3.95 | 0.3671141 |
| 2022 | Tangerang | 11414.000 | 11725.0 | 3349.692 | 1880.417 | 1712.5 | 745.2412 | 4.358333 | 4.30 | 0.4166061 |
2.1.2 Identifikasi kota dengan pertumbuhan penjualan tertinggi dan terendah selama periode 5 tahun.
| Kota | Growth |
|---|---|
| Jakarta | 23905 |
| Kota | Growth |
|---|---|
| Bogor | -13585 |
Berdasarkan grafik, Jakarta menunjukkan pertumbuhan penjualan tertinggi selama 5 tahun, terutama karena lonjakan tajam dari tahun 2021 ke 2022 yang kemungkinan dipengaruhi oleh peningkatan strategi promosi, distribusi yang lebih baik, atau pemulihan ekonomi di wilayah tersebut. Sebaliknya, Bogor mencatat pertumbuhan terendah, dengan tren yang relatif stagnan atau menurun selama periode tersebut, yang mungkin disebabkan oleh kurangnya efektivitas promosi, distribusi yang terbatas, atau persaingan yang lebih ketat. Hal ini menunjukkan bahwa fokus peningkatan harus dilakukan di Bogor dengan memperkuat strategi pemasaran, memahami kebutuhan konsumen lokal, dan memperluas jangkauan distribusi produk.
2.2 Pola Tren dan Musiman
2.2.1 Analisis pola tren penjualan tahunan: apakah ada pola peningkatan atau penurunan signifikan?
| Tahun | Kota | Total_Penjualan |
|---|---|---|
| 2018 | Bekasi | 118554 |
| 2018 | Bogor | 117170 |
| 2018 | Depok | 128575 |
| 2018 | Jakarta | 125016 |
| 2018 | Tangerang | 118328 |
| 2019 | Bekasi | 130621 |
| 2019 | Bogor | 120496 |
| 2019 | Depok | 131656 |
| 2019 | Jakarta | 131298 |
| 2019 | Tangerang | 114342 |
| 2020 | Bekasi | 117011 |
| 2020 | Bogor | 112232 |
| 2020 | Depok | 135983 |
| 2020 | Jakarta | 114462 |
| 2020 | Tangerang | 128538 |
| 2021 | Bekasi | 119234 |
| 2021 | Bogor | 133668 |
| 2021 | Depok | 123097 |
| 2021 | Jakarta | 124581 |
| 2021 | Tangerang | 126879 |
| 2022 | Bekasi | 134371 |
| 2022 | Bogor | 103585 |
| 2022 | Depok | 145063 |
| 2022 | Jakarta | 148921 |
| 2022 | Tangerang | 136968 |
| Tahun | Total_Penjualan |
|---|---|
| 2018 | 607643 |
| 2019 | 628413 |
| 2020 | 608226 |
| 2021 | 627459 |
| 2022 | 668908 |
Grafik :
- Jakarta:
Penjualan mengalami lonjakan signifikan pada tahun 2021 hingga 2022, menunjukkan pertumbuhan yang sangat pesat.
Pola ini mencerminkan keberhasilan strategi yang diterapkan pada tahun tersebut, kemungkinan berupa promosi besar atau pemulihan ekonomi yang lebih kuat di Jakarta.
- Depok:
Penjualan stabil tinggi dari 2018 hingga 2019, kemudian menurun pada 2020, dan kembali meningkat setelah 2021.
Depok menunjukkan kinerja yang konsisten tetapi mengalami sedikit fluktuasi.
- Bekasi:
Penjualan cenderung stabil dari 2018 hingga 2021, diikuti oleh peningkatan moderat pada 2022.
Pola ini menunjukkan stabilitas pasar di Bekasi tanpa perubahan besar.
- Tangerang:
Penjualan sedikit menurun dari 2018 ke 2020, lalu mengalami peningkatan moderat mulai 2021. Ini mencerminkan adanya potensi pemulihan di pasar Tangerang.
- Bogor:
Penurunan tajam pada tahun 2022 setelah stabil di tahun-tahun sebelumnya, menjadikannya satu-satunya kota dengan tren negatif.
Penurunan ini mengindikasikan perlunya perhatian serius, seperti evaluasi distribusi, promosi, atau produk yang sesuai dengan pasar Bogor.
Kesimpulan: Jakarta menunjukkan pola pertumbuhan yang signifikan, sementara Bogor memiliki pola penurunan tajam yang membutuhkan strategi pemulihan. Kota lain menunjukkan fluktuasi ringan atau stabilitas yang dapat ditingkatkan melalui inovasi dan promosi tambahan.
2.2.2 Analisis musiman (seasonal): apakah ada bulan atau kuartal dengan peningkatan penjualan di semua kota?
| Bulan | Kota | Total_Penjualan |
|---|---|---|
| Jan | Bekasi | 41443 |
| Jan | Bogor | 40828 |
| Jan | Depok | 49508 |
| Jan | Jakarta | 53635 |
| Jan | Tangerang | 46373 |
| Feb | Bekasi | 50143 |
| Kuartal | Kota | Total_Penjualan |
|---|---|---|
| Q1 | Bekasi | 146853 |
| Q1 | Bogor | 129016 |
| Q1 | Depok | 151780 |
| Q1 | Jakarta | 160166 |
| Q1 | Tangerang | 148786 |
| Q2 | Bekasi | 154149 |
| Q2 | Bogor | 142462 |
| Q2 | Depok | 173164 |
| Q2 | Jakarta | 165947 |
| Q2 | Tangerang | 150072 |
| Q3 | Bekasi | 151221 |
| Q3 | Bogor | 148679 |
| Q3 | Depok | 162798 |
| Q3 | Jakarta | 141298 |
| Q3 | Tangerang | 161345 |
| Q4 | Bekasi | 167568 |
| Q4 | Bogor | 166994 |
| Q4 | Depok | 176632 |
| Q4 | Jakarta | 176867 |
| Q4 | Tangerang | 164852 |
Analisis musiman berdasarkan grafik penjualan per quartal:
Kuartal 1 (Q1): Penjualan di awal tahun cenderung lebih rendah atau stabil di sebagian besar kota, menunjukkan pola konsumsi yang lambat setelah periode akhir tahun, dengan Bogor mencatat penjualan paling rendah dibandingkan kota lainnya.
Kuartal 2 (Q2): Penjualan mulai meningkat di beberapa kota, terutama Depok yang mencapai puncaknya pada kuartal ini, kemungkinan dipengaruhi oleh momen tertentu seperti promosi pasca-Lebaran atau peningkatan aktivitas belanja pada periode ini.
Kuartal 3 (Q3): Sebagian besar kota, terutama Jakarta, mengalami penurunan penjualan, yang dapat disebabkan oleh jeda musiman, pengeluaran konsumen yang lebih rendah, atau faktor ekonomi lainnya yang memengaruhi daya beli.
Kuartal 4 (Q4): Semua kota menunjukkan peningkatan signifikan, dengan Jakarta dan Depok mengalami lonjakan yang paling tajam, menunjukkan potensi kuat dari periode ini, kemungkinan didorong oleh promosi akhir tahun, musim liburan, dan peningkatan konsumsi masyarakat.
Disini Kuartal 4 menjadi periode paling penting untuk memaksimalkan penjualan di semua kota, sementara kuartal lain memerlukan strategi khusus untuk menjaga stabilitas, terutama pada kuartal 3 yang cenderung mengalami penurunan.
2.3 Analisis Korelasi
2.3.1 Biaya Promosi ($) dan Penjualan (unit)
| Korelasi |
|---|
| -0.1083683 |
1. Korelasi Pearson
Rumus korelasi Pearson adalah sebagai berikut:
\[ r = \frac{\sum (X_i - \bar{X})(Y_i - \bar{Y})}{\sqrt{\sum (X_i - \bar{X})^2 \cdot \sum (Y_i - \bar{Y})^2}} \]
2. Data
Diberikan data:
| Biaya Promosi (\(X\)) | Penjualan (\(Y\)) |
|---|---|
| 1660 | 10392 |
| 930 | 11394 |
| 2015 | 9400 |
| 1882 | 4475 |
| 1362 | 7211 |
3. Langkah Perhitungan
- Hitung rata-rata \(\bar{X}\) dan \(\bar{Y}\):
\[ \bar{X} = \frac{1660 + 930 + 2015 + 1882 + 1362}{5} = 1569.8 \]
\[ \bar{Y} = \frac{10392 + 11394 + 9400 + 4475 + 7211}{5} = 8574.4 \]
- Hitung selisih tiap nilai terhadap rata-rata (\(X_i - \bar{X}\), \(Y_i - \bar{Y}\)):
\[ \Delta X = [90.2, -639.8, 445.2, 312.2, -207.8] \]
\[ \Delta Y = [1817.6, 2819.6, 825.6, -4099.4, -1363.4] \]
- Hitung perkalian selisih \((\Delta X)(\Delta Y)\):
\[ (\Delta X)(\Delta Y) = [163947.52, -1803980.08, 367557.12, -1279832.68, 283314.52] \]
\[ \sum (\Delta X)(\Delta Y) = -1872993.6 \]
- Hitung kuadrat selisih \((\Delta X)^2\) dan \((\Delta Y)^2\):
\[ (\Delta X)^2 = [8136.04, 409344.04, 198203.04, 97468.84, 43180.84] \]
\[ \sum (\Delta X)^2 = 1152332.8 \]
\[ (\Delta Y)^2 = [3303669.76, 7950144.16, 681615.36, 16805080.36, 1858859.56] \]
\[ \sum (\Delta Y)^2 = 30552369.2 \]
- Substitusi ke dalam rumus:
\[ r = \frac{-1872993.6}{\sqrt{1152332.8 \cdot 30552369.2}} \]
\[ r = \frac{-1872993.6}{5967568.93} = -0.472 \]
Hasil Korelasi:
Korelasi Pearson antara Biaya Promosi ($) dan Penjualan (unit): 𝑟=−0.472 Hubungan ini adalah negatif sedang, menunjukkan bahwa saat biaya promosi meningkat, penjualan cenderung menurun dalam dataset ini.
2.3.2 Diskon (%) dan Rating Pelanggan
| Korelasi |
|---|
| -0.0602249 |
Korelasi Pearson
Rumus korelasi Pearson adalah sebagai berikut:
\[ r = \frac{\sum (X_i - \bar{X})(Y_i - \bar{Y})}{\sqrt{\sum (X_i - \bar{X})^2 \cdot \sum (Y_i - \bar{Y})^2}} \]
Data
Diberikan data:
| Diskon (\(X\)) | Rating Pelanggan (\(Y\)) |
|---|---|
| 10 | 4.5 |
| 15 | 4.7 |
| 20 | 4.3 |
| 25 | 4.0 |
| 30 | 4.2 |
Langkah Perhitungan
- Hitung rata-rata \(\bar{X}\) dan \(\bar{Y}\):
\[ \bar{X} = \frac{10 + 15 + 20 + 25 + 30}{5} = \frac{100}{5} = 20 \]
\[ \bar{Y} = \frac{4.5 + 4.7 + 4.3 + 4.0 + 4.2}{5} = \frac{21.7}{5} = 4.34 \]
- Hitung selisih tiap nilai terhadap rata-rata (\(X_i - \bar{X}\), \(Y_i - \bar{Y}\)):
\[ \Delta X = [-10, -5, 0, 5, 10] \]
\[ \Delta Y = [0.16, 0.36, -0.04, -0.34, -0.14] \]
- Hitung perkalian selisih \((\Delta X)(\Delta Y)\):
\[ (\Delta X)(\Delta Y) = [-1.6, -1.8, 0, -1.7, -1.4] \]
\[ \sum (\Delta X)(\Delta Y) = -1.6 - 1.8 + 0 - 1.7 - 1.4 = -6.5 \]
- Hitung kuadrat selisih \((\Delta X)^2\) dan \((\Delta Y)^2\):
\[ (\Delta X)^2 = [100, 25, 0, 25, 100] \]
\[ \sum (\Delta X)^2 = 100 + 25 + 0 + 25 + 100 = 250 \]
\[ (\Delta Y)^2 = [0.0256, 0.1296, 0.0016, 0.1156, 0.0196] \]
\[ \sum (\Delta Y)^2 = 0.0256 + 0.1296 + 0.0016 + 0.1156 + 0.0196 = 0.292 \]
- Substitusi ke dalam rumus:
\[ r = \frac{-6.5}{\sqrt{250 \times 0.292}} = \frac{-6.5}{\sqrt{73}} = \frac{-6.5}{8.544} = -0.761 \]
Hasil
Korelasi Pearson antara Diskon (%) dan Rating Pelanggan:
\[ r = -0.761 \]
Hubungan ini cukup kuat dan negatif, menunjukkan bahwa saat diskon meningkat, rating pelanggan cenderung menurun.
2.4 Uji Hipotesis
Hipotesis
- H0: Tidak ada hubungan antara Biaya Promosi ($) dan Penjualan (unit).
- H1: Ada hubungan antara Biaya Promosi ($) dan Penjualan (unit).
| Statistik_t | df | p_value | Korelasi | |
|---|---|---|---|---|
| t | -1.881809 | 298 | 0.0608364 | -0.1083683 |
## Hasil: Gagal menolak H0. Tidak ada hubungan yang signifikan antara Biaya Promosi dan Penjualan.Rumus Pearson Correlation
Korelasi Pearson \((r)\) dihitung dengan:
\[ r = \frac {\sum(X_i - \bar X)(Y_i - \bar Y)}{\sqrt \sum (X_i - \bar X)^2 \sum(Y_i - \bar Y)^2} \]
- \(X_i\) dan \(Y_i\): Nilai individual dari Biaya Promosi dan Penjualan.
- \(\bar X\) dan \(\bar Y\): Rata-rata masing-masing variabel.
Rumus Statistik t untuk korelasi
Untuk menguji apakah \(r\) signifikan, gunakan:
\[ t = \frac {r\sqrt n - 2}{\sqrt 1 - r^2} \]
- \(n\) : Ukuran sampel
- \(r\) : Koefisien Regresi
Langkah Perhitungan
Hitung \(r\): Substitusi data biaya promosi \((X)\) dan penjualan \((Y)\) ke dalam rumus korelasi pearson
Uji \(t\): Gunakan nilai \(r = -0.1083683\) dan \(n = 300\) (karena \(df = n - 2)\)
\[ t = \frac {-0.1083683 \cdot \sqrt 300 - 2}{\sqrt 1 - (--0.1083683)^2} \]
Hasilnya \(t = -1.881809\)
- Bandingkan \(p\)-value: Karena \(p = 0.0608364 \geq 0.05\) (tingkat signifikansi 5%), gagal menolak \(H_0\). Tidak ada hubungan signifikansi.
2.5 Analisis Data Kategorik
2.5.1 Distribusi Penjualan berdasarkan Jenis Outlet
| Jenis.Outlet | Total_Penjualan |
|---|---|
| Modern | 1553833 |
| Tradisional | 1586816 |
2.5.2 Analisis Perbedaan Rata-rata Penjualan berdasarkan Kategori Produk
1. Kesehatan:
- Q1: 7361.25
- Q3: 12489.50
- Median: 9969
- Min: 4475
- Max: 16224
2. Makanan:
- Q1: 7924.25
- Q3: 13232
- Median: 10551
- Min: 5231
- Max: 16598
3. Minuman:
- Q1: 8082
- Q3: 13384
- Median: 10870
- Min: 4742
- Max: 16777
Boxplot menggambarkan data statistik lima angka:
Min: Nilai terkecil.
Q1: Kuartil pertama (25% data lebih kecil).
Median: Kuartil kedua (nilai tengah).
Q3: Kuartil ketiga (75% data lebih kecil).
Max: Nilai terbesar.
Langkah menghitung dan membuat boxplot 1. Rentang Antar-Kuartil (IQR):
\[ IQR = Q3 - Q1 \]
Contoh untuk kategori kesehatan:
\[ IQR = 12489.50 - 7361.25 = 5128.25 \]
- Batas Outlier:
- Batas Bawah: \(Q1 - 1.5 \cdot IQR\)
- Batas atas: \(Q3 + 1.5 \cdot IQR\)
Lima Nilai utama (Min, Q1, Median, Q3, Max) dalam boxplot.
Uji Hipotesis Pearson: Tidak ada hubungan signifikan antara Biaya Promosi dan Penjualan, karena \(p\)-value lebih besar dari tingkat signifikansi 0.05.
Distribusi Berdasarkan Outlet: Outlet Tradisional memiliki sedikit lebih banyak penjualan dibandingkan Outlet Modern.
Rata-rata Penjualan Berdasarkan Produk: Data Boxplot menunjukkan variasi antara kategori produk. Minuman memiliki median penjualan tertinggi, diikuti oleh Makanan dan Kesehatan.
| Df | Sum Sq | Mean Sq | F value | Pr(>F) | |
|---|---|---|---|---|---|
| Kategori.Produk | 2 | 27529762 | 13764881 | 1.493541 | 0.2262577 |
| Residuals | 297 | 2737232284 | 9216270 | NA | NA |
2.6 Model Prediksi Pendapatan
2.6.1 Hitung Total Pendapatan per Kota
| Kota | Total_Pendapatan |
|---|---|
| Bekasi | 6197910 |
| Bogor | 5871510 |
| Depok | 6643740 |
| Jakarta | 6442780 |
| Tangerang | 6250550 |
- Intercept (Konstanta):
Nilai Estimate (108238.885405) adalah rata rata nilai variabel dependen (pendapatan) ketika semua variabel independen (Biaya Promosi, Diskon, dan Jenis Outlet) bernilai nol.
Nilai ini dihitung dari proses regresi linear dengan meminimalkan kesalahan kuadrat.
- Biaya Promosi ($)
Estimate: -5.470572 berarti setiap kenaikan 1 unit Biaya Promosi ($), rata-rata Pendapatan diprediksi menurun sebesar 5.47 unit, dengan asumsi variabel lainnya tetap.
t value: -1.9686456 menunjukkan kekuatan hubungan antara Biaya Promosi dan Pendapatan.
Pr(>|t|): 0.0499266 (kurang dari 0.05), sehingga secara statistik Biaya Promosi signifikan memengaruhi Pendapatan.
- Diskon (%):
Estimate: 467.188189 berarti setiap kenaikan 1% Diskon, rata-rata Pendapatan diprediksi meningkat sebesar 467.19 unit, dengan asumsi variabel lainnya tetap.
t value: 1.1876752 menunjukkan kekuatan hubungan. Nilai ini lebih rendah, mengindikasikan hubungan yang lemah.
Pr(>|t|): 0.2359136 (lebih dari 0.05), sehingga Diskon tidak signifikan secara statistik.
- Jenis Outlet(Dummy)
Estimate: 1878.498936 berarti ketika Jenis Outlet adalah “Modern”, Pendapatan diprediksi meningkat sebesar 1878.50 unit dibandingkan dengan outlet “Tradisional”, dengan asumsi variabel lainnya tetap.
t value: 0.5367256 menunjukkan hubungan yang lemah.
Pr(>|t|): 0.5918604 (lebih dari 0.05), sehingga tidak signifikan secara statistik.
Langkah Menghitung
- Model Regresi Linear:
\[ Y = β_0 + β_1 X_1 + β_2 X_2 + β_3 X_3 + ϵ \]
Dimana:
- \(Y\): Pendapatan
- \(X_1\): Biaya Promosi
- \(X_2\): Diskon
- \(X_3\): Dummy Jenis Outlet
- \(β_0\): Intercept
- \(β_1,β_2,β_3\): Koefisien Regresi
- \(ϵ\): error
Estimasi Koefisien \((β)\): Koefisien dihitung menggunakan metode Ordinary Least Squares (OLS), yaitu meminimalkan jumlah kuadrat galat \((\sum ϵ^2)\).
t value: Dihitung dengan rumus:
\[ t=\frac{Estimate}{Std.Error} \]
Nilai ini mengukur kekuatan hubungan antara variabel independen dan dependen.
- Pr(>|t|): Nilai p-value dihitung dari distribusi t. Nilai ini menunjukkan apakah variabel independen signifikan secara statistik dalam memengaruhi variabel dependen.
2.6.2 Analisis Faktor Signifikan menggunakan Regresi Linear
| Estimate | Std. Error | t value | Pr(>|t|) | |
|---|---|---|---|---|
| (Intercept) | 108238.885405 | 7387.205601 | 14.6522097 | 0.0000000 |
| Biaya.Promosi…. | -5.470572 | 2.778851 | -1.9686456 | 0.0499266 |
| Diskon…. | 467.188189 | 393.363601 | 1.1876752 | 0.2359136 |
| Jenis.Outlet.Dummy | 1878.498936 | 3499.924484 | 0.5367256 | 0.5918604 |
Misalnya, Jika anda memiliki data:
- Pendapatan aktual di Depok = $,643,740
- Pendapatan prediksi untuk Depok (dari model regresi) = $6,600,000
Maka:
Residual untuk Depok = 6,643,740 usd - 6,600,000 usd = 43,740 usd
model under-predict (memprediksi lebih rendah) sebesar $43,740.
Kesimpulan dari perbandingan pendapatan aktual dan prediksi:
Jika error kecil dan \(R^2\) tinggi, model dianggap baik dalam menjelaskan pendapatan.
Jika error besar atau ada pola pada residual (misalnya, sistematis under-predict atau over-predict), maka model perlu diperbaiki, misalnya dengan menambah variabel atau mencoba transformasi data.
2.7 Interpretasi Bisnis
2.7.1 Strategi Pemasaran per Kota
Rekomendasi Strategi:
Jakarta (Penjualan Tertinggi): Fokus pada mempertahankan loyalitas pelanggan dengan memberikan program loyalitas seperti poin reward atau diskon khusus untuk pembelian berulang. Tingkatkan promosi digital karena Jakarta memiliki potensi besar dalam e-commerce.
Depok dan Tangerang (Pertumbuhan Positif): Maksimalkan potensi pasar dengan promosi berbasis komunitas, seperti kerja sama dengan pusat perbelanjaan lokal atau event sponsorship. Pastikan distribusi produk tetap lancar untuk memenuhi permintaan yang terus meningkat.
Bekasi : Lakukan survei konsumen untuk memahami kebutuhan pasar dan tingkatkan kampanye pemasaran lokal, seperti potongan harga atau bundling produk untuk menarik perhatian pelanggan baru.
Bogor (Penurunan Drastis): Fokus pada rebranding atau repositioning produk untuk meningkatkan minat konsumen, seperti menawarkan diskon besar-besaran, menjalin kerja sama dengan toko-toko lokal, atau menargetkan ulang segmen konsumen dengan promosi lebih kreatif.
2.7.2 Dampak Pengoptimalan Strategi
1. Diskon
Diskon dapat meningkatkan volume penjualan dalam jangka pendek, terutama di kota dengan penjualan rendah seperti Bogor. Namun, penting untuk menjaga margin keuntungan tetap positif dengan membatasi durasi atau menargetkan diskon hanya pada produk tertentu.
2. Alokasi Anggaran Promosi
Fokuskan anggaran pada wilayah dengan potensi pertumbuhan tinggi seperti Depok dan Tangerang. Kampanye digital di Jakarta juga penting untuk mempertahankan posisinya sebagai pasar terbesar. Hindari alokasi berlebihan pada wilayah yang sulit tumbuh tanpa perencanaan ulang, seperti Bogor.
3. Distribusi ke Jenis Outlet
Penjualan melalui outlet modern seperti minimarket atau supermarket cenderung lebih efektif di wilayah perkotaan seperti Jakarta dan Depok. Untuk wilayah pinggiran seperti Bogor dan Tangerang, tingkatkan kerja sama dengan toko tradisional atau warung untuk menjangkau konsumen lokal yang lebih luas.
Referensi
- YouTube perbedaan Statistika Deskriptif dan Statistika Inferensial
https://youtu.be/Cr0jG_MazAw?si=rkHcWlqrILuxBZK4
- Youtube Uji Hipotesis
https://youtu.be/mRK2n4Ok3u4?si=DRcGWKjY-CN2V2ul
- Bookdown Pak Bakti Siregar S.Si., M.Sc. yang di berikan melalui Google Classroom.