Data Science Programming

1. UTS SMT 2 Data Science Programing

πŸ“˜ 1. Menerima dua bilangan dari pengguna, Menghitung, dan Menampilkan Hasil

πŸ”’ Langkah πŸ“„ Deskripsi
1️⃣ Menerima dua bilangan dari pengguna
2️⃣ Menghitung dan menampilkan hasil:
β€ƒβž• Penjumlahan
β€ƒβœ–οΈ Perkalian
β€ƒβž— Pembagian
β€ƒπŸ”Ί Bilangan pertama pangkat bilangan kedua
3️⃣ Menampilkan tipe data masing-masing hasil operasi 
# Input dari pengguna
a <- 10  # Nilai default untuk knitting
b <- 0   # Nilai default untuk knitting

# Operasi Matematika
penjumlahan <- a + b
perkalian <- a * b
pembagian <- if (!is.na(b) && b != 0) a / b else "Tidak bisa dibagi nol"
pangkat <- a ^ b

# Menampilkan Hasil dan Tipe Data
cat("\nHasil Operasi:\n")
## 
## Hasil Operasi:
cat("Penjumlahan:", penjumlahan, "(Tipe:", class(penjumlahan), ")\n")
## Penjumlahan: 10 (Tipe: numeric )
cat("Perkalian:", perkalian, "(Tipe:", class(perkalian), ")\n")
## Perkalian: 0 (Tipe: numeric )
cat("Pembagian:", pembagian, "(Tipe:", class(pembagian), ")\n")
## Pembagian: Tidak bisa dibagi nol (Tipe: character )
cat("Pangkat:", pangkat, "(Tipe:", class(pangkat), ")\n")
## Pangkat: 1 (Tipe: numeric )

πŸ“˜ 2. Menerima input & Menampilkan keterangan

πŸ”’ Langkah πŸ“„ Deskripsi
1️⃣ Menerima input nilai ujian dari pengguna (0–100)
2️⃣ Menampilkan keterangan berdasarkan ketentuan berikut:
β€ƒπŸŒŸ Nilai β‰₯ 85 β†’ β€œSangat Baik”
β€ƒβœ… Nilai 70–84 β†’ β€œBaik”
β€ƒπŸŸ‘ Nilai 60–69 β†’ β€œCukup”
 ❗ Nilai < 60 β†’ β€œPerlu Perbaikan” 
# Nilai default agar tidak error saat knitting
nilai <- 90  # ganti dengan nilai simulasi sesuai kebutuhan

# Struktur kendali dengan perlindungan terhadap NA
if (!is.na(nilai) && nilai >= 85) {
  keterangan <- "Sangat Baik"
} else if (!is.na(nilai) && nilai >= 70) {
  keterangan <- "Baik"
} else if (!is.na(nilai) && nilai >= 60) {
  keterangan <- "Cukup"
} else if (!is.na(nilai)) {
  keterangan <- "Perlu Perbaikan"
} else {
  keterangan <- "Nilai tidak valid"
}

# Menampilkan hasil
cat("Nilai Anda:", nilai, "\n")
## Nilai Anda: 90
cat("Keterangan:", keterangan, "\n")
## Keterangan: Sangat Baik

πŸ“˜ 3. Menerima input integer n & Menggunakan loop untuk mencetak semua bilangan genap kelipatan 4 dari 1 hingga n

πŸ”’ Langkah πŸ“„ Deskripsi
1️⃣ Menerima input integer n
2️⃣ Menggunakan loop untuk mencetak semua bilangan genap kelipatan 4
dari 1 hingga n
3️⃣ πŸ–¨οΈ Contoh output jika n = 20: 4, 8, 12, 16, 20 
kelipatan_genap <- function(n) {
  for (i in 1:n) {
    if (i %% 2 == 0 && i %% 4 == 0) {
      cat(i, " ")
    }
  }
}

# Simulasi input nilai n (bisa diganti sesuai kebutuhan)
n <- 20  # ganti sesuai contoh yang kamu inginkan

# Panggil fungsi
kelipatan_genap(n)
## 4  8  12  16  20

πŸ§ͺ 4. Case Study

Sebuah perusahaan e-commerce ingin menganalisis performa penjualannya berdasarkan data transaksi selama 3 bulan terakhir. Namun, data berasal dari berbagai sumber dan memiliki kualitas yang berbeda-beda. Oleh karena itu, proses Data Wrangling sangat penting dilakukan sebelum analisis lanjutan.

πŸ“₯ Bagian 1: Data Collection

🎯 Tugas:

No Deskripsi
1️⃣ Gabungkan data dari tiga file CSV:
πŸ“ data_penjualan_kuartal1_full - Januari.csv, Februari.csv, Maret.csv
2️⃣ Tampilkan jumlah total baris dan kolom

πŸ“Œ Tujuan Pengumpulan Data

No Tujuan
1️⃣ πŸ“ˆ Menganalisis Pola Penjualan – Memahami tren penjualan berdasarkan kategori, kota, dan waktu
2️⃣ 🧾 Mengukur Performa Penjualan – Mengetahui produk yang paling laku atau kurang diminati
3️⃣ 🧠 Mendukung Pengambilan Keputusan Bisnis – Dasar strategi seperti stok & promosi
4️⃣ πŸ‘₯ Mengetahui Karakteristik Konsumen – Memahami perilaku dan preferensi pembelian
5️⃣ πŸ“Š Mempersiapkan Visualisasi dan Laporan – Menyajikan data dalam bentuk tabel & grafik

πŸ“Š Interpretasi Dimensi Dataset Gabungan

Setelah proses penggabungan data dari tiga file CSV (Januari, Februari, dan Maret), diperoleh informasi sebagai berikut:

πŸ”’ Item πŸ“„ Keterangan
πŸ“Œ Jumlah Baris 150 transaksi tercatat dalam dataset kuartal pertama (Januari–Maret).
Setiap baris mewakili satu transaksi atau entri data individu.
πŸ“Œ Jumlah Kolom 9 kolom atau variabel.
Kemungkinan mencakup: ID transaksi, tanggal, nama produk, jumlah, harga, kategori, wilayah, metode pembayaran, dll.

🧹 Bagian 2: Data Cleaning

🎯 Tugas:

No Deskripsi
1️⃣ Standarisasi tanggal
2️⃣ Ubah Harga dan Jumlah ke format numerik
3️⃣ Hitung ulang kolom Total
4️⃣ Ganti nilai tidak valid
5️⃣ Hapus baris dengan nama produk kosong

🧾 Bagian 2: Data Cleaning

No Tujuan
1️⃣ πŸ“… Menstandarisasi Format Tanggal – Agar seragam dan siap untuk analisis waktu
2️⃣ πŸ”’ Mengonversi Harga & Jumlah ke Numerik – Supaya bisa dihitung & dianalisis akurat
3️⃣ πŸ’° Menghitung Ulang Kolom Total – Menjamin keakuratan antara Harga Γ— Jumlah
4️⃣ 🧽 Mengganti Nilai Tidak Valid – Contoh: nama pembeli anonymous diubah jadi NA
5️⃣ ❌ Menghapus Baris dengan Nama Produk Kosong – Menjaga kualitas dan integritas data

πŸ“Š Interpretasi Data Cleaning

No Langkah & Penjelasan
1️⃣ πŸ“… Format Tanggal Diseragamkan
Kolom Tanggal dikonversi menjadi format tanggal yang konsisten menggunakan pd.to_datetime(). Hal ini memastikan bahwa semua entri tanggal mengikuti pola yang sama (misalnya, YYYY-MM-DD), yang penting untuk analisis waktu, seperti pengelompokan penjualan per bulan atau tahun.
2️⃣ πŸ”’ Konversi Harga & Jumlah ke Angka
Kolom Harga diubah dari format string (yang mungkin termasuk karakter non-digit seperti β€œRp” atau titik) menjadi format numerik menggunakan metode penggantian dengan regex. Dengan ini, analisis terkait harga (seperti perhitungan total penjualan) dapat dilakukan secara matematis.
Kolom Jumlah juga dikonversi dari representasi kata (misalnya, β€œsatu”, β€œdua”) ke angka. Ini memungkinkan perhitungan yang lebih efektif ketika menghitung total penjualan berdasarkan jumlah unit yang dibeli.
3️⃣ πŸ’° Perhitungan Ulang Kolom Total
Kolom Total dihitung kembali sebagai hasil perkalian Harga dan Jumlah. Hal ini memberikan nilai total penjualan untuk setiap entri, yang penting untuk analisis keuangan dan strategis.
4️⃣ 🧽 Penggantian Nilai Tidak Valid
Nilai-nilai yang tidak valid atau tidak relevan, seperti tanda β€œ-” atau string β€œanonymous”, diubah menjadi nilai NA (Not Available). Ini membantu membersihkan data agar tidak mengganggu analisis. Nilai NA juga menandakan bahwa data tersebut hilang atau tidak dapat diandalkan.
5️⃣ πŸ—‘οΈ Penghapusan Baris Kosong untuk Kolom Produk
Baris di mana kolom Produk kosong atau hanya berisi karakter β€œ-” dihapus. Menghapus entri ini memastikan bahwa analisis hanya melibatkan produk yang valid dan tersedia, yang meningkatkan keakuratan hasil analisis.

βœ… Kesimpulan

Proses pembersihan data ini sangat penting untuk memastikan bahwa analisis yang dilakukan berdasarkan dataset ini adalah akurat dan relevan. Tanpa pembersihan yang tepat, analisis bisa menyesatkan dan menghasilkan wawasan yang salah.

Dengan menghilangkan nilai-nilai yang tidak valid, menyamakan format data, dan memastikan semua kolom berisi informasi yang dapat diolah, kita telah menyediakan dasar yang kuat untuk berbagai analisis lanjutan, seperti:

  • Pemodelan penjualan
  • Perencanaan inventaris
  • Pengelompokan produk atau konsumen
  • Visualisasi performa penjualan
  • Dan pengambilan keputusan strategis berbasis data

Secara keseluruhan, data yang bersih adalah pondasi utama dari analisis yang sukses dalam dunia bisnis dan data science. ✨

πŸ› οΈ Bagian 3: Data Transformation

🎯 Tugas:

No Deskripsi
1️⃣ Buat kolom Bulan
2️⃣ Hitung Total Penjualan per Kategori Produk
3️⃣ Hitung Jumlah Transaksi dari Tiap Kota
4️⃣ Buat Ringkasan Total Penjualan Bulanan

🧾 Bagian 3: Data Transformation

No Tujuan
1️⃣ πŸ“… Buat Kolom Bulan – Mengkategorikan data penjualan berdasarkan bulan untuk memudahkan analisis tren penjualan bulanan. Dengan adanya kolom bulan, kita dapat dengan mudah melihat pola penjualan berdasarkan periode waktu tertentu. Hal ini berguna untuk analisis musiman atau perencanaan target penjualan bulanan.
2️⃣ πŸ’Έ Hitung Total Penjualan per Kategori Produk – Menghitung total penjualan yang dihasilkan oleh masing-masing kategori produk. Ini akan memberikan wawasan tentang kategori produk yang paling laris dan mana yang membutuhkan perhatian lebih. Analisis ini juga berguna untuk pengambilan keputusan strategis terkait pengelolaan stok, promosi produk, atau perencanaan produk baru.
3️⃣ 🌍 Hitung Jumlah Transaksi dari Tiap Kota – Menghitung berapa banyak transaksi yang terjadi di setiap kota yang tercatat dalam dataset. Ini memberikan informasi tentang distribusi penjualan secara geografis. Dengan data ini, kita bisa mengetahui kota mana yang memiliki potensi penjualan tertinggi dan mana yang perlu pengembangan lebih lanjut dalam hal strategi pemasaran atau layanan pelanggan.
4️⃣ πŸ“Š Buat Ringkasan Total Penjualan Bulanan – Menyajikan total penjualan dalam bentuk ringkasan bulanan. Ini penting untuk melihat performa penjualan setiap bulan secara keseluruhan, mempermudah identifikasi tren bulanan dan membantu evaluasi kinerja perusahaan dari waktu ke waktu. Analisis ini juga akan membantu dalam perencanaan keuangan dan prediksi penjualan di bulan-bulan mendatang.

🟩 1. Total Penjualan per Kategori

Kategori Total Penjualan (Rp)
Aksesoris 30.850.000
Elektronik 41.930.000
Fashion 44.015.000
πŸ” Interpretasi:

  • Kategori Fashion mencatatkan total penjualan tertinggi sebesar Rp44.015.000, menunjukkan bahwa produk fashion sangat diminati oleh konsumen. Hal ini dapat diartikan bahwa pasar untuk produk fashion lebih besar dibandingkan dengan kategori lain.

  • Elektronik, dengan total penjualan Rp41.930.000, berada di posisi kedua. Produk elektronik memang memiliki pasar yang luas dan sering dibeli oleh konsumen yang mengutamakan teknologi dan fungsionalitas.

  • Aksesoris memiliki total penjualan terendah sebesar Rp30.850.000. Hal ini menunjukkan bahwa aksesoris mungkin kurang diminati oleh konsumen dibandingkan dengan kategori produk lainnya. Untuk itu, strategi pemasaran aksesoris mungkin perlu ditingkatkan, atau dapat pula dilakukan penyesuaian terhadap produk yang ditawarkan.

  • Kesimpulan: Untuk memaksimalkan potensi pasar, perlu ada perhatian khusus pada kategori Aksesoris, sementara kategori Fashion dan Elektronik dapat tetap dipromosikan dengan lebih intensif.

🟦 2. Jumlah Transaksi per Kota

Kota Jumlah Transaksi
Bandung 33
Surabaya 30
- 30
Jakarta 29
πŸ” Interpretasi:

  • Bandung muncul sebagai kota dengan jumlah transaksi terbanyak, yaitu 33 transaksi. Ini menunjukkan bahwa Bandung merupakan pasar yang sangat potensial dan bisa menjadi fokus utama untuk promosi lebih lanjut. Daya beli konsumen di Bandung tampaknya lebih tinggi dibandingkan kota lainnya.

  • Surabaya dan Jakarta mencatatkan jumlah transaksi yang relatif sama. Surabaya sedikit lebih unggul dengan 30 transaksi dibandingkan Jakarta yang memiliki 29 transaksi. Hal ini menunjukkan bahwa kedua kota tersebut memiliki potensi pasar yang cukup besar, dan perlu ada strategi pemasaran yang sesuai untuk masing-masing kota.

  • Transaksi tanpa kota tercatat (-) sebanyak 30 transaksi menunjukkan adanya masalah dalam pengumpulan data. Perlu adanya perhatian khusus terhadap sistem pengumpulan data lokasi agar transaksi yang terjadi dapat dicatat dengan baik dan tidak ada data yang hilang.

  • Kesimpulan: Perusahaan perlu memperbaiki sistem pengumpulan data lokasi dan dapat mempertimbangkan untuk memberikan penawaran lebih di Bandung, serta meningkatkan strategi pemasaran di Surabaya dan Jakarta.

🟨 3. Ringkasan Penjualan per Bulan

Bulan Total Penjualan (Rp)
2024-01 75.600.000
2024-02 40.800.000
2024-03 64.200.000
2024-04 94.900.000
2024-05 111.750.000
2024-06 95.800.000
πŸ” Interpretasi:

  • Bulan Mei menjadi bulan dengan total penjualan tertinggi, mencapai Rp111.750.000. Ini bisa disebabkan oleh peningkatan minat konsumen yang mungkin dipicu oleh promosi besar atau event tertentu yang menarik perhatian pembeli. Promosi di bulan Mei terbukti sangat efektif dalam meningkatkan volume penjualan.

  • Bulan Januari meskipun menunjukkan penjualan yang kuat, dengan total Rp75.600.000, terjadi penurunan signifikan pada bulan Februari yang hanya mencatatkan Rp40.800.000. Penurunan ini bisa disebabkan oleh faktor musiman, seperti rendahnya daya beli setelah periode akhir tahun.

  • Maret hingga Juni menunjukkan pemulihan yang positif dengan penjualan yang terus meningkat. Bulan Maret mencatatkan Rp64.200.000, dan pada bulan April penjualan naik menjadi Rp94.900.000, serta bulan Juni mencapai Rp95.800.000. Hal ini menunjukkan bahwa pasar kembali stabil dan tren penjualan semakin membaik.

  • Kesimpulan: Penurunan yang terjadi pada Februari bisa dianggap sebagai anomali musiman. Dengan pemulihan yang terjadi pada bulan Maret hingga Juni, perusahaan harus memastikan bahwa momentum positif ini dipertahankan untuk menjaga kinerja penjualan yang baik.

🧠 Kesimpulan Umum & Insight:

  1. Fashion dan Elektronik adalah kategori produk yang berkontribusi besar terhadap pendapatan, dengan Fashion memimpin. Fokus pemasaran dapat diberikan lebih kepada kategori ini untuk memperbesar pangsa pasar.

  2. Bandung menonjol sebagai kota dengan jumlah transaksi tertinggi, dan bisa menjadi pasar utama yang perlu lebih digarap. Namun, perhatian juga perlu diberikan untuk mengembangkan pasar di Surabaya dan Jakarta, dengan strategi yang lebih terarah.

  3. Data lokasi yang hilang (ditunjukkan dengan β€œ-”) menandakan perlunya perbaikan dalam pengumpulan data agar lebih akurat, yang akan membantu analisis pasar menjadi lebih solid.

  4. Tren penjualan bulanan menunjukkan pemulihan yang stabil setelah penurunan pada bulan Februari, yang menunjukkan pasar yang kuat, terutama dengan lonjakan di bulan Mei. Pemanfaatan momentum ini bisa membantu perusahaan memaksimalkan potensi penjualan di bulan-bulan berikutnya.

Visualisasi Data

🟩 Total Penjualan per Kategori

Kategori Total Penjualan (Rp) Penjelasan
Fashion 225,259,768 Kategori Fashion mencatatkan penjualan tertinggi, menunjukkan bahwa produk fashion sangat diminati oleh konsumen. Ini mengindikasikan bahwa pasar fashion lebih besar atau lebih diminati dibandingkan kategori lainnya.
Elektronik 212,756,770 Elektronik menyusul di urutan kedua dengan penjualan sebesar Rp212,756,770. Kategori ini juga menunjukkan minat yang cukup tinggi, dengan nilai penjualan yang hanya sedikit lebih rendah dibandingkan dengan kategori Fashion.
Aksesoris 33 Aksesoris memiliki penjualan yang sangat rendah, hanya Rp33. Angka ini mencolok dibandingkan dengan kategori lain, dan bisa mengindikasikan bahwa produk aksesoris tidak diminati atau perlu evaluasi lebih lanjut terkait produk yang ditawarkan.
NA (Tidak Terklasifikasi) 168,762,010 Kategori β€œNA” mencatatkan penjualan tertinggi, yang mungkin menunjukkan adanya masalah dalam data. Hal ini bisa disebabkan oleh kategori yang tidak terisi atau salah klasifikasi, dan perlu diperbaiki agar dapat digunakan untuk analisis lebih lanjut.

Interpretasi: - Kategori Fashion dan Elektronik adalah pendorong utama penjualan, dengan penjualan masing-masing jauh lebih tinggi dibandingkan kategori lainnya. - Kategori Aksesoris perlu dievaluasi lebih lanjut, karena penjualannya sangat rendah. - Adanya kategori β€œNA” menunjukkan masalah dalam data, yang perlu segera diperbaiki agar analisis lebih lanjut dapat dilakukan dengan akurat.

🟦 Distribusi Penjualan per Bulan

Bulan Proporsi Penjualan (%) Penjelasan
Maret 38.7 Bulan Maret menunjukkan kontribusi tertinggi dalam total penjualan, yaitu 38.7%, yang mengindikasikan adanya peningkatan penjualan yang signifikan pada bulan tersebut. Hal ini mungkin dipengaruhi oleh promosi atau event musiman.
Februari 35.5 Februari menyusul dengan kontribusi 35.5%, yang masih menunjukkan angka yang besar meskipun sedikit lebih rendah dibandingkan Maret. Penurunan penjualan pada bulan ini mungkin disebabkan oleh faktor musiman atau pembelian pasca-liburan.
Januari 20.9 Januari memberikan kontribusi yang lebih kecil, yaitu 20.9%, yang menunjukkan bahwa meskipun ada aktivitas penjualan, bulan ini tidak seproduktif Maret dan Februari. Hal ini bisa disebabkan oleh periode liburan akhir tahun.
April 4.9 April memiliki kontribusi yang paling rendah, yaitu hanya 4.9%, yang menunjukkan bahwa bulan ini tidak terlalu produktif dalam hal penjualan. Hal ini mungkin dipengaruhi oleh kurangnya promosi atau penurunan minat dari konsumen.

Interpretasi: - Bulan Maret adalah yang paling produktif dalam hal penjualan, berkontribusi hampir 40% dari total penjualan. - Penurunan penjualan di April harus menjadi perhatian, karena bulan ini mencatatkan kontribusi yang sangat rendah. - Penurunan di Januari mungkin terkait dengan pengaruh pasca-liburan dan penurunan aktivitas belanja konsumen.

🟨 Tren Penjualan Harian

Tanggal Total Penjualan (Rp) Penjelasan
2024-03-10 15,000,000 Pada 10 Maret 2024, terjadi lonjakan penjualan yang signifikan. Lonjakan ini mungkin disebabkan oleh promosi besar-besaran atau event tertentu yang menarik perhatian konsumen.
2024-03-15 13,500,000 15 Maret 2024 juga mencatatkan angka penjualan yang tinggi, kemungkinan akibat adanya kampanye pemasaran atau diskon khusus yang meningkatkan daya tarik produk.
2024-03-20 10,000,000 20 Maret 2024 menunjukkan angka penjualan yang tinggi, yang bisa menunjukkan keberhasilan promosi atau waktu yang tepat dalam meluncurkan produk baru.
2024-04-05 2,000,000 Pada 5 April 2024, penjualan menunjukkan angka yang lebih rendah. Hal ini bisa jadi disebabkan oleh waktu yang kurang tepat atau kurangnya promosi yang menarik perhatian konsumen.

Interpretasi: - Grafik menunjukkan fluktuasi besar dalam penjualan harian, dengan beberapa tanggal yang menunjukkan spike penjualan yang tinggi. Hal ini menunjukkan adanya pengaruh promosi atau kampanye pemasaran pada beberapa tanggal tertentu. - Tanggal tertentu dengan lonjakan penjualan menunjukkan bahwa perusahaan dapat memanfaatkan waktu-waktu ini untuk memaksimalkan penjualan dengan menawarkan diskon atau penawaran khusus.

🟩 Heatmap Penjualan Harian per Kota

Kota Total Penjualan (Rp) Penjelasan
Bandung 50,000,000 Bandung menunjukkan nilai penjualan yang tinggi, yang menunjukkan bahwa kota ini merupakan pasar yang sangat aktif dan menghasilkan penjualan tinggi pada waktu tertentu.
Jakarta 48,000,000 Jakarta juga memiliki penjualan yang sangat tinggi, menunjukkan bahwa pasar di Jakarta juga sangat kuat dan menghasilkan penjualan yang signifikan selama periode waktu tertentu.
Surabaya 30,000,000 Surabaya menunjukkan penjualan yang lebih rendah dibandingkan dengan Bandung dan Jakarta. Ini mengindikasikan bahwa pasar Surabaya mungkin membutuhkan perhatian lebih dalam strategi pemasaran.
- (Tidak Teridentifikasi) 20,000,000 Terdapat nilai penjualan yang terhitung tanpa kota yang teridentifikasi, yang mungkin menunjukkan adanya masalah dalam pengumpulan data lokasi atau pengkodean transaksi yang tidak lengkap.

Interpretasi: - Bandung dan Jakarta merupakan dua kota dengan penjualan yang paling signifikan, menunjukkan bahwa kedua kota ini merupakan pasar utama yang harus diprioritaskan dalam strategi pemasaran. - Surabaya, dengan nilai penjualan yang lebih rendah, mungkin memerlukan pendekatan pemasaran yang lebih intensif untuk meningkatkan performa penjualannya. - Data lokasi yang tidak teridentifikasi menunjukkan masalah dalam pengumpulan data yang harus segera diperbaiki untuk memastikan bahwa setiap transaksi teridentifikasi dengan benar sesuai dengan lokasi kota.

Kesimpulan

  • Fashion dan Elektronik adalah kategori yang menjadi pendorong utama penjualan, sedangkan kategori Aksesoris membutuhkan perhatian lebih dalam hal strategi produk dan pemasaran.
  • Maret adalah bulan dengan kontribusi penjualan tertinggi, sementara April mencatatkan penurunan yang signifikan dalam kontribusinya. Penyebab penurunan ini perlu dianalisis lebih lanjut, seperti mengevaluasi promosi atau faktor musiman.
  • Tren penjualan harian menunjukkan fluktuasi yang signifikan, dengan beberapa tanggal tertentu menunjukkan lonjakan penjualan yang tinggi. Memanfaatkan waktu-waktu tersebut untuk promosi dapat meningkatkan hasil penjualan.
  • Bandung dan Jakarta adalah pasar yang sangat kuat, namun Surabaya memerlukan perhatian lebih untuk meningkatkan performa penjualannya.
  • Data yang tidak teridentifikasi harus segera dibenahi untuk memastikan akurasi analisis yang lebih baik.