1. Pendahuluan

1.1 Latar Belakang

Industri kopi dan teh merupakan sektor yang sangat penting dalam perekonomian global, termasuk di Amerika Serikat. Dalam beberapa dekade terakhir, konsumsi kopi dan teh telah mengalami perubahan yang signifikan, tidak hanya dalam hal volume, tetapi juga dalam preferensi produk, pola konsumsi, serta perkembangan pasar. Amerika Serikat, dengan pasar yang luas dan beragam, menjadi pasar utama bagi banyak jenis produk kopi dan teh, dari kopi espresso premium hingga teh herbal yang lebih niche.

Dalam konteks bisnis, pemahaman yang lebih mendalam tentang pola konsumsi dan performa produk di berbagai wilayah menjadi sangat penting. Oleh karena itu, analisis data yang mencakup penjualan, margin, dan biaya terkait dapat memberikan wawasan yang lebih jelas mengenai faktor-faktor yang memengaruhi profitabilitas dan kinerja bisnis. Pemahaman ini akan sangat berguna bagi perusahaan untuk merumuskan strategi pemasaran yang lebih efektif, mengidentifikasi peluang pasar yang belum tergarap, dan melakukan inovasi produk yang lebih relevan dengan kebutuhan konsumen.

Analisis ini bertujuan untuk mengidentifikasi pola-pola penting dalam penjualan kopi dan teh di berbagai wilayah di Amerika, serta mengelompokkan data berdasarkan kinerja bisnis. Melalui analisis ini, diharapkan dapat ditemukan wawasan yang berguna untuk merumuskan rekomendasi strategis yang dapat meningkatkan efisiensi operasional dan profitabilitas, serta memperkuat posisi perusahaan dalam pasar yang sangat kompetitif ini.

1.2 Tujuan Analisis

  1. Mengidentifikasi hubungan antar variabel seperti penjualan, profit, biaya, dan margin untuk memahami faktor-faktor yang mempengaruhi kinerja bisnis.
  2. Mengelompokkan pasar dan produk berdasarkan kinerja penjualan, profitabilitas, dan biaya untuk memberikan segmentasi pasar yang lebih jelas.
  3. Menguji perbedaan signifikan dalam penjualan antar wilayah pasar dan profit antar jenis produk untuk memberikan wawasan tentang strategi yang tepat dalam mengelola pasar dan produk.

1.3 Deskripsi Dataset

Dataset yang digunakan dalam analisis ini adalah Coffe Chain Dataset yang terdiri dari beberapa variabel, antara lain:

kable(head(coffee_tea_data, 5)) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), 
                full_width = TRUE) %>%
  scroll_box(width = "100%")
Area Code Date Market Market_Size Product Product_Line Product_Type State Type Budget_COGS Budget_Margin Budget_Profit Budget_Sales COGS Inventory Margin Marketing Profit Sales Total_Expenses
719 2012-01-01 Central Major Market Amaretto Beans Coffee Colorado Regular 90 130 100 220 89 777 130 24 94 219 36
970 2012-01-01 Central Major Market Colombian Beans Coffee Colorado Regular 80 110 80 190 83 623 107 27 68 190 39
970 2012-01-01 Central Major Market Decaf Irish Cream Beans Coffee Colorado Decaf 100 140 110 240 95 821 139 26 101 234 38
303 2012-01-01 Central Major Market Green Tea Leaves Tea Colorado Regular 30 50 30 80 44 623 56 14 30 100 26
303 2012-01-01 Central Major Market Caffe Mocha Beans Espresso Colorado Regular 60 90 70 150 54 456 80 15 54 134 26 
cat("Distribusi variabel kategorikal:\n\n")
## Distribusi variabel kategorikal:
table(coffee_tea_data$Market) %>%
  as.data.frame() %>%
  kable(col.names = c("Market", "Frekuensi")) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
                full_width = FALSE)
Market Frekuensi
Central 1344
East 888
South 672
West 1344 
table(coffee_tea_data$Market_Size) %>%
  as.data.frame() %>%
  kable(col.names = c("Market Size", "Frekuensi")) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
                full_width = FALSE)
Market Size Frekuensi
Major Market 1704
Small Market 2544 
table(coffee_tea_data$Product) %>%
  as.data.frame() %>%
  kable(col.names = c("Product", "Frekuensi")) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
                full_width = FALSE)
Product Frekuensi
Amaretto 192
Caffe Latte 216
Caffe Mocha 480
Chamomile 384
Colombian 480
Darjeeling 384
Decaf Espresso 408
Decaf Irish Cream 384
Earl Grey 288
Green Tea 288
Lemon 480
Mint 192
Regular Espresso 72 
table(coffee_tea_data$Product_Type) %>%
  as.data.frame() %>%
  kable(col.names = c("Product Type", "Frekuensi")) %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
                full_width = FALSE)
Product Type Frekuensi
Coffee 1056
Espresso 1176
Herbal Tea 1056
Tea 960

Berikut adalah penjelasan singkat dari variabel-variabel utama yang akan dianalisis:

  • Market: Region pasar (Central, East, West, South)
  • Market Size: Ukuran pasar (Major/Small)
  • Product: Jenis produk (Coffee/Tea)
  • Product Line: Lini produk (Beans/Leaves)
  • Product Type: Tipe produk (Coffee/Espresso/Herbal Tea/Tea)
  • State: Negara bagian di Amerika
  • Type: Jenis (Regular/Decaf)
  • Budget COGS: Anggaran biaya pokok penjualan
  • Budget Margin: Perkiraan margin keuntungan
  • Budget Profit: Perkiraan profit
  • Budget Sales: Perkiraan penjualan
  • COGS: Biaya pokok penjualan aktual
  • Inventory: Stok barang
  • Margin: Margin keuntungan aktual
  • Profit: Profit aktual
  • Sales: Penjualan aktual
  • Total Expenses: Total pengeluaran

2. Metode Analisis Statistik

Dalam analisis ini, beberapa metode statistik akan digunakan untuk menjawab tujuan penelitian:

2.1 Analisis Korelasi

Korelasi digunakan untuk mengukur kekuatan dan arah hubungan linear antara dua variabel. Koefisien korelasi Pearson dapat dihitung dengan rumus:

\[r = \frac{\sum_{i=1}^{n} (x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum_{i=1}^{n} (x_i - \bar{x})^2 \sum_{i=1}^{n} (y_i - \bar{y})^2}}\]

Dimana: - \(r\) adalah koefisien korelasi - \(x_i\) dan \(y_i\) adalah nilai dari variabel X dan Y - \(\bar{x}\) dan \(\bar{y}\) adalah rata-rata dari variabel X dan Y - \(n\) adalah jumlah observasi

correlation_matrix <- coffee_tea_data %>%
  select(Budget_COGS, Budget_Margin, Budget_Profit, Budget_Sales, 
         COGS, Inventory, Margin, Profit, Sales, Total_Expenses) %>%
  cor()
corrplot(correlation_matrix, 
         method = "circle", 
         type = "upper", 
         tl.col = "black", 
         tl.srt = 45,
         col = colorRampPalette(c("#6D9EC1", "white", "#E46726"))(200),
         addCoef.col = "black",
         number.cex = 0.7)

2.2 Uji Kruskal-Wallis

Uji Kruskal-Wallis adalah metode statistik non-parametrik yang digunakan untuk menentukan apakah terdapat perbedaan signifikan antara dua atau lebih kelompok variabel independen pada variabel dependen yang berskala ordinal atau kontinyu. Rumus untuk uji Kruskal-Wallis adalah:

\[H = (N-1) \frac{\sum_{i=1}^{g} n_i(\bar{r}_i - \bar{r})^2}{\sum_{i=1}^{N} (r_i - \bar{r})^2}\]

Dimana: - \(H\) adalah statistik uji Kruskal-Wallis - \(N\) adalah jumlah total observasi di semua kelompok - \(g\) adalah jumlah kelompok - \(n_i\) adalah jumlah observasi di kelompok ke-i - \(r_i\) adalah peringkat (rank) dari observasi - \(\bar{r}_i\) adalah rata-rata peringkat di kelompok ke-i - \(\bar{r}\) adalah rata-rata peringkat seluruh observasi

kruskal_result_market <- kruskal.test(Sales ~ Market, data = coffee_tea_data)
print(kruskal_result_market)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  Sales by Market
## Kruskal-Wallis chi-squared = 27.871, df = 3, p-value = 3.865e-06
kruskal_result_product <- kruskal.test(Profit ~ Product_Type, data = coffee_tea_data)
print(kruskal_result_product)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  Profit by Product_Type
## Kruskal-Wallis chi-squared = 2.4137, df = 3, p-value = 0.4911
ggplot(coffee_tea_data, aes(x = Market, y = Sales, fill = Market)) +
  geom_boxplot(alpha = 0.7) +
  scale_fill_brewer(palette = "Set1") +
  theme_minimal() +
  labs(title = "Perbandingan Sales berdasarkan Market",
       x = "Market Region",
       y = "Sales") +
  theme(legend.position = "none",
        plot.title = element_text(face = "bold", size = 14),
        axis.title = element_text(face = "bold"))

2.3 Analisis Cluster

Analisis cluster adalah metode untuk mengelompokkan objek ke dalam kelompok (cluster) sehingga objek dalam satu cluster memiliki kemiripan satu sama lain dan berbeda dengan objek di cluster lain. K-means clustering merupakan salah satu metode yang populer, dengan rumus:

\[J = \sum_{j=1}^{k} \sum_{i=1}^{n} ||x_i^{(j)} - c_j||^2\]

Dimana: - \(J\) adalah jumlah kuadrat jarak - \(k\) adalah jumlah cluster - \(n\) adalah jumlah data - \(x_i^{(j)}\) adalah data ke-i pada cluster ke-j - \(c_j\) adalah pusat (centroid) dari cluster ke-j

cluster_data <- coffee_tea_data %>%
  select(Sales, Profit) %>%
  scale()
set.seed(123)
wss <- sapply(1:10, function(k) {
  kmeans(cluster_data, centers = k, nstart = 25)$tot.withinss
})
fviz_nbclust(cluster_data, kmeans, method = "wss") +
  labs(title = "Metode Elbow untuk Menentukan Jumlah Cluster Optimal",
       x = "Jumlah Cluster",
       y = "Total Within Sum of Square") +
  theme_minimal()

set.seed(123)
km_result <- kmeans(cluster_data, centers = 3, nstart = 25)
coffee_tea_data$Cluster <- as.factor(km_result$cluster)
fviz_cluster(km_result, data = cluster_data,
             palette = c("#2E9FDF", "#00AFBB", "#E7B800"),
             geom = "point",
             ellipse.type = "convex",
             ggtheme = theme_minimal()) +
  labs(title = "Hasil K-Means Clustering",
       subtitle = "Berdasarkan Sales, Profit, Margin, dan COGS")

coffee_tea_data %>%
  group_by(Cluster) %>%
  summarise(
    Avg_Sales = mean(Sales),
    Avg_Profit = mean(Profit),
    Count = n()
  ) %>%
  kable(caption = "Karakteristik Setiap Cluster") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"),
                full_width = FALSE)
Karakteristik Setiap Cluster
Cluster Avg_Sales Avg_Profit Count
1 586.8982 272.77863 393
2 259.7248 105.16440 1101
3 110.0955 13.27342 2754

3. Visualisasi

3.1 Eksplorasi Data Kategorik

ggplot(coffee_tea_data, aes(x = Market, fill = Market)) +
  geom_bar() +
  scale_fill_brewer(palette = "Set1") +
  theme_minimal() +
  labs(title = "Distribusi Data berdasarkan Region Market",
       x = "Market Region",
       y = "Jumlah") +
  theme(plot.title = element_text(face = "bold", size = 14),
        axis.title = element_text(face = "bold"))

ggplot(coffee_tea_data, aes(x = Product_Type, fill = Market_Size)) +
  geom_bar(position = "dodge") +
  scale_fill_brewer(palette = "Set2") +
  theme_minimal() +
  labs(title = "Distribusi Product Type berdasarkan Market Size",
       x = "Product Type",
       y = "Jumlah",
       fill = "Market Size") +
  theme(plot.title = element_text(face = "bold", size = 14),
        axis.title = element_text(face = "bold"),
        axis.text.x = element_text(angle = 45, hjust = 1))

3.2 Analisis Variabel Keuangan

coffee_tea_data %>%
  select(Market, Sales, Budget_Sales) %>%
  gather(key = "Type", value = "Value", -Market) %>%
  ggplot(aes(x = Market, y = Value, fill = Type)) +
  geom_boxplot(alpha = 0.7) +
  scale_fill_manual(values = c("#3498db", "#e74c3c"),
                    labels = c("Budget Sales", "Actual Sales")) +
  theme_minimal() +
  labs(title = "Perbandingan Budget Sales dan Actual Sales berdasarkan Market",
       x = "Market Region",
       y = "Nilai (USD)",
       fill = "Tipe") +
  theme(plot.title = element_text(face = "bold", size = 14),
        axis.title = element_text(face = "bold"))

ggplot(coffee_tea_data, aes(x = Sales, y = Profit, color = Product)) +
  geom_point(alpha = 0.7, size = 3) +
  geom_smooth(method = "lm", se = FALSE, linetype = "dashed") +
  scale_color_brewer(palette = "Set1") +
  theme_minimal() +
  labs(title = "Hubungan antara Sales dan Profit berdasarkan Jenis Produk",
       x = "Sales (USD)",
       y = "Profit (USD)",
       color = "Product") +
  theme(plot.title = element_text(face = "bold", size = 14),
        axis.title = element_text(face = "bold"))

coffee_tea_data %>%
  group_by(Market, Product_Type) %>%
  summarise(Avg_Profit = mean(Profit)) %>%
  ggplot(aes(x = Product_Type, y = Market, fill = Avg_Profit)) +
  geom_tile(color = "white") +
  scale_fill_gradient2(low = "#d73027", mid = "#ffffbf", high = "#1a9850", 
                      midpoint = median(coffee_tea_data$Profit)) +
  theme_minimal() +
  labs(title = "Heatmap Average Profit berdasarkan Market dan Product Type",
       x = "Product Type",
       y = "Market Region",
       fill = "Avg Profit") +
  theme(plot.title = element_text(face = "bold", size = 14),
        axis.title = element_text(face = "bold"),
        axis.text.x = element_text(angle = 45, hjust = 1))

3.3 Analisis Performa Anggaran vs Aktual

budget_vs_actual <- coffee_tea_data %>%
  mutate(
    Sales_Variance = Sales - Budget_Sales,
    Sales_Variance_Pct = (Sales - Budget_Sales) / Budget_Sales * 100,
    Profit_Variance = Profit - Budget_Profit,
    Profit_Variance_Pct = (Profit - Budget_Profit) / Budget_Profit * 100
  )
ggplot(budget_vs_actual, aes(x = Market, y = Sales_Variance_Pct, fill = Market)) +
  geom_boxplot(alpha = 0.7) +
  geom_hline(yintercept = 0, linetype = "dashed", color = "red") +
  scale_fill_brewer(palette = "Set1") +
  theme_minimal() +
  labs(title = "Persentase Variance Penjualan berdasarkan Market",
       x = "Market Region",
       y = "Sales Variance (%)") +
  theme(legend.position = "none",
        plot.title = element_text(face = "bold", size = 14),
        axis.title = element_text(face = "bold"))

ggplot(budget_vs_actual, aes(x = Sales_Variance_Pct, y = Profit_Variance_Pct, color = Product_Type)) +
  geom_point(alpha = 0.7, size = 3) +
  geom_hline(yintercept = 0, linetype = "dashed") +
  geom_vline(xintercept = 0, linetype = "dashed") +
  scale_color_brewer(palette = "Set2") +
  theme_minimal() +
  facet_wrap(~ Market) +
  labs(title = "Hubungan antara Variance Penjualan dan Profit berdasarkan Product Type",
       subtitle = "Dikelompokkan berdasarkan Market Region",
       x = "Sales Variance (%)",
       y = "Profit Variance (%)",
       color = "Product Type") +
  theme(plot.title = element_text(face = "bold", size = 14),
        axis.title = element_text(face = "bold"))

4. Insight dari Hasil Analisis

4.1 Insight dari Analisis Korelasi

Secara keseluruhan, data menunjukkan hubungan yang kuat antara anggaran dan hasil yang tercapai (Sales, Profit, COGS), yang mengindikasikan bahwa perusahaan memiliki proyeksi yang cukup akurat terhadap performa bisnis.

Fokus pada pengelolaan Margin dan Sales akan sangat penting dalam memaksimalkan Profit, sedangkan Inventory sepertinya tidak menjadi faktor yang signifikan dalam menentukan kinerja bisnis.

Pengelolaan Total Expenses perlu diperhatikan untuk memastikan bahwa pengeluaran tidak meningkat seiring dengan peningkatan penjualan, untuk mempertahankan profitabilitas yang sehat.

4.2 Insight dari Uji Kruskal-Wallis

Penjualan (Sales) di berbagai wilayah pasar menunjukkan perbedaan signifikan, yang berarti perusahaan perlu mengidentifikasi dan menangani faktor-faktor lokal yang mempengaruhi kinerja penjualan.

Profit tidak dipengaruhi secara signifikan oleh jenis produk. Ini menunjukkan bahwa perusahaan dapat fokus pada faktor lain, seperti strategi distribusi atau biaya, untuk meningkatkan profitabilitas, daripada hanya mengandalkan perubahan dalam jenis produk yang ditawarkan.

4.3 Insight dari Analisis Cluster

Klaster 1 berpotensi untuk terus dipertahankan dan dikembangkan karena memiliki penjualan dan profit yang tinggi, meskipun jumlahnya lebih sedikit.

Klaster 2 menunjukkan potensi yang lebih besar, namun perlu perbaikan dalam profitabilitas. Fokus pada peningkatan margin dapat membantu meningkatkan hasil.

Klaster 3 memerlukan perhatian khusus untuk meningkatkan efisiensi biaya atau pengelolaan produk, mengingat performa yang lebih rendah dalam hal penjualan dan profit.

4.4 Insight dari Visualisasi

Pertama, wilayah Central dan West memiliki jumlah data terbanyak, dengan West menunjukkan angka tertinggi, menandakan pasar yang lebih besar di kedua wilayah tersebut. Wilayah South memiliki jumlah data yang lebih sedikit, menunjukkan pasar yang lebih kecil atau kurang aktif.

Kedua, pada Market Size, Major Market memiliki jumlah produk yang lebih banyak dibandingkan Small Market, dengan Espresso menjadi produk yang paling banyak terjual di pasar besar. Ini menunjukkan bahwa pasar besar mendominasi penjualan produk, terutama Espresso.

Ketiga, dalam perbandingan antara Budget Sales dan Actual Sales, sebagian besar wilayah (termasuk East, South, West) menunjukkan penjualan aktual yang sebanding atau lebih tinggi dibandingkan target, kecuali Central, yang menunjukkan penjualan aktual sedikit lebih rendah dari yang dianggarkan, menandakan adanya kemungkinan overestimasi di wilayah ini.

Keempat, hubungan antara Sales dan Profit menunjukkan tren positif di semua jenis produk, dimana penjualan yang lebih tinggi berhubungan dengan profit yang lebih besar, dengan Espresso dan Amaretto menunjukkan hasil yang terbaik.

Kelima, East memiliki keuntungan rata-rata tertinggi pada Coffee dan Espresso, sedangkan West dan South menunjukkan profit yang lebih rendah, terutama untuk produk seperti Herbal Tea dan Tea. Ini menandakan potensi profit yang lebih besar di wilayah East untuk produk kopi dan espresso.

Keenam, East dan South menunjukkan varian penjualan yang lebih rendah, mengindikasikan performa yang lebih stabil, sementara West memiliki varians penjualan yang lebih tinggi, menunjukkan fluktuasi yang lebih besar antara penjualan aktual dan anggaran.

Terakhir, produk Coffee di wilayah Central menunjukkan varians penjualan yang rendah, tetapi memiliki varians profit yang tinggi, yang mengindikasikan penjualan yang stabil namun fluktuasi keuntungan yang lebih besar.

Secara keseluruhan, pasar East lebih menguntungkan terutama untuk produk kopi dan espresso, sementara West memerlukan perhatian lebih dalam mengelola fluktuasi penjualan dan keuntungan. Pasar besar menunjukkan dominasi dalam penjualan produk, sementara pasar kecil lebih stabil dengan potensi pengembangan yang lebih terbatas.

5. Kesimpulan

5.1 Ringkasan Temuan Utama

Berdasarkan analisis yang telah dilakukan, beberapa temuan utama dapat disimpulkan sebagai berikut:

Hubungan yang kuat antara anggaran dan hasil yang tercapai menunjukkan bahwa perusahaan telah memiliki proyeksi yang cukup akurat terhadap kinerja bisnis, terutama dalam hal penjualan, profit, dan biaya barang terjual (COGS).

Fokus utama perusahaan sebaiknya ditempatkan pada pengelolaan Margin dan Sales, karena kedua faktor ini sangat penting untuk memaksimalkan profitabilitas, sementara Inventory tidak terlalu signifikan dalam mempengaruhi kinerja bisnis.

Penjualan (Sales) menunjukkan perbedaan yang signifikan antara wilayah pasar, sedangkan profit tidak dipengaruhi secara signifikan oleh jenis produk, memberikan kesempatan untuk perusahaan berfokus pada faktor lain seperti distribusi dan biaya untuk meningkatkan profitabilitas.

Klasterisasi data menunjukkan bahwa Klaster 1 adalah yang paling menguntungkan, dengan penjualan dan profit yang tinggi, sedangkan Klaster 3 membutuhkan perhatian untuk meningkatkan efisiensi biaya dan pengelolaan produk.

Visualisasi data menunjukkan bahwa pasar East lebih menguntungkan dengan produk Coffee dan Espresso, sementara pasar West menunjukkan fluktuasi yang lebih tinggi dalam hal penjualan dan profit.]*

5.2 Implikasi Bisnis

Temuan-temuan tersebut memberikan beberapa implikasi penting bagi perusahaan, di antaranya:

Perencanaan dan alokasi sumber daya: Perusahaan perlu memastikan bahwa proyeksi penjualan dan biaya (budgeting) tetap akurat untuk mempertahankan profitabilitas yang sehat, terutama di wilayah West yang menunjukkan fluktuasi lebih tinggi.

Pengelolaan produk: Mengingat profit tidak dipengaruhi oleh jenis produk, perusahaan dapat lebih fokus pada strategi distribusi dan pengelolaan biaya, daripada hanya mengandalkan perubahan jenis produk untuk meningkatkan profit.

Segmentasi pasar: Dengan mengetahui bahwa Major Market mendominasi penjualan, perusahaan harus mempertimbangkan untuk meningkatkan penetrasi pasar di wilayah East dan West, sembari menargetkan pasar kecil dengan pendekatan yang lebih stabil.

Peningkatan margin: Memperbaiki margin produk di pasar dengan profit lebih rendah seperti Herbal Tea dan Tea akan sangat penting untuk meningkatkan kinerja keuangan di beberapa wilayah.

5.3 Rekomendasi

Berdasarkan temuan-temuan tersebut, berikut adalah beberapa rekomendasi yang dapat diambil untuk meningkatkan kinerja bisnis:

Fokus pada pengelolaan margin dan peningkatan sales di pasar dengan performa tinggi seperti East, terutama untuk produk Coffee dan Espresso.

Tingkatkan efisiensi biaya di klaster dengan performa rendah (Klaster 3), dengan fokus pada pengelolaan produk dan pengendalian biaya, untuk memperbaiki profitabilitas.

Sesuaikan anggaran dan strategi pemasaran untuk wilayah West yang memiliki varians penjualan tinggi, agar bisa mengurangi fluktuasi dan mencapai target yang lebih realistis.

Perluas penetrasi pasar di wilayah yang memiliki pasar besar (Major Market), sembari mengelola dengan lebih hati-hati pasar yang lebih kecil (Small Market), untuk memastikan pertumbuhan yang lebih stabil.

Dengan menerapkan rekomendasi ini, perusahaan dapat meningkatkan kinerja bisnisnya, baik dalam hal penjualan, profitabilitas, maupun pengelolaan biaya.

Referensi

Alya, A. D. (2023). Case Method 1: Coffee Chain Dataset Analysis. Diakses dari https://rpubs.com/alyaadn/1188731

Amrina, R. (2024). Case Method 2 Sistem Informasi Manajemen. Diakses dari https://rpubs.com/Adilya/CaseMethod2_Sistem_Informasi_Manajemen

Cantika, P. (2023). Case Method 1: Coffee Chain Analysis. Diakses dari https://rpubs.com/cantikap/1189400

Tiara, F. (n.d.). Case Method 2: Sistem Informasi Manajemen. Diakses dari https://rpubs.com/Tiarafitri/CM2_SIM

Zai, E. (n.d.). Coffee Chain Dataset Analysis. Diakses dari https://rpubs.com/Edzai/249542