Pendahuluan

Kopi adalah salah satu komoditas minuman paling populer di dunia dan memiliki peran penting dalam perekonomian banyak negara, termasuk Amerika Serikat. Di kota Nevada, kopi bukan hanya sekadar minuman, tetapi juga simbol budaya dan gaya hidup yang terus berkembang. Berbagai jenis produk kopi, mulai dari kopi specialty hingga kopi komersial, memiliki pasar yang signifikan di kota ini, mencerminkan preferensi konsumen yang beragam.

Profitabilitas bisnis kopi sangat dipengaruhi oleh berbagai faktor, di antaranya adalah penjualan (Sales) dan juga Inventory. Sales mencerminkan total pendapatan yang diperoleh dari penjualan produk kopi, sementara Inventory mencerminkan jumlah produk yang tersedia untuk dipasarkan. Kombinasi dari kedua elemen ini secara langsung memengaruhi profit yang diperoleh perusahaan kopi, yang pada akhirnya menentukan kelangsungan bisnis dalam jangka panjang.

Regresi linear berganda digunakan untuk menganalisis pengaruh Sales dan Inventory terhadap profit dalam berbagai jenis produk kopi di kota Nevada. Model regresi linier berganda diekspresikan dalam persamaan matematis sebagai berikut.

\[Y=\beta_0+\beta_1X_1+\beta_2X_2\]

dimana \(Y\) adalah variabel dependen (Profit), \(X_1, X_2\) adalah variabel independen (Salesa dan Inventory), \(\beta_0, \beta_1, \beta_2\) adalah parameter dalam regresi.

Deskripsi Data

Data yang digunakan dalam analisis ini berasal dari Coffee Chain Datasets, yang kemudian dipilih beberapa variabel dalam ketegori tertentu agar sesuai dengan analisis yang diinginkan. Diperoleh variabel Profit sebagai \(Y\), variabel Sales sebagai \(X_1\), dan Inventory sebagai \(X_2\).

#Memuat package yang diperlukan
library(readxl)
library(lmtest)
library(car)
library(knitr)
library(rmarkdown)
library(ggpubr)
library(DT)

#Mengimport data dari file excel
data_SIM<- read_excel("D:/SIM/CM 1/CM 1 SIM.xlsx")
datalist<- datatable(data_SIM,
                     options = list(
                       scrollX = TRUE,
                       pageLength = 12,
                       lengthMenu = c(12, 24, 36, 48)
                     ))
datalist

Statistika Deskriptif

Statistika deskriptif merupakan metode analisis yang sangat penting untuk memeberikan informasi terkait ringkasan dari suatu data. Dengan memanfaatkan berbagai ukuran statistik, statistika deskriptif membantu memberikan informasi serta karakteristik utama dalam data. Beberapa ukuran statistik yang sering digunakan meliputi nilai minimum (Min), maksimum (Max), kuartil pertama (Q1) dan kuartil ketiga (Q3), median (Q2), serta rata-rata (mean).

#Statistika Deskriptif
summary(data_SIM)

##    Area Code        Date                        Market         
##  Min.   :702   Min.   :2012-01-01 00:00:00   Length:48         
##  1st Qu.:702   1st Qu.:2012-06-23 12:00:00   Class :character  
##  Median :702   Median :2012-12-16 12:00:00   Mode  :character  
##  Mean   :737   Mean   :2012-12-15 22:00:00                     
##  3rd Qu.:775   3rd Qu.:2013-06-08 12:00:00                     
##  Max.   :775   Max.   :2013-12-01 00:00:00                     
##  Market Size          Product          Product Line       Product Type      
##  Length:48          Length:48          Length:48          Length:48         
##  Class :character   Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character  
##                                                                             
##                                                                             
##                                                                             
##     State               Type               Profit           Sales      
##  Length:48          Length:48          Min.   :-7.000   Min.   :61.00  
##  Class :character   Class :character   1st Qu.:-1.250   1st Qu.:68.75  
##  Mode  :character   Mode  :character   Median : 3.500   Median :75.50  
##                                        Mean   : 3.396   Mean   :76.15  
##                                        3rd Qu.: 8.000   3rd Qu.:82.00  
##                                        Max.   :22.000   Max.   :97.00  
##    Inventory     
##  Min.   : 190.0  
##  1st Qu.: 239.0  
##  Median : 605.0  
##  Mean   : 606.4  
##  3rd Qu.: 997.0  
##  Max.   :1010.0

Berdasalkan hasil statistika deskriptif diatas kita dapat melihat nilai mean, median, min, max dll dari semua variabel yang ada.

Model REGRESI Berganda

ModelRG<-lm(Profit ~ Sales+Inventory, data=data_SIM)
summary(ModelRG)

## 
## Call:
## lm(formula = Profit ~ Sales + Inventory, data = data_SIM)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -3.6683 -1.3198  0.2229  1.3868  5.5524 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -3.856e+01  3.523e+00 -10.946 2.84e-14 ***
## Sales        3.916e-01  4.083e-02   9.591 1.89e-12 ***
## Inventory    2.002e-02  9.462e-04  21.153  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.89 on 45 degrees of freedom
## Multiple R-squared:  0.9142, Adjusted R-squared:  0.9104 
## F-statistic: 239.8 on 2 and 45 DF,  p-value: < 2.2e-16

Diperoleh model Regresi dari analisi diatas adalah:

\[Y=-38.56+0.3916X_1+0.2002X_2\]

Interpretasi:

Setiap kenaikan 1 Sales maka Profit akan naik sebesar 0.3916

Setiap kenaikan 1 Inventory maka Profit akan naik sebesar 0.2002

Selain itu, diperoleh nilai Adjusted R-squared = 0.9104 yang berarti bahwa profit mampu dijelaskan secara bersama-sama oleh variabel Sales dan Inventory sebesar 91.04% sedangkan sisanya 8.96% disebabkan variabel lain yang tidak tercantum dalam model.

Uji Signifikansi

Uji Simultan (Uji F)

a. Hipotesis:

\(H_0\)= Sales dan Inventory tidak berpengaruh signifikan terhadap Profit

\(H_1\)= Minimal terdapat 1 variabel (Sales atau Inventory) berpengaruh signifikan terhadap profit

b. Taraf Signifikansi:

\(\alpha\)=0.05

c. Daerah Kritis:

\(H_0\) ditolak jika p-value<\(\alpha\)=0.05

d. Statistik Uji:

#Uji F
summary(ModelRG)

## 
## Call:
## lm(formula = Profit ~ Sales + Inventory, data = data_SIM)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -3.6683 -1.3198  0.2229  1.3868  5.5524 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -3.856e+01  3.523e+00 -10.946 2.84e-14 ***
## Sales        3.916e-01  4.083e-02   9.591 1.89e-12 ***
## Inventory    2.002e-02  9.462e-04  21.153  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.89 on 45 degrees of freedom
## Multiple R-squared:  0.9142, Adjusted R-squared:  0.9104 
## F-statistic: 239.8 on 2 and 45 DF,  p-value: < 2.2e-16

e. Kesimpulan:

Berdasarkan perhitungan diatas diperoleh nili p-value:< 2.2e-16 <\(\alpha\) = 0.05, maka \(H_0\) ditolak yang artinya minimal terdapat 1 variabel (Sales atau Inventory) berpengaruh signifikan terhadap profit

Uji Parsial (Uji T)

a. Hipotesis:

Variabel \(X_1\)=Sales

\(H_0\)= Sales tidak berpengaruh signifikan terhadap Profit

\(H_1\)= Sales berpengaruh signifikan terhadap profit

Variabel \(X_2\)=Inventory

\(H_0\)= Inventory tidak berpengaruh signifikan terhadap Profit

\(H_1\)= Inventory berpengaruh signifikan terhadap profit

b. Taraf Signifikansi:

\(\alpha\)=0.05

c. Daerah Kritis:

\(H_0\) ditolak jika p-value<\(\alpha\)=0.05

d. Statistik Uji:

#Uji T
summary(ModelRG)

## 
## Call:
## lm(formula = Profit ~ Sales + Inventory, data = data_SIM)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -3.6683 -1.3198  0.2229  1.3868  5.5524 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -3.856e+01  3.523e+00 -10.946 2.84e-14 ***
## Sales        3.916e-01  4.083e-02   9.591 1.89e-12 ***
## Inventory    2.002e-02  9.462e-04  21.153  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.89 on 45 degrees of freedom
## Multiple R-squared:  0.9142, Adjusted R-squared:  0.9104 
## F-statistic: 239.8 on 2 and 45 DF,  p-value: < 2.2e-16

e. Kesimpulan:

Berdasarkan perhitungan diatas untuk \(X_1\) diperoleh nili p-value:1.89e-12 <\(\alpha\) = 0.05, maka \(H_0\) ditolak yang artinya Sales berpengaruh signifikan terhadap profit. Untuk \(X_2\) diperoleh nili p-value: < 2e-16 <\(\alpha\) = 0.05, maka \(H_0\) ditolak yang artinya Inventory berpengaruh signifikan terhadap profit.

Uji Asumsi Klasik

Uji Normalitas

a. Hipotesis:

\(H_0\)= Residu berdistribusi normal

\(H_1\)= Residu tidak berdistribusi normal

b. Taraf Signifikansi:

\(\alpha\)=0.05

c. Daerah Kritis:

\(H_0\) ditolak jika p-value<\(\alpha\)=0.05

d. Statistik Uji:

#uji normalitas dengan plot
ggqqplot(ModelRG$residuals) +
  ggtitle("Uji Normalitas Residu")

#uji normalitas
shapiro.test(ModelRG$residuals)

## 
##  Shapiro-Wilk normality test
## 
## data:  ModelRG$residuals
## W = 0.96779, p-value = 0.2075

e. Kesimpulan:

Berdasarkan perhitungan diatas diperoleh p-value: 0.2075>\(\alpha\)=0.05, maka \(H_0\) gagal ditolak yang artinya residu berdistribusi normal.

Uji Heteroskedastisitas

a. Hipotesis:

\(H_0\)= Tidak terdapat gejala heteroskedastisitas

\(H_1\)= Terdapat gejala heteroskedastisitas

b. Taraf Signifikansi:

\(\alpha\)=0.05

c. Daerah Kritis:

\(H_0\) ditolak jika p-value<\(\alpha\)=0.05

d. Statistik Uji:

bptest(ModelRG)

## 
##  studentized Breusch-Pagan test
## 
## data:  ModelRG
## BP = 5.6528, df = 2, p-value = 0.05923

e. Kesimpulan:

Berdasarkan perhitungan diatas diperoleh p-value:0.05923>\(\alpha\)=0.05, maka \(H_0\) gagal ditolak yang berarti tidak terdapat gejala heteroskedastisitas artinya variansi residual (sisa-sisa) model regresi konstan di semua tingkat variabel independen.

Uji Autokorelasi

a. Hipotesis:

\(H_0\)= Tidak ada gejala autokorelasi antar residu

\(H_1\)= Terdapat gejala autokorelasi antar residu

b. Taraf Signifikansi:

\(\alpha\)=0.05

c. Daerah Kritis:

\(H_0\) ditolak jika 4-dl<DW<4 atau 0<d<dl

d. Statistik Uji:

n=48

dl= 1.450

d. Statistik Uji:

dwtest(ModelRG)

## 
##  Durbin-Watson test
## 
## data:  ModelRG
## DW = 2.0237, p-value = 0.5521
## alternative hypothesis: true autocorrelation is greater than 0

e. Kesimpulan:

Berdasarkan perhitungan diatas diperoleh nilai DW=2.0237, maka 2.55>2.0237<4 atau 0<2.037>1.450, sehingga \(H_0\) gagal ditolak yang artinya tidak ada gejala autokorelasi antar residu.

Uji Multikolinearitas

a. Hipotesis:

\(H_0\)= Tidak terjadi multikolinearitas

\(H_1\)= Terjadi multikolinearitas

b. Taraf Signifikansi:

\(\alpha\)=0.05

c. Daerah Kritis:

\(H_0\) ditolak jika VIF > 10

d. Statistik Uji:

vif(ModelRG)

##     Sales Inventory 
##  1.755347  1.755347

e. Kesimpulan:

Berdasarkan perhitungan diatas diperoleh nilai VIF kedua variabel < 10, maka \(H_0\) gagal ditolak yang artinya tidak terjadi multikolinearitas.

Kesimpulan

Berdasarkan analisis yang dilakukan diperoleh persamaan regresi yang terbentuk adalah \(Y=-38.56+0.3916X_1+0.2002X_2\). Setelah dilakukan uji signifikansi didapatkan bahwa variabel \(X_1\) (Sales) dan \(X_2\) (Inventory) berpengaruh signifikan terhadap variabel \(Y\) (Profit) secara simultan dan secara parsial. Berdasarkan uji asumsi klasik, semua uji asumsi klasik terpenuhi sehingga model regresi layak digunakan.

Analisis Regresi Berganda Pengaruh Sales dan Inventory terhadap Profit dalam Jenis Produk Coffe di Kota Nevada

Rahesa Ahsanul Huda - M0723071

Pendahuluan

Deskripsi Data

Statistika Deskriptif

Model REGRESI Berganda

Uji Signifikansi

Uji Simultan (Uji F)

Uji Parsial (Uji T)

Uji Asumsi Klasik

Uji Normalitas

Uji Heteroskedastisitas

Uji Autokorelasi

Uji Multikolinearitas

Kesimpulan