Evaluasi Kinerja Product Coffee Chain: Pendekatan Profit Margin dan Korelasi Sales terhadap Profit
Nayla Rahma Ridhafasya | M0723064
1 Dataset
Dataset bersumber dari data penjualan dan operasional Coffee Chain di berbagai States. Terdapat variabel-variabel yang tercantum dalam Coffee Chain Dataset sebagai berikut. Namun sebelum membaca data, terdapat beberapa library yang diperlukan:
Aktifkan library:
library(readxl) # Membaca file Excel
library(dplyr) # Manipulasi Data
library(ggplot2) # Visualisasi Data
library(htmltools) # Mengatur HTML RMarkdown
library(car) # Uji Statistik
library(tidyr) # Untuk data wrangling tambahan
library(knitr) # Untuk kable tabel
library(kableExtra) # Format Tabel pada HTML
library(corrplot) # Untuk visualisasi korelasi
library(scales) # Untuk format skala angka (misal: persen)datakopi <- read_excel("C:/Users/hp/Downloads/3. CM1 - Coffee Chain Datasets.xlsx")
colnames(datakopi)## [1] "Area Code" "Date" "Market" "Market Size"
## [5] "Product" "Product Line" "Product Type" "State"
## [9] "Type" "Budget COGS" "Budget Margin" "Budget Profit"
## [13] "Budget Sales" "COGS" "Inventory" "Margin"
## [17] "Marketing" "Profit" "Sales" "Total Expenses"2 Kasus
Dalam skema bisnis industri minuman, profit margin menjadifaktor penting yang menunjukkan salah satu nilai ukur keberhasilan suatu usaha. Rasio Gross Profit Margin (GPM) yang meningkat menunjukkan semakin besar tingkat kembalian keuntungan kotor yang diperoleh perusahaan terhadap penjualan bersihnya. Semakin efisien biaya yang dikeluarkan perusahaan untuk menunjang kegiatan penjualan sehingga pendapatan yang diperoleh menjadi meningkat (Taruh, 2012:1-11). Rasio Net Profit Margin (NPM) mengukur kemampuan perusahaan dalam menghasilkan laba kaitannya dengan penjualan yang dicapai atau mengukur seberapa besar keuntungan perusahaan dapat diperoleh dari setiap Rupiah penjualan (Syamsudin & Primayuta, 2009:61-69).
Menurut (Wikardi & Wiyani, 2017) pertumbuhan penjualan dari tahun ke tahun menunjukkan bahwa permintaan barang dagang mengalami peningkatan, hal itu menyebabkan kemampuan perusahaan dalam memperoleh profit semakin tinggi. Menurut (Harahap, 2015) kenaikan penjualan menunjukkan persentase kenaikan penjualan tahun ini dibanding dengan tahun lalu. Semakin tinggi rasio pertumbuhan penjualan maka semakin baik. Dengan melihat data penjualan sebelumnya, perusahaan bisa lebih hemat dalam menggunakan sumber daya. Naiknya penjualan penting untuk mengatur modal karena bisa membantu prediksi keuntungan. Selain itu, penjualan yang naik biasanya membuat pasar bertambah, yang akhirnya meningkatkan jumlah penjualan dan keuntungan perusahaan.
3 Metode Analisis
Analisis ini bertujuan untuk mengevaluasi kinerja penjualan dan profitabilitas produk dalam Coffee Chain dengan pendekatan sebagai berikut:
- Pengukuran Profit Margin
Digunakan untuk mengukur seberapa besar keuntungan yang diperoleh dari penjualan produk tertentu setelah dikurangi biaya.
- Analisis statistik (analisis korelasi)
Diperlukan untuk memahami apakah peningkatan penjualan juga selaras dengan peningkatan profit, atau ada inefisiensi biaya.
- Analisis Segmentasi Kinerja Produk
Analisis yang mengelompokkan produk ke dalam segmen berdasarkan kombinasi tingkat penjualan dan margin profit (keuntungan).
4 Analisis Data
4.1 Menghitung Profit Margin
Perhitungan Profit Margin dengan rumus dasar \(\text{Profit Margin} = \frac{\text{Profit}}{\text{Sales}} \times 100\%\) didapatkan hasil nilai sebagai berikut:
data.frame1 <- datakopi %>%
select(Product, Sales , Profit ) %>%
mutate(Profit_Margin = Profit / Sales * 100)
summary_profit_margin <- data.frame1 %>%
group_by(Product) %>%
summarise(
`Profit` = mean(Profit),
`Sales` = mean(Sales),
`Profit Margin` = mean(Profit_Margin),
Count = n()
) %>%
arrange(desc(`Profit Margin`))
summary_profit_margin %>%
kable("html", escape = FALSE, caption = "<b>Tabel Profit Margin per Produk</b>") %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed"))| Product | Profit | Sales | Profit Margin | Count |
|---|---|---|---|---|
| Decaf Espresso | 72.3088235 | 191.5735 | 36.938486 | 408 |
| Darjeeling | 75.6588542 | 190.4974 | 35.156185 | 384 |
| Colombian | 116.2583333 | 267.3146 | 33.874455 | 480 |
| Chamomile | 70.9140625 | 196.8177 | 32.629554 | 384 |
| Caffe Latte | 52.6620370 | 166.1991 | 29.983434 | 216 |
| Earl Grey | 83.9027778 | 231.8472 | 29.589614 | 288 |
| Lemon | 62.2270833 | 199.8458 | 24.924485 | 480 |
| Regular Espresso | 139.7916667 | 333.7639 | 23.503860 | 72 |
| Decaf Irish Cream | 36.4296875 | 162.1042 | 17.951372 | 384 |
| Amaretto | 25.4687500 | 136.8177 | 11.539465 | 192 |
| Mint | 32.0520833 | 185.9896 | 9.803320 | 192 |
| Caffe Mocha | 36.8291667 | 176.8833 | 4.649359 | 480 |
| Green Tea | -0.8020833 | 114.0625 | -127.499700 | 288 |
4.1.1 Diagram Batang Profit Margin
ggplot(summary_profit_margin, aes(x = reorder(Product, `Profit Margin`), y = `Profit Margin`)) +
geom_col(fill = "red4") +
coord_flip() +
scale_y_continuous(labels = function(x) paste0(round(x, 1), "%")) +
labs(title = "Rata-rata Profit Margin per Product",
x = "Product",
y = "Profit Margin (%)")
Berdasarkan grafik rata-rata profit margin per produk, terlihat bahwa sebagian besar jenis produk memiliki margin keuntungan yang positif, yang berarti mereka mampu menghasilkan laba dari penjualan. Produk dengan margin tertinggi adalah Decaf Espresso, diikuti oleh Darjeeling, Colombian, dan Chamomile, yang menunjukkan bahwa keempat produk ini memberikan kontribusi profitabilitas yang relatif tinggi terhadap keseluruhan kinerja perusahaan. Sebaliknya, hanya Green Tea yang menunjukkan Profit Margin negatif, menandakan bahwa biaya yang dikeluarkan untuk produk ini lebih besar dibandingkan dengan pendapatannya.
4.2 Korelasi antara Sales dan Profit
shapiro.test(datakopi$Sales)##
## Shapiro-Wilk normality test
##
## data: datakopi$Sales
## W = 0.78969, p-value < 2.2e-16shapiro.test(datakopi$Profit)##
## Shapiro-Wilk normality test
##
## data: datakopi$Profit
## W = 0.79969, p-value < 2.2e-16Menghasilkan \(p-value < 0.05\) maka direkomendasikan menggunakan analisis korelasi Spearman
4.2.1 Korelasi Spearman
1. Hipotesis
\(H_0 : \rho = 0\) (Tidak terdapat korelasi rank antar variabel)
\(H_1 : \rho \ne 0\) (Terdapat korelasi rank antar variabel)
2. Daerah Kritis
\(H_0\) ditolak jika: \(t < -t_{\alpha/2, n-2} \quad \text{atau} \quad t > t_{\alpha/2, n-2}\)
3. Statistik Uji
Meghitung Nilai Korelasi Spearman
Secara Sistematis
Koefisien korelasi Spearman dihitung dengan rumus:
\[\rho = 1 - \frac{6 \sum d_i^2}{n(n^2 - 1)}\]
Keterangan:
\(d_i\): selisih antara peringkat (rank) dari pasangan nilai ke-i
\(n\): jumlah pasangan data
Perhitungan matematis dengan RStudio untuk mencari hasil pada elemen-elemen yang diperlukan dalam pengolahan rumus:
data.frame2 <- datakopi %>%
mutate(
Rank_Sales = rank(Sales),
Rank_Profit = rank(Profit),
d = Rank_Sales - Rank_Profit,
d_squared = d^2
) %>%
select(Rank_Sales, Rank_Profit, d, d_squared)
colnames(data.frame2) <- c(
"Rank Sales", "Rank Profit", "d", "$d^2$"
)
data.frame2 %>%
head(10) %>% #dengan hanya menampilkan 10 data teratas
kable("html", escape = FALSE, caption = "Ranking dan Perhitungan $d^2$") %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed")) | Rank Sales | Rank Profit | d | \(d^2\) |
|---|---|---|---|
| 3072.0 | 3212.0 | -140.0 | 19600.0 |
| 2788.0 | 2864.0 | -76.0 | 5776.0 |
| 3216.0 | 3290.0 | -74.0 | 5476.0 |
| 1065.0 | 1691.0 | -626.0 | 391876.0 |
| 2055.5 | 2629.0 | -573.5 | 328902.2 |
| 2686.5 | 2608.5 | 78.0 | 6084.0 |
| 3746.5 | 3267.0 | 479.5 | 229920.2 |
| 2330.0 | 544.5 | 1785.5 | 3188010.2 |
| 2166.5 | 1841.0 | 325.5 | 105950.2 |
| 1915.5 | 1086.0 | 829.5 | 688070.2 |
Menghitung sum (jumlah) yang diperlukan untuk operasi korelasi Spearman:
sum_d2 <- sum(data.frame2$`$d^2$`)
n <- nrow(data.frame2)
nilai_sum <- data.frame2 %>%
summarise (
`sum d^2` = sum_d2,
`Jumlah Data (n)` = n
)
colnames(nilai_sum) <- c(
"$\\sum d_i^2$", 'Jumlah Data'
)
nilai_sum %>%
kable("html", escape = FALSE, caption = "Tabel Sum dan n") %>%
kable_styling()| \(\sum d_i^2\) | Jumlah Data |
|---|---|
| 2909219151 | 4248 |
Substitusikan nilai \(\sum d_i^2\) dan Jumlah Data ke dalam rumus, sehingga menjadi \[\rho = 1 - \frac{6 \cdot 2909219151 }{4248(4248^2 - 1)}\]
Hitung dengan RStudio
rho <- 1 - (6 * 2909219151) / (4248 * (4248^2 - 1))
print(rho)## [1] 0.7722942Dengan RStudio
nilai_korelasi <- cor(datakopi$Sales, datakopi$Profit, method = "spearman")
paste("Nilai korelasi antara Sales dan Profit adalah:", round(nilai_korelasi, 3))## [1] "Nilai korelasi antara Sales dan Profit adalah: 0.772"Hasil perhitungan dengan rumus matematis memiliki hasil yang sama dengan perhitungan langsung, yang mana \(\rho = 0.772\) Nilai ini menunjukkan bahwa terdapat hubungan positif yang kuat antara Sales dan Profit. Artinya, semakin tinggi penjualan (Sales), cenderung semakin tinggi pula profit yang diperoleh.
Uji Signifikansi
Dinyatakan dengan rumus: \[t = \frac{\rho \sqrt{n - 2}}{\sqrt{1 - \rho^2}}\]
rho <- 0.772
n <- 4248
t <- (rho * sqrt(n - 2)) / sqrt(1 - rho^2)
print(t)## [1] 79.142184. Kesimpulan
\(t_{(79,14)} > t_{(1.96)}\) maka \(H_0\) ditolak. Dengan demikian, terdapat korelasi yang signifikan secara statistik antara variabel Sales dan Profit pada tingkat signifikansi 5%. Korelasi yang diperoleh bersifat positif dan kuat, menunjukkan bahwa peningkatan nilai Sales cenderung diikuti oleh peningkatan Profit.
4.2.2 Grafik Korelasi antara Sales dan Profit
Grafik untuk visualisasi hubungan antara volume Sales (penjualan) dan Profit (laba) yang dihasilkan oleh masing-masing produk. Berfungsi mengidentifikasi produk unggulan yang memberikan kontribusi profit tertinggi, serta produk yang perlu dievaluasi ulang akibat kinerja keuangan yang kurang optimal.
ggplot(data.frame1, aes(x = Sales, y = Profit, color = Product)) +
geom_point(alpha = 0.6) +
geom_smooth(method = "lm", se = FALSE, color = "black") +
labs(title = "Hubungan antara Penjualan dan Laba per Produk",
x = "Penjualan",
y = "Laba") +
theme(legend.position = "bottom")
Hubungan Penjualan dan Laba
Secara umum, penjualan dan laba memiliki hubungan searah: ketika penjualan naik, laba juga cenderung meningkat. Hal ini terlihat dari garis hitam pada grafik yang menunjukkan tren kenaikan.
Produk Unggulan
Kebanyakan produk menghasilkan keuntungan, terlihat dari titik-titik data yang berada di area positif. Produk seperti Colombian, Regular Espresso, dan Darjeeling menonjol dengan penjualan dan laba yang tinggi, menunjukkan performa yang baik.
Produk Rugi (Profit Negatif)
Beberapa produk seperti Green Tea, Caffe Mocha, dan Amaretto justru berada di zona rugi (area negatif). Ini sesuai dengan data Profit Margin sebelumnya yang menunjukkan masalah pada produk-produk ini.
Variasi Kinerja Produk
Setiap produk punya pola berbeda. Contohnya, Green Tea laris tapi justru merugi, mungkin karena margin terlalu kecil atau biaya produksinya tinggi.
Tingkat Efisiensi
Ada produk yang meski penjualannya rendah tapi sudah untung (efisien), sementara yang lain meski laris tapi labanya kecil atau malah rugi (tidak efisien).
4.3 Segmentasi Produk berdasarkan Margin dan Sales
Grafik dapat membantu membaca hasil korelasi kuantitatif dan analisis efisiensi margin secara visual dan strategis, membantu memahami tidak hanya apakah Sales dan Profit berhubungan, tapi juga bagaimana hubungan itu berlangsung di tiap kelompok produk.
summary_profit_margin <- summary_profit_margin %>%
mutate(Kategori = case_when(
`Sales` >= median(`Sales`) & `Profit Margin` >= 0 ~ "Sales Tinggi, Margin Positif",
`Sales` < median(`Sales`) & `Profit Margin` >= 0 ~ "Sales Rendah, Margin Positif",
`Sales` >= median(`Sales`) & `Profit Margin` < 0 ~ "Sales Tinggi, Margin Negatif",
TRUE ~ "Penjualan Rendah, Margin Negatif"
))
ggplot(summary_profit_margin, aes(x = `Sales`, y = `Profit Margin`, color = Kategori)) +
geom_point(size = 4) +
geom_hline(yintercept = 0, linetype = "dashed") +
geom_vline(xintercept = median(summary_profit_margin$`Sales`), linetype = "dashed") +
labs(title = "Segmentasi Produk berdasarkan Margin dan Sales",
x = "Rata-rata Sales",
y = "Rata-rata Profit Margin (%)")
Grafik ini menunjukkan segmentasi produk berdasarkan rata-rata Sales dan Profit Margin. Mayoritas produk berada di kuadran “Sales Tinggi, Margin Positif” (biru), artinya produk tersebut laris sekaligus menguntungkan, sangat ideal untuk dipertahankan atau diperluas. Produk di kuadran hijau punya margin positif meski penjualannya masih rendah, ini peluang untuk ditingkatkan, yang berarti margin tinggi tidak selalu memiliki profit besar jika volume sales kecil. Sementara itu, hanya satu produk di kuadran merah yang rugi dan penjualannya pun rendah—layak dipertimbangkan untuk dievaluasi.
5 Kesimpulan
Analisis menunjukkan bahwa sebagian besar produk dalam Coffee Chain memiliki profit margin positif, dengan Decaf Espresso, Darjeeling, Colombian, dan Chamomile sebagai penyumbang profitabilitas tertinggi, sementara hanya Green Tea yang mengalami kerugian. Terdapat hubungan positif yang signifikan antara penjualan (Sales) dan laba (Profit), mengindikasikan bahwa peningkatan penjualan umumnya diikuti oleh peningkatan keuntungan. Hasil segmentasi menunjukkan mayoritas produk berada pada kuadran “Sales Tinggi, Margin Positif”, menandakan performa unggulan, sementara beberapa produk dengan margin positif namun penjualan rendah berpotensi untuk dikembangkan, dan satu produk dengan sales rendah serta margin negatif perlu dievaluasi lebih lanjut.