Analisis Regresi Linier Berganda Pengaruh Marketing dan Sales terhadap Profit pada Market Central Berukuran Small dengan Tipe Regular pada Triwulan II Tahun 2013

---

Pendahuluan

Industri kopi merupakan salah satu sektor yang mengalami pertumbuhan pesat dalam beberapa dekade terakhir, baik di tingkat nasional maupun global. Permintaan yang terus meningkat, variasi produk yang semakin beragam, serta berkembangnya budaya konsumsi kopi mendorong pelaku usaha untuk meningkatkan strategi pemasaran dan penjualan mereka guna memperoleh profit yang optimal. Dalam konteks bisnis, profit atau laba menjadi indikator utama kinerja keuangan suatu perusahaan, yang dipengaruhi oleh berbagai faktor internal, salah satunya adalah pengeluaran untuk pemasaran (marketing) dan tingkat penjualan (sales).

Pemasaran atau marketing memegang peran penting dalam memperkenalkan produk, membangun citra merek, serta menarik dan mempertahankan pelanggan. Sementara itu, penjualan atau sales mencerminkan keberhasilan distribusi produk kepada konsumen akhir dan berdampak langsung pada perolehan pendapatan perusahaan. Keterkaitan antara pengeluaran pemasaran (marketing), volume penjualan (sales), dan laba (profit) menjadi topik yang relevan untuk dianalisis, terutama dalam industri kopi yang memiliki persaingan ketat.

Tujuan dari penelitian ini adalah untuk menganalisis pengaruh variabel pemasaran (marketing) dan penjualan (sales) terhadap laba (profit) menggunakan pendekatan analisis regresi berganda. Hasil penelitian diharapkan dapat memberikan kontribusi dalam pengambilan keputusan strategis terkait alokasi anggaran pemasaran dan target penjualan guna meningkatkan profitabilitas perusahaan, khususnya di segmen pasar yang diteliti.

Landasan Teori

Regresi Linier Berganda

Regresi Linier Berganda adalah regresi yang mempunyai hubungan antara satu peubah tidak bebas \(Y\) dengan beberapa peubah lain yang bebas \(X_1, X_2, ..., X_n\). Hubungan \(Y\) dan \(X_1, X_2, ..., X_n\) adalah sebagai berikut \[Y_i=\beta_0 + \beta_1X_1 +\beta_2X_2+...+\beta_nX_n+\epsilon_i\] Keterangan:

\(Y\)	: Variabel dependen
\(X_1, X_2, ...,X_n\)	: Variabel-variabel independen
\(\beta_0, \beta_1, \beta_2,\dots,\beta_k\)	: Parameter/koefisien yang ditaksir
\(\epsilon_i\)	: Nilai sesatan

Uji Asumsi Klasik

Uji asumsi klasik adalah sebuah analisis yang digunakan untuk menilai apakah suatu model linier memiliki beberapa masalah asumsi klasik atau tidak.

Uji Normalitas

Tujuan uji normalitas adalah untuk menilai apakah di dalam suatu model regresi, variabel dependen dan independen atau keduanya memiliki distribusi normal atau tidak. Model regresi yang baik merupakan model regresi yang distribusi datanya normal atau mendekati normal.

Uji Autokorelasi

Autokorelasi merupakan sebuah keadaan di dalam model regresi terdapat korelasi antara residual pada periode t dengan residual pada periode sebelumnya (t-1). Model regresi yang baik adalah model regresi yang di dalamnya tidak ditemukan suatu masalah autokorelasi. Uji autokorelasi bertujuan untuk menguji apakah di dalam model regresi linier terdapat korelasi antara residual pada periode t dengan residual pada periode t-1.

Uji Multikolinearitas

Uji multikolinearitas digunakan untuk mengetahui apakah di dalam model regresi terdapat hubungan atau korelasi antar variabel bebas. Kriteria mengenai uji multikolinearitas adalah apabila uji VIF (Variance Inflation Factor) bernilai <10 dan Tolerance >0,1 maka artinya tidak ada masalah multikolinearitas.

Uji Heteroskedastisitas

Tujuan dilakukan uji heteroskedastisitas adalah untuk menguji apakah di dalam suatu model regresi terdapat perbedaan varian residual dari satu pengamatan dengan pengamatan yang lain. Heteroskedastisitas dapat diartikan sebagai terjadinya ketidaksamaan atau perbedaan varian dari residual untuk seluruh pengamatan pada model regresi.

Uji Hipotesis

Uji hipotesis adalah sebuah tata cara yang berisi sekumpulan aturan yang mengarah kepada sebuah pengambilan keputusan apakah akan menerima atau menolak hipotesis tentang suatu parameter yang sebelumnya sudah dirumuskan.

Uji Simultan (Uji F)

Pengaplikasian Uji-F atau uji simultan memiliki tujuan untuk menguji apakah variabel-variabel bebas (variabel independen) secara signifikan bersama-sama memiliki pengaruh terhadap variabel tak bebas (variabel dependen).

Uji Parsial (Uji t)

Pengujian koefisien regresi secara individual (pasial) atau uji t memiliki tujuan untuk mengetahui apakah suatu model regresi yang terbentuk secara parsial, variabel-variabel bebasnya (independen) memiliki pengaruh yang signifikan terhadap variabel tak bebas (dependen).

Analisis dan Hasil

#Memuat package yang dibutuhkan
library(readxl)
library(car)
library(lmtest)
library(knitr)
library(rmarkdown)
library(dplyr)
library(DT)

Data

#Import data 
Coffee_Chain <- read_excel("C:/Users/DELL E5450/Documents/Rara/Coffee Chain.xlsx", 
                                                col_types = c("numeric", "date", "text", 
                                         "text", "text", "text", "text", "text", 
                                         "text", "numeric", "numeric", "numeric"))

datatable(Coffee_Chain)

Data yang digunakan dalam analisis ini berjumlah 45 data, yang merupakan data pada market central berukuran small market dengan tipe regular pada triwulan II (April-Juni) tahun 2013. Pada analisis ini, variabel Profit digunakan sebagai variabel dependen \(Y\), sedangkan variabel Marketing dan Sales digunakan sebagai variabel independen, masing-masing sebagai \(X_1\) dan \(X_2\).

Estimasi Model Regresi

model=lm(Profit~Marketing+Sales, data=Coffee_Chain)
model

## 
## Call:
## lm(formula = Profit ~ Marketing + Sales, data = Coffee_Chain)
## 
## Coefficients:
## (Intercept)    Marketing        Sales  
##    -25.4611      -1.2956       0.6876

summary(model)

## 
## Call:
## lm(formula = Profit ~ Marketing + Sales, data = Coffee_Chain)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -20.732 -10.093  -1.597   7.869  23.747 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -25.4611     2.9126  -8.742 5.30e-11 ***
## Marketing    -1.2956     0.1247 -10.390 3.54e-13 ***
## Sales         0.6876     0.0240  28.647  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 13.11 on 42 degrees of freedom
## Multiple R-squared:  0.9743, Adjusted R-squared:  0.9731 
## F-statistic: 796.9 on 2 and 42 DF,  p-value: < 2.2e-16

Berdasarkan hasil analisis regresi linier berganda didapatkan persamaan regresi yaitu: \[\hat{Y}=-25,4611-1,2956X_1+0,6876X_2\]

Interpretasi

1. Jika nilai Marketing \((X_1)\) dan Sales \((X_2)\) adalah \(0\), maka nilai Profit \((Y)\) yang diprediksi adalah \(-25,4611\).

2. Setiap peningkatan \(1\) unit biaya Marketing \((X_1)\), akan menyebabkan penurunan Profit \((Y)\) sebesar \(1,2956\) satuan.

3. Setiap peningkatan \(1\) unit Sales \((X_2)\), akan menyebabkan kenaikan Profit \((Y)\) sebesar \(0,6876\) satuan. Hal ini menunjukkan hubungan yang searah antara sales dan profit.

Nilai Multiple R-squared \((R^2)\) sebesar \(0,9743\) yang artinya \(97,43\%\) variasi profit dapat dijelaskan oleh variasi marketing dan sales. Nilai Adjusted R-squared sebesar \(0,9731\) menunjukkan model sangat baik dan tidak overfitting.

Uji Asumsi Klasik

Uji Normalitas

1. Hipotesis
   \(\begin{aligned} H_0 & : \text{Residu berdistribusi normal} \\ H_1 & : \text{Residu tidak berdistribusi normal} \end{aligned}\)

2. Taraf Signifikansi
   \(\alpha = 5\%\)

3. Daerah Kritis
   \(\begin{aligned} H_0 & \ \text{ditolak apabila nilai p-value} < \alpha = 5\% = 0,05 \end{aligned}\)

4. Statistik Uji
   

qqnorm(resid(model))
qqline(resid(model))

Dapat dilihat pada plot di atas bahwa sebagian besar titik mengikuti garis lurus yang berarti bahwa secara visual residual model cukup memenuhi asumsi normalitas.

shapiro.test(model$residuals)

## 
##  Shapiro-Wilk normality test
## 
## data:  model$residuals
## W = 0.95241, p-value = 0.06268

22. Kesimpulan
    Karena nilai p-value sebesar \(0,06268 > 0,05\) maka \(H_0\) tidak dapat ditolak yang berarti bahwa residual berdistribusi normal.

Uji Autokorelasi

1. Hipotesis
   \(\begin{aligned} H_0 & : \text{Tidak ada autokorelasi antar residu } \\ H_1 & : \text{Terjadi autokorelasi antar residu} \end{aligned}\)

2. Taraf Signifikansi
   \(\alpha = 5\%\)

3. Daerah Kritis
   \(\begin{aligned} H_0 & \ \text{ditolak apabila nilai p-value} < \alpha = 5\% = 0,05 \end{aligned}\)

4. Statistik Uji
   

dwtest(model)

## 
##  Durbin-Watson test
## 
## data:  model
## DW = 2.0307, p-value = 0.5132
## alternative hypothesis: true autocorrelation is greater than 0

22. Kesimpulan
    Karena nilai p-value sebesar \(0,5132 > 0,05\) maka \(H_0\) tidak dapat ditolak yang berarti bahwa tidak ada autokorelasi antar residu.

Uji Multikolinearitas

1. Hipotesis
   \(\begin{aligned} H_0 & : \text{Tidak terjadi multikolinearitas } \\ H_1 & : \text{Terjadi multikolinearitas} \end{aligned}\)

2. Taraf Signifikansi
   \(\alpha = 5\%\)

3. Daerah Kritis
   \(\begin{aligned} H_0 & \ \text{ditolak apabila nilai VIF} > 10 \end{aligned}\)

4. Statistik Uji
   

vif(model)

## Marketing     Sales 
##  3.820729  3.820729

22. Kesimpulan
    Karena nilai VIF kedua variabel \(<10\) maka \(H_0\) tidak dapat ditolak yang berarti bahwa tidak terjadi multikolinearitas.

Uji Heteroskedastisitas

1. Hipotesis
   \(\begin{aligned} H_0 & : \text{Tidak terjadi gejala heteroskedastisitas (terjadi gejala homoskedastisitas) } \\ H_1 & : \text{Terjadi gejala heteroskedastisitas (tidak terjadi gejala homoskedastisitas) } \end{aligned}\)

2. Taraf Signifikansi
   \(\alpha = 5\%\)

3. Daerah Kritis
   \(\begin{aligned} H_0 & \ \text{ditolak apabila nilai p-value} < \alpha = 5\% = 0,05 \end{aligned}\)

4. Statistik Uji
   

bptest(model)

## 
##  studentized Breusch-Pagan test
## 
## data:  model
## BP = 4.3217, df = 2, p-value = 0.1152

22. Kesimpulan
    Karena nilai p-value sebesar \(0,1152 > 0,05\) maka \(H_0\) tidak dapat ditolak yang berarti bahwa tidak terjadi gejala heteroskedastisitas (terjadi gejala homoskedastisitas).

Rangkuman Uji Asumsi Klasik

Uji Normalitas	Terpenuhi
Uji Autokorelasi	Terpenuhi
Uji Multikolinearitas	Terpenuhi
Uji Heteroskedastisitas	Terpenuhi

Uji Hipotesis

Uji Simultan (Uji F)

1. Hipotesis
   \(\begin{aligned} H_0 & : \text{Tidak terdapat pengaruh antara marketing dan sales terhadap profit } \\ H_1 & : \text{Minimal terdapat satu variabel yang berpengaruh terhadap profit} \end{aligned}\)

2. Taraf Signifikansi
   \(\alpha = 5\%\)

3. Daerah Kritis
   \(\begin{aligned} H_0 & \ \text{ditolak apabila nilai p-value} < \alpha = 5\% = 0,05 \end{aligned}\)

4. Statistik Uji
   

summary(model)

## 
## Call:
## lm(formula = Profit ~ Marketing + Sales, data = Coffee_Chain)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -20.732 -10.093  -1.597   7.869  23.747 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -25.4611     2.9126  -8.742 5.30e-11 ***
## Marketing    -1.2956     0.1247 -10.390 3.54e-13 ***
## Sales         0.6876     0.0240  28.647  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 13.11 on 42 degrees of freedom
## Multiple R-squared:  0.9743, Adjusted R-squared:  0.9731 
## F-statistic: 796.9 on 2 and 42 DF,  p-value: < 2.2e-16

22. Kesimpulan
    Karena nilai p-value sebesar \(<2,2\times10^{-16} < 0,05\) maka \(H_0\) ditolak yang berarti bahwa minimal terdapat satu variabel yang berpengaruh terhadap profit.

Uji Parsial (Uji t)

Pengaruh Marketing terhadap Profit

1. Hipotesis
   \(\begin{aligned} H_0 & : \text{Tidak terdapat pengaruh yang signifikan antara marketing terhadap profit } \\ H_1 & : \text{Terdapat pengaruh yang signifikan antara marketing terhadap profit} \end{aligned}\)

2. Taraf Signifikansi
   \(\alpha = 5\%\)

3. Daerah Kritis
   \(\begin{aligned} H_0 & \ \text{ditolak apabila nilai p-value} < \alpha = 5\% = 0,05 \end{aligned}\)

4. Statistik Uji
   

summary(model)

## 
## Call:
## lm(formula = Profit ~ Marketing + Sales, data = Coffee_Chain)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -20.732 -10.093  -1.597   7.869  23.747 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -25.4611     2.9126  -8.742 5.30e-11 ***
## Marketing    -1.2956     0.1247 -10.390 3.54e-13 ***
## Sales         0.6876     0.0240  28.647  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 13.11 on 42 degrees of freedom
## Multiple R-squared:  0.9743, Adjusted R-squared:  0.9731 
## F-statistic: 796.9 on 2 and 42 DF,  p-value: < 2.2e-16

22. Kesimpulan
    Karena nilai p-value sebesar \(3,54\times 10^{-13} < 0,05\) maka \(H_0\) ditolak yang berarti bahwa terdapat pengaruh yang signifikan antara marketing terhadap profit.

Pengaruh Sales terhadap Profit

1. Hipotesis
   \(\begin{aligned} H_0 & : \text{Tidak terdapat pengaruh yang signifikan antara sales terhadap profit } \\ H_1 & : \text{Terdapat pengaruh yang signifikan antara sales terhadap profit} \end{aligned}\)

2. Taraf Signifikansi
   \(\alpha = 5\%\)

3. Daerah Kritis
   \(\begin{aligned} H_0 & \ \text{ditolak apabila nilai p-value} < \alpha = 5\% = 0,05 \end{aligned}\)

4. Statistik Uji
   

summary(model)

## 
## Call:
## lm(formula = Profit ~ Marketing + Sales, data = Coffee_Chain)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -20.732 -10.093  -1.597   7.869  23.747 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -25.4611     2.9126  -8.742 5.30e-11 ***
## Marketing    -1.2956     0.1247 -10.390 3.54e-13 ***
## Sales         0.6876     0.0240  28.647  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 13.11 on 42 degrees of freedom
## Multiple R-squared:  0.9743, Adjusted R-squared:  0.9731 
## F-statistic: 796.9 on 2 and 42 DF,  p-value: < 2.2e-16

22. Kesimpulan
    Karena nilai p-value sebesar \(<2,2\times10^{-16} < 0,05\) maka \(H_0\) ditolak yang berarti bahwa terdapat pengaruh yang signifikan antara sales terhadap profit.

Kesimpulan

• Pada Uji F didapatkan hasil bahwa minimal terdapat satu variabel yang berpengaruh terhadap profit.

• Pada Uji t didapatkan hasil bahwa marketing dan sales berpengaruh signifikan secara parsial terhadap profit.

• Jika nilai marketing \((X_1)\) dan sales \((X_2)\) adalah \(0\), maka nilai profit \((Y)\) yang diprediksi adalah \(-25,4611\).

• Setiap peningkatan \(1\) unit biaya marketing \((X_1)\), akan menyebabkan penurunan profit \((Y)\) sebesar \(1,2956\) satuan.

• Setiap peningkatan \(1\) unit pales \((X_2)\), akan menyebabkan kenaikan profit \((Y)\) sebesar \(0,6876\) satuan.

• Nilai Multiple R-squared \((R^2)\) sebesar \(0,9743\) yang artinya \(97,43\%\) variasi profit dapat dijelaskan oleh variasi marketing dan sales.

• Semua uji asumsi klasik yaitu uji normalitas, uji autokorelasi, uji multikolinearitas, dan uji heteroskedastisitas memenuhi syarat, maka model regresi layak digunakan.