Universitas Sebelas Maret

🌞 | 🌙

Analisis Hubungan Persediaan dan Penjualan Produk Kopi untuk Optimalisasi Manajemen Stok pada Coffee Chain

Danhistya Putri Aziza M0723025 | Sistem Informasi Manajemen A

Pendahuluan

Dalam industri makanan dan minuman, khususnya bisnis kedai kopi, pengelolaan persediaan (inventory management) menjadi aspek krusial dalam menunjang efisiensi operasional dan kepuasan pelanggan. Produk kopi, sebagai komoditas utama pada jaringan usaha seperti coffee chain, memiliki karakteristik yang perlu penanganan stok secara tepat, karena menyangkut kesegaran bahan baku, fluktuasi permintaan, serta biaya penyimpanan yang harus dioptimalkan.

Stok produk kopi yang berlebihan dapat menyebabkan pemborosan dan peningkatan biaya operasional, sementara stok yang terlalu rendah berpotensi menurunkan tingkat pelayanan dan kehilangan peluang penjualan. Oleh karena itu, pemahaman terhadap hubungan antara jumlah persediaan dan tingkat penjualan menjadi penting sebagai dasar pengambilan keputusan, terutama dalam menentukan strategi restocking, pemesanan bahan baku, dan perencanaan gudang.

Penelitian ini difokuskan untuk menganalisis keterkaitan antara nilai persediaan dan penjualan produk kopi pada beberapa cabang Coffee Chain. Melalui pendekatan statistik deskriptif, visualisasi data, dan uji korelasi Spearman, studi ini bertujuan untuk mengidentifikasi apakah terdapat pola hubungan yang signifikan antara kedua variabel tersebut. Hasil analisis diharapkan dapat memberikan insight yang berguna dalam mengoptimalkan sistem manajemen stok serta meningkatkan profitabilitas perusahaan.

Teori Pengantar

Uji Korelasi Spearman

Korelasi rank spearman digunakan apabila data tidak berdistribusi normal sehingga diperliukan analisis koefisien korelaso dari statistik nonparametrik. koefisien korelasi adalah bulangan yang menyatakan kekuaran hubungan antara dua variabel atau lebih juga dapat menentukan arah dari kedua variabel.

Rumus

\[ r_s = 1 - \frac{6 \sum_{i=1}^{n} d_i^2}{n(n^2 - 1)} \]

dimana: \(d_i = R(x_i)-R(y_i)\)

n = jumlah pasangan data

\(\sum_{i=1}^{n} d_i^2\) = jumlah kuadrat selisih ranking

Langkah-Langkah Menghitung r

beri peringkat(ranking) masing-masing variabel (X dan Y)
Hitung selisih peringkat \(d_i = R(x_i)-R(y_i)\)
Hitung kuadrat selisih \(d_i^2\) dan jumlahkan
masukkan ke rumus spearman untuk dihasilkan \(r_s\)

Nilai Korelasi

Nilai korelasi: \(-1 \leq r_s \leq 1\)

\(r = -1\): Korelasi negatif sempurna. Artinya, terjadi hubungan bertolak belakang antara X dan Y — bila X naik, maka Y turun.
\(r = 1\): Korelasi positif sempurna. Artinya, terjadi hubungan searah — bila X naik, maka Y juga naik.
\(r = 0\): Tidak ada korelasi.
\(r\) mendekati 1: Korelasi positif kuat.
\(r\) mendekati \(-1\): Korelasi negatif kuat.

Tabel Interpretasi Nilai rho
Rho.Positif	Rho.Negatif	Kategori
0 ≤ ρ < 0.3	0 > ρ ≥ -0.3	Sangat Lemah
0.3 ≤ ρ < 0.5	-0.3 ≥ ρ > -0.5	Lemah
0.5 ≤ ρ < 0.7	-0.5 ≥ ρ > -0.7	Moderat
0.7 ≤ ρ < 0.9	-0.7 ≥ ρ > -0.9	Kuat
0.9 ≤ ρ < 1	-0.9 ≥ ρ > -1	Sangat Kuat

Uji Normalitas

Uji normalitas yang paling sederhana adalah membuat grafik distribusi frekuensi atas skor yang ada. Pengujian kenormalan tergantung pada kemampuan kita dalam mencermati plotting data. Jika jumlah data cukup banyak dan penyebarannya tidak 100% normal ( tidak normal sempurna), maka kesimpulan yang ditarik kemungkinan akan salah. Pada saat sekarang ini sudah banyak cara yang dikembangkan para ahli untuk melakukan pengujian normalitas. Beberapa diantaranya adalah Uji Kolmogorov-Smirnov, Uji Lilliefors, dan uji shapiro wilk. Dalam analis ini menggunakan uji Kolmogorov-Smirnow karena datanya > 50.

Deskripsi Data

Data yang digunakan dalam analisis ini diambil dari Coffee Chain Dataset yaitu pada tipe produk kopi (coffee). Dataset ini mencakup informasi dari berbagai cabang Coffee Chain, dengan dua variabel yang dianalisis, yaitu:

Y (Sales): Merupakan total nilai penjualan dari produk kopi yang tercatat pada tiap cabang. Variabel ini berperan sebagai variabel respon (dependent variable)
X (Inventory): Menunjukkan total nilai atau jumlah persediaan produk kopi yang tersedia pada masing-masing cabang. (independent variable)

Pemilihan data yang hanya berkaitan dengan produk kopi dimaksudkan agar analisis lebih spesifik dan relevan terhadap tujuan studi, yaitu mengevaluasi efisiensi manajemen stok kopi di seluruh cabang.

#import data
datacm1 <- read_excel("D:/Kuliah Danhis Statistika/SEMESTER 4/Sistem Informasi Manajemen/datacm1.xlsx")
#ambil sampel coffe aja
coffee <- datacm1 %>%
  filter(`Product Type` == "Coffee")
coffee

## # A tibble: 1,056 × 3
##    `Product Type` Inventory Sales
##    <chr>              <dbl> <dbl>
##  1 Coffee               777   219
##  2 Coffee               623   190
##  3 Coffee               821   234
##  4 Coffee               862   345
##  5 Coffee               608   234
##  6 Coffee               821    45
##  7 Coffee               965    62
##  8 Coffee               623    54
##  9 Coffee               494   190
## 10 Coffee               965   170
## # ℹ 1,046 more rows

Pengujian Data

Statistik Deskriptif

Statistik deskriptif digunakan untuk memberikan gambaran umum tentang karakteristik data yang digunakan dalam analisis.

summary(coffee)

##  Product Type         Inventory           Sales      
##  Length:1056        Min.   :-3534.0   Min.   : 23.0  
##  Class :character   1st Qu.:  445.8   1st Qu.:109.0  
##  Mode  :character   Median :  615.5   Median :146.5  
##                     Mean   :  761.3   Mean   :205.3  
##                     3rd Qu.:  956.0   3rd Qu.:230.0  
##                     Max.   : 4216.0   Max.   :912.0

Visualisasi Data

Scatter Plot

ggplot(coffee, aes(x = Inventory, y = Sales)) +
  geom_point(color = "#68838B", size = 2) +  # Titik biru
  geom_smooth(method = "lm", se = FALSE, color = "darkslategray1", linewidth = 1) +  # Garis regresi
  labs(
    title = "Inventory vs Sales (Produk Coffee)",
    x = "Inventory",
    y = "Sales"
  ) +
  theme_minimal()

## `geom_smooth()` using formula = 'y ~ x'

Uji Normalitas

Uji normalitas Penjualan(Sales)

Hipotesis \(H_0\) : Data berdistribusi normal \(H_1\) : Data tidak berdistribusi normal
Taraf Signifikansi \((\alpha)\) : 5%
Daerah Kritis \(H_0\) Ditolak jika \(p-value < \alpha\) : 5%
Statistik Uji

ks.test(coffee$Sales, "pnorm")

## Warning in ks.test.default(coffee$Sales, "pnorm"): ties should not be present
## for the one-sample Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  coffee$Sales
## D = 1, p-value < 2.2e-16
## alternative hypothesis: two-sided

ggqqplot(coffee$Sales) +
  labs(title = "Q-Q Plot Variabel Sales") +
  theme(
    plot.title = element_text(
      hjust = 0.5,
      size = 14,
      face = "bold",
      margin = margin(b = 10)
    )
  )

Kesimpulan Karena \(p-value\) = 2.2e-16 < 0,05 maka \(H_0\) ditolak sehingga data tidak berdistribusi normal.

Uji normalitas Persediaan(Inventory)

Hipotesis \(H_0\) : Data berdistribusi normal \(H_1\) : Data tidak berdistribusi normal
Taraf Signifikansi \((\alpha)\) : 5%
Daerah Kritis \(H_0\) Ditolak jika \(p-value < \alpha\) : 5%
Statistik Uji

ks.test(coffee$Inventory, "pnorm")

## Warning in ks.test.default(coffee$Inventory, "pnorm"): ties should not be
## present for the one-sample Kolmogorov-Smirnov test

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  coffee$Inventory
## D = 0.98106, p-value < 2.2e-16
## alternative hypothesis: two-sided

ggqqplot(coffee$Inventory) +
  labs(title = "Q-Q Plot Variabel Inventory") +
  theme(
    plot.title = element_text(
      hjust = 0.5,
      size = 14,
      face = "bold",
      margin = margin(b = 10)
    )
  )

Kesimpulan Karena \(p-value\) = 2.2e-16 < 0,05 maka \(H_0\) ditolak sehingga data tidak berdistribusi normal.

Uji Korelasi Spearman

Hipotesis \(H_0\) : Tidak ada hubungan antara variabel X (Inventory) dengan variabel Y (Sales) (saling independen) \(H_1\) : Ada hubungan antara variabel X (inventory) dengan variabel Y (Sales) (tidak saling independen)
Taraf Signifikansi \((\alpha)\)
Daerah Kritis \(H_0\) Ditolak jika \(p-value < \alpha\)
Statistik Uji

cor.test(coffee$Inventory, coffee$Sales, method = "spearman")

## Warning in cor.test.default(coffee$Inventory, coffee$Sales, method =
## "spearman"): Cannot compute exact p-value with ties

## 
##  Spearman's rank correlation rho
## 
## data:  coffee$Inventory and coffee$Sales
## S = 151104226, p-value = 3.727e-14
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##       rho 
## 0.2300961

Kesimpulan Karena \(p-value\) = 3.727e-14 < 0,05 maka \(H_0\) ditolak sehingga ada hubungan antara variabel X (inventory) dengan variabel Y (Sales) atau kedua variabel tidak saling independen.

Interpretasi

Visualisasi scatterplot terlihat bahwa hubungan antara Inventory dan Sales bersifat non-linier dan cukup menyebar. Terlihat bahwa peningkatan jumlah inventory tidak selalu diikuti oleh peningkatan sales, yang mengindikasikan bahwa hubungan antara keduanya tidak bersifat langsung atau proporsional. Berdasarkan pengujian yang telah dilakukan, diperoleh bahwa tipe produk coffee pada sales dan inventory tidak berdistribusi normal. Oleh karena itu, analisis hubungan antara kedua variabel dilakukan menggunakan uji korelasi Spearman yang tidak mengasumsikan normalitas data. Berdasarkan hasil uji statistik menggunakan uji korelasi Spearman terhadap 1056 sampel, diperoleh nilai p-value = 3.727e-14 < 0,05 dan koefisien korelasi (ρ = 0,2300916) antara Inventory dan Sales produk kopi. Artinya, terdapat hubungan yang signifikan secara statistik antara persediaan barang dengan jumlah penjualan.

Nilai koefisien korelasi sebesar 0,2300961 menunjukkan bahwa kekuatan hubungan antara kedua variabel tergolong lemah dengan arah hubungan positif. Ini berarti semakin tinggi nilai inventory, maka cenderung semakin tinggi pula nilai sales, meskipun hubungannya tidak kuat.

Hal ini menunjukkan bahwa pengelolaan stok yang lebih baik pada produk kopi kemungkinan besar akan berkontribusi pada peningkatan penjualan, meskipun masih terdapat faktor-faktor lain yang juga turut memengaruhi performa penjualan. Meskipun demikian, hubungan yang ditemukan bersifat tidak linier dan cenderung bervariasi antar pengamatan, sehingga peningkatan inventory belum tentu selalu menghasilkan peningkatan sales. Oleh karena itu, disarankan agar manajemen cabang melakukan evaluasi terhadap efisiensi stok, dengan mempertimbangkan faktor lain seperti permintaan lokal, promosi, dan waktu tertentu dalam setahun.

Referensi

Yasril, A., Fatma, F., Febrianti, D., Studi, P., Ilmu, S., Masyarakat, K., Fort, U., Kock, D., Bukittinggi, K., & Barat, S. (2021). 6, 527–533.

Nelvidawati Nelvidawati, & Kasman, M. (2023). Penggunaan Korelasi Spearman Untuk Menguji Hubungan Suhu Dan Besarnya Curah Hujan Bulanan di Kota Padang. Jurnal Daur Lingkungan, 6(1), 34–39. http://daurling.unbari.ac.id/index.php/darling/article/view/181/80

Pendidikan, U., Fkip, M., Muhammadiyah, U., & Barat, S. (2020). PENGUJIAN PERSYARATAN ANALISIS (UJI HOMOGENITAS DAN UJI NORMALITAS). 7(1). https://www.jurnal.umsb.ac.id/index.php/inovasipendidikan/article/viewFile/2281/1798