PENDAHULUAN

Profit merupakan salah satu indikator utama yang digunakan untuk menilai kinerja dan keberlanjutan suatu bisnis. Dalam dunia usaha, khususnya industri coffee chain yang kompetitif, profit mencerminkan keberhasilan strategi operasional dan pemasaran yang dijalankan oleh perusahaan. Tinggi rendahnya profit dapat dipengaruhi oleh berbagai faktor internal, termasuk aktivitas penjualan dan strategi pemasaran.

Penjualan (sales) menggambarkan seberapa besar produk atau layanan berhasil dijual ke konsumen, sedangkan pemasaran (marketing) berkaitan dengan bagaimana perusahaan membangun komunikasi, menarik minat, dan membentuk loyalitas pelanggan. Keduanya merupakan komponen penting dalam sistem bisnis yang saling berkaitan dan berpotensi besar memengaruhi profit perusahaan.

Analisis ini bertujuan untuk mengetahui pengaruh antara sales dan marketing terhadap profit dengan menggunakan data dari sebuah coffee chain. Melalui uji regresi linear berganda, hubungan simultan antara kedua variabel bebas tersebut terhadap profit akan dianalisis secara kuantitatif. Hasil dari analisis ini diharapkan dapat memberikan gambaran mengenai seberapa besar kontribusi sales dan marketing terhadap peningkatan profit, sekaligus menjadi dasar bagi pengambilan keputusan bisnis yang lebih tepat sasaran.

SOURCE CODE
1. Library
#Package yang digunakan
library(readxl)
library(car)
library(lmtest)
library(knitr)
library(markdown)
library(ggplot2)

2. Data
#Input Data
DATA <- read_excel("C:/Data Coffee Chain.xlsx")

MODEL REGRESI BERGANDA

# Regresi linear berganda
model <- lm(Y ~ X1 + X2, data = DATA)
summary(model)

## 
## Call:
## lm(formula = Y ~ X1 + X2, data = DATA)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -334.62  -13.59   -0.19   15.64  276.60 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -25.172413   0.931639  -27.02   <2e-16 ***
## X1            0.865916   0.005279  164.02   <2e-16 ***
## X2           -2.592300   0.029526  -87.80   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 36.59 on 4245 degrees of freedom
## Multiple R-squared:  0.8706, Adjusted R-squared:  0.8706 
## F-statistic: 1.428e+04 on 2 and 4245 DF,  p-value: < 2.2e-16

Diperoleh model regresi sebagai berikut: \[Y = −25.17+0.8659X_1 −2.5923X_2\] Di mana :

\(X_1\) = Sales

\(X_2\) = Marketing

\(Y\) = Profit

Interpretasi :

Ini berarti bahwa, setiap kenaikan satu satuan pada variabel \(X_1\) akan meningkatkan profit sebesar 0.8659 satuan, dengan asumsi variabel lainnya tetap. Artinya, variabel \(X_1\) atau Sales memiliki pengaruh positif terhadap Profit. Adapun, setiap kenaikan satu satuan pada variabel \(X_2\) justru akan menurunkan profit sebesar 2.5923 satuan, dengan asumsi variabel lainnya tetap. Ini menunjukkan bahwa dalam konteks data ini, peningkatan pengeluaran Marketing berkorelasi negatif terhadap profit.

Selain itu, diperoleh nilai Adjusted R-squared = 0.8706 yang berarti bahwa variabel Sales dan Marketing mampu menjelaskan variasi profit (Profit) sebesar 87.06% secara bersama-sama, sedangkan sisanya sebesar 12.94% dijelaskan oleh variabel lain yang tidak dimasukkan dalam model ini.

UJI SIGNIFIKANSI

1. Uji Simultan (Uji F)

Hipotesis :

\(H_0\) : \(\beta_1 = \beta_2 =0\) (tidak ada pengaruh signifikan secara simultan)

\(H_1\) : Setidaknya ada satu \(β ≠ 0\) (ada pengaruh secara simultan)
Taraf Signifikansi:

\(\alpha = 0,05\)
Daerah Kritis:

\(H_0\) ditolak apabila nilai p-value \(< \alpha = 0.05\)
Statistik Uji:

summary(model)

## 
## Call:
## lm(formula = Y ~ X1 + X2, data = DATA)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -334.62  -13.59   -0.19   15.64  276.60 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -25.172413   0.931639  -27.02   <2e-16 ***
## X1            0.865916   0.005279  164.02   <2e-16 ***
## X2           -2.592300   0.029526  -87.80   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 36.59 on 4245 degrees of freedom
## Multiple R-squared:  0.8706, Adjusted R-squared:  0.8706 
## F-statistic: 1.428e+04 on 2 and 4245 DF,  p-value: < 2.2e-16

Kesimpulan:

Berdasarkan Output diperoleh nilai \(p-value= < 2,2x10−16 < \alpha =0.05\), maka \(H_0\) ditolak yang berarti bahwa Sales dan Marketing secara simultan berpengarauh signifikan terhadap profit.

2. Uji Parsial (Uji T)

Hipotesis :

Untuk Variable \(X_1\) (Sales)

\(H_0\) : \(\beta_1 =0\)(Sales tidak berpengaruhh signifikan terhadap Profit)

\(H_1\) : \(\beta ≠ 0\)(Sales berpengaruhh signifikan terhadap Profit)
Untuk Variable \(X_2\) (Marketing)

\(H_0\) : \(\beta_2 =0\)(Marketings tidak berpengaruhh signifikan terhadap Profit)

\(H_1\) : \(\beta ≠ 0\)(Marketing berpengaruhh signifikan terhadap Profit)

Taraf Signifikansi:

\(\alpha = 0,05\)
Daerah Kritis:

\(H_0\) ditolak apabila nilai p-value \(< \alpha = 0.05\)
Statistik Uji:

summary(model)

## 
## Call:
## lm(formula = Y ~ X1 + X2, data = DATA)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -334.62  -13.59   -0.19   15.64  276.60 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -25.172413   0.931639  -27.02   <2e-16 ***
## X1            0.865916   0.005279  164.02   <2e-16 ***
## X2           -2.592300   0.029526  -87.80   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 36.59 on 4245 degrees of freedom
## Multiple R-squared:  0.8706, Adjusted R-squared:  0.8706 
## F-statistic: 1.428e+04 on 2 and 4245 DF,  p-value: < 2.2e-16

Kesimpulan:

Berdasarkan Output diperoleh nilai \(p-value= < 2,2x10−16 < \alpha =0.05\), maka \(H_0\) dari kedua variable tersebut ditolak yang berarti bahwa Sales dan Marketing berpengarauh signifikan terhadap profit.

UJI ASUMSI KLASIK

1. Uji Normalitas

Hipotesis :

\(H_0\) : Data berdistribusi normal

\(H_1\) : Data tidak berdistribusi normal
Taraf Signifikansi:

\(\alpha = 0,05\)
Daerah Kritis:

\(H_0\) ditolak apabila nilai p-value \(< \alpha = 0.05\)
Statistik Uji:

# Uji Shapiro-Wilk
shapiro.test(resid(model))

## 
##  Shapiro-Wilk normality test
## 
## data:  resid(model)
## W = 0.82338, p-value < 2.2e-16

Kesimpulan:

Berdasarkan Output diperoleh nilai \(p-value= < 2,2x10−16 < \alpha =0.05\), maka \(H_0\) ditolak yang berarti bahwa Data tidak berdistribusi normal.

2. Uji Linearitas

Hipotesis :

\(H_0\) : Model regresi berganda memenuhi asumsi linearitas

\(H_1\) : Model regresi berganda memenuhi asumsi linearitas
Taraf Signifikansi:

\(\alpha = 0,05\)
Daerah Kritis:

\(H_0\) ditolak apabila nilai p-value \(< \alpha = 0.05\)
Statistik Uji:

# Uji Asumsi Linearitas menggunakan Ramsey RESET
ramsey_test <- resettest(model, power = 2)
ramsey_test

## 
##  RESET test
## 
## data:  model
## RESET = 7.4956, df1 = 1, df2 = 4244, p-value = 0.006211

Kesimpulan:

Berdasarkan Output diperoleh nilai \(p-value= < 0.006211 < \alpha =0.05\), maka \(H_0\) ditolak yang berarti bahwa Model regresi berganda memenuhi asumsi linearitas.

3. Uji Homoskedastisitas

Hipotesis :

\(H_0\) : Terdapat Homoskedastisitas

\(H_1\) : Tidak terdapat Homoskedastisitas
Taraf Signifikansi:

\(\alpha = 0,05\)
Daerah Kritis:

\(H_0\) ditolak apabila nilai p-value \(< \alpha = 0.05\)
Statistik Uji:

# Uji Homoskedastisitas
bptest(model)

## 
##  studentized Breusch-Pagan test
## 
## data:  model
## BP = 692.54, df = 2, p-value < 2.2e-16

Kesimpulan:

Berdasarkan Output diperoleh nilai \(p-value= < 2,2x10−16 < \alpha =0.05\), maka \(H_0\) ditolak yang berarti bahwa asumsi homoskedastisitas tidak terpenuhi.

4. Uji Multikolinearitas

Hipotesis :

\(H_0\) : Tidak terjadi multikolinearitas

\(H_1\) : Terjadi multikolinearitas
Taraf Signifikansi:

\(\alpha = 0,05\)
Daerah Kritis:

\(H_0\) ditolak apabila nilai p-value \(< \alpha = 0.05\)
Statistik Uji:

# Uji Multikolinearitas Cek VIF
vif(model)

##       X1       X2 
## 2.019514 2.019514

Kesimpulan:

karena nilai VIV kedua variabel \(<10\), maka \(H_0\) gagal ditolak yang berarti bahwa tidak terjadi multikolinearitas.

5. Uji Autokorelasi

Hipotesis :

\(H_0\) : Tidak ada autokorelasi antar residu

\(H_1\) : Terjadi autokorelasi antar residu
Taraf Signifikansi:

\(\alpha = 0,05\)
Daerah Kritis:

\(H_0\) ditolak apabila nilai VIV \(>10\)
Statistik Uji:

# Uji Durbin-Watson
dwtest(model)

## 
##  Durbin-Watson test
## 
## data:  model
## DW = 2.0357, p-value = 0.877
## alternative hypothesis: true autocorrelation is greater than 0

Kesimpulan:

Berdasarkan Output diperoleh nilai \(p-value = 0.877 > \alpha =0.05\), maka \(H_0\) gagal ditolak yang berarti bahwa tidak ada autokorelasi antar residu.

Rangkuman Uji Asumsi Klasik

Uji Asumsi	Keterangan
Normalitas Residu	Tidak Terpenuhi
Linearitas	Tidak Terpenuhi
Homoskedastisitas	Tidak Terpenuhi
Non Multikolinearitas	Terpenuhi
Non Autokorelasi	Terpenuhi

KESIMPULAN

Berdasarkan hasil analisis regresi linear berganda yang dilakukan terhadap data perusahaan Coffee Chain, dapat disimpulkan bahwa variabel Sales dan Marketing secara simultan berpengaruh signifikan terhadap Profit, sebagaimana ditunjukkan oleh nilai p-value yang jauh lebih kecil dari tingkat signifikansi \(0.05\). Secara parsial, Sales berpengaruh positif terhadap Profit, sedangkan Marketing justru menunjukkan pengaruh negatif.

Model regresi yang diperoleh memiliki nilai Adjusted R-squared sebesar \(87.06%\), yang menunjukkan bahwa variabel Sales dan Marketing mampu menjelaskan variasi Profit secara bersama-sama dengan sangat baik, meskipun masih terdapat \(12.94%\) variasi profit yang dipengaruhi oleh faktor lain di luar model.

Namun demikian, dari hasil uji asumsi klasik diketahui bahwa tiga asumsi penting tidak terpenuhi, yaitu normalitas residual, linearitas, dan homoskedastisitas. Hal ini mengindikasikan bahwa model regresi yang digunakan belum sepenuhnya memenuhi syarat model yang baik dalam regresi linear klasik.

Oleh karena itu, meskipun model menunjukkan hasil signifikan secara statistik, perlu dilakukan perbaikan model atau transformasi data untuk memenuhi asumsi-asumsi klasik, sehingga kesimpulan yang diambil menjadi lebih dapat dipercaya dan dapat dijadikan dasar pengambilan keputusan yang lebih tepat dalam strategi bisnis perusahaan.

Analisis Regresi Linear Berganda terhadap Pengaruh Sales dan Marketing terhadap Profit pada Data Coffee Chain

Sabila Putri Hendriana Ningsih [M0723080]

2025-05-11