Analisis Total dan Rata-Rata Keuntungan Berdasarkan Aspek Nama Produk, Jenis Produk, Negara Bagian, Ukuran Pasar, dan Tipe Produk
Nicholas Bona H.A.S
14-05-2025
1 Pendahuluan
Dalam dunia bisnis yang kompetitif, pemahaman yang mendalam mengenai performa produk sangat penting untuk mendukung pengambilan keputusan strategis. Salah satu indikator utama performa tersebut adalah keuntungan yang diperoleh dari berbagai segmen pasar. Pengelompokan data keuntungan berdasarkan variabel seperti nama produk, jenis produk, negara bagian, ukuran pasar, dan tipe produk dapat memberikan wawasan penting mengenai kontributor utama terhadap pendapatan perusahaan, serta potensi perbaikan dalam strategi distribusi dan pemasaran.
Makalah ini bertujuan untuk melakukan analisis deskriptif terhadap data penjualan yang tersedia, dengan fokus pada penghitungan total dan rata-rata keuntungan. Analisis dilakukan dengan mengelompokkan data berdasarkan beberapa dimensi yang relevan, seperti:
Nama produk
Jenis produk
Negara bagian
Ukuran pasar (market size)
Tipe produk (product type)
Dengan melakukan pengelompokan ini, diharapkan dapat diperoleh pemahaman yang lebih terstruktur mengenai produk mana yang paling menguntungkan, wilayah mana yang memberikan kontribusi keuntungan terbesar, serta segmentasi pasar mana yang menunjukkan potensi pertumbuhan tertinggi.
Penelitian ini tidak hanya memberikan gambaran statistik, tetapi juga dapat digunakan sebagai dasar rekomendasi dalam pengambilan keputusan manajerial, seperti optimalisasi portofolio produk, alokasi sumber daya, dan strategi pemasaran yang lebih tepat sasaran.
2 Input Data
memasukkan data yang akan diolah, yaitu data yang telah diberikan dengan nama file yang saya simpan sebagai “data CM SIM”
library(readxl)
data <- read_excel("data CM SIM.xlsx")
datatable(data, options = list(pageLength = 10))3 Analisis Deskriptif
Analisis deskriptif adalah salah satu cabang dari statistika yang bertujuan untuk menggambarkan atau meringkas data yang dikumpulkan dari suatu populasi atau sampel tanpa melakukan generalisasi atau penarikan kesimpulan yang bersifat inferensial. Dalam analisis ini, data disajikan dalam bentuk yang mudah dipahami, seperti tabel, grafik, atau ukuran-ukuran statistik tertentu.
Tujuan utama dari analisis deskriptif adalah untuk memberikan gambaran umum mengenai karakteristik data, sehingga pola-pola, tren, atau kecenderungan yang terdapat dalam data tersebut dapat dikenali dengan lebih jelas.
Beberapa teknik dan ukuran yang umum digunakan dalam analisis deskriptif antara lain:
Ukuran pemusatan: seperti rata-rata (mean), median, dan modus.
Ukuran penyebaran: seperti rentang (range), simpangan baku (standard deviation), dan varians.
Distribusi frekuensi: digunakan untuk melihat seberapa sering suatu nilai muncul dalam dataset.
Visualisasi data: seperti diagram batang, diagram lingkaran, histogram, atau box plot untuk mempermudah interpretasi data.
Dalam konteks penelitian bisnis atau ekonomi, analisis deskriptif sangat berguna untuk memahami performa penjualan, tingkat keuntungan, atau karakteristik pelanggan sebelum melangkah ke tahap analisis yang lebih kompleks seperti prediksi atau pengujian hipotesis.
Pada kali ini akan berfokus pada analisis total dan rata-rata pada data yang digunakan.
3.1 Total dan Rata-Rata Keuntungan Berdasarkan Produk
profit_by_product <- data %>%
group_by(Product) %>%
summarise(Total_Profit = sum(Profit, na.rm = TRUE),
Average_Profit = mean(Profit, na.rm = TRUE)) %>%
arrange(desc(Total_Profit))
kable(profit_by_product,
caption = "Total dan Rata-rata Keuntungan berdasarkan Produk",
col.names = c("Produk", "Total Keuntungan", "Rata-rata Keuntungan"),
format = "html",
digits = 2) %>%
kableExtra::kable_styling(bootstrap_options = c("striped", "hover", "condensed"))| Produk | Total Keuntungan | Rata-rata Keuntungan |
|---|---|---|
| Colombian | 55804 | 116.26 |
| Lemon | 29869 | 62.23 |
| Decaf Espresso | 29502 | 72.31 |
| Darjeeling | 29053 | 75.66 |
| Chamomile | 27231 | 70.91 |
| Earl Grey | 24164 | 83.90 |
| Caffe Mocha | 17678 | 36.83 |
| Decaf Irish Cream | 13989 | 36.43 |
| Caffe Latte | 11375 | 52.66 |
| Regular Espresso | 10065 | 139.79 |
| Mint | 6154 | 32.05 |
| Amaretto | 4890 | 25.47 |
| Green Tea | -231 | -0.80 |
dari data diatas dapat divisualisasikan sebagai berikut
ggplot(profit_by_product, aes(x = reorder(Product, -Total_Profit), y = Total_Profit)) +
geom_bar(stat = "identity", fill = "skyblue") +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
labs(title = "Total Keuntungan berdasarkan Produk", x = "Produk", y = "Total Keuntungan ($)")
Diagram batang ini menunjukkan total keuntungan untuk setiap produk, dengan produk diurutkan dari yang menghasilkan keuntungan tertinggi hingga terendah. Berdasarkan visualisasi, produk seperti Colombian (kopi) dan Caffe Mocha (espresso) cenderung mendominasi dengan total keuntungan yang jauh lebih tinggi dibandingkan produk lain seperti Lemon atau Mint (teh herbal). Hal ini menunjukkan bahwa produk berbasis kopi dan espresso memiliki permintaan yang lebih kuat atau margin keuntungan yang lebih besar di pasar. Pola ini mungkin mencerminkan preferensi konsumen yang lebih menyukai minuman berkafein dibandingkan teh atau teh herbal, terutama di pasar besar (Major Market) yang memiliki volume penjualan lebih tinggi.
Selain itu, produk seperti Chamomile (teh herbal) menunjukkan keuntungan yang signifikan di beberapa wilayah tertentu, meskipun secara keseluruhan tidak setinggi produk kopi. Ini bisa menjadi indikasi adanya ceruk pasar untuk produk teh herbal di lokasi tertentu, seperti pasar kecil (Small Market) di Iowa. Untuk strategi bisnis, perusahaan dapat mempertimbangkan untuk memfokuskan upaya pemasaran pada produk kopi dan espresso untuk memaksimalkan keuntungan, sambil mengeksplorasi potensi pengembangan pasar untuk teh herbal di wilayah dengan performa kuat. Visualisasi ini juga menggarisbawahi pentingnya analisis produk untuk mengidentifikasi pendorong utama keuntungan dan produk yang mungkin memerlukan strategi promosi tambahan.
3.2 Total dan Rata-rata Keuntungan berdasarkan Negara Bagian
profit_by_state <- data %>%
group_by(State) %>%
summarise(Total_Profit = sum(Profit, na.rm = TRUE),
Average_Profit = mean(Profit, na.rm = TRUE)) %>%
arrange(desc(Total_Profit))
kable(profit_by_state,
caption = "Total dan Rata-rata Keuntungan berdasarkan Negara Bagian",
col.names = c("Negara Bagian", "Total Keuntungan", "Rata-rata Keuntungan"),
format = "html",
digits = 2) %>%
kableExtra::kable_styling(bootstrap_options = c("striped", "hover", "condensed"))| Negara Bagian | Total Keuntungan | Rata-rata Keuntungan |
|---|---|---|
| California | 31785 | 110.36 |
| Illinois | 30821 | 142.69 |
| Iowa | 22212 | 102.83 |
| New York | 20096 | 104.67 |
| Colorado | 17743 | 67.21 |
| Massachusetts | 16442 | 114.18 |
| Texas | 15766 | 93.85 |
| Oregon | 12439 | 47.12 |
| Florida | 12310 | 56.99 |
| Washington | 11405 | 47.52 |
| Ohio | 10773 | 49.88 |
| Nevada | 10616 | 40.21 |
| Wisconsin | 8702 | 40.29 |
| Oklahoma | 8558 | 50.94 |
| Utah | 7751 | 26.91 |
| Connecticut | 7621 | 45.36 |
| Louisiana | 7355 | 43.78 |
| Missouri | 3601 | 16.67 |
| New Hampshire | 2748 | 16.36 |
| New Mexico | 799 | 4.76 |
berikut visualisasi dari total keuntungan berdasarkan negara bagian
ggplot(profit_by_state, aes(x = reorder(State, -Total_Profit), y = Total_Profit)) +
geom_bar(stat = "identity", fill = "coral") +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
labs(title = "Total Keuntungan berdasarkan Negara Bagian", x = "Negara Bagian", y = "Total Keuntungan ($)")
Diagram batang ini mengilustrasikan total keuntungan yang dihasilkan oleh masing-masing negara bagian, dengan California dan Illinois kemungkinan besar berada di urutan teratas berdasarkan volume penjualan dan kehadiran di pasar besar. Visualisasi ini menunjukkan bahwa negara bagian dengan pasar besar, seperti California, memiliki kontribusi keuntungan yang signifikan, yang mungkin didorong oleh populasi yang lebih besar, permintaan yang tinggi untuk produk kopi dan espresso, serta infrastruktur distribusi yang lebih baik. Negara bagian seperti Colorado dan Ohio juga menunjukkan performa yang baik, tetapi dengan total keuntungan yang lebih rendah dibandingkan California, kemungkinan karena perbedaan ukuran pasar atau preferensi konsumen.
Namun, beberapa negara bagian dengan pasar kecil, seperti Iowa atau Nevada, menunjukkan keuntungan yang cukup besar untuk produk tertentu (misalnya, Chamomile di Iowa). Ini menunjukkan adanya peluang untuk mengeksplorasi pasar kecil yang memiliki ceruk konsumen yang kuat. Dari sudut pandang strategis, perusahaan dapat memfokuskan sumber daya pada negara bagian dengan keuntungan tinggi seperti California, sambil melakukan analisis lebih lanjut untuk memahami faktor keberhasilan di pasar kecil. Visualisasi ini memberikan panduan untuk alokasi sumber daya regional dan membantu mengidentifikasi wilayah yang mungkin memerlukan strategi pemasaran tambahan untuk meningkatkan performa.
3.3 Total dan Rata-rata Keuntungan berdasarkan Ukuran Pasar
profit_by_market_size <- data %>%
group_by(`Market Size`) %>%
summarise(Total_Profit = sum(Profit, na.rm = TRUE),
Average_Profit = mean(Profit, na.rm = TRUE)) %>%
arrange(desc(Total_Profit))
kable(profit_by_market_size,
caption = "Total dan Rata-rata Keuntungan berdasarkan Ukuran Pasar",
col.names = c("Ukuran Pasar", "Total Keuntungan", "Rata-rata Keuntungan"),
format = "html",
digits = 2) %>%
kableExtra::kable_styling(bootstrap_options = c("striped", "hover", "condensed"))| Ukuran Pasar | Total Keuntungan | Rata-rata Keuntungan |
|---|---|---|
| Major Market | 155736 | 91.39 |
| Small Market | 103807 | 40.80 |
Tabel ini dibentuk guna membandingkan total keuntungan antara Major Market dan Small Market, dengan Major Market jelas menghasilkan keuntungan yang jauh lebih tinggi. Hal ini dapat dijelaskan oleh volume penjualan yang lebih besar, jumlah konsumen yang lebih banyak, dan kehadiran produk populer seperti Colombian dan Caffe Mocha di pasar besar. Visualisasi ini menggarisbawahi bahwa pasar besar adalah pendorong utama keuntungan perusahaan, yang kemungkinan besar terkait dengan kota-kota besar di negara bagian seperti California dan Illinois. Dominasi Major Market menunjukkan bahwa strategi pemasaran dan distribusi saat ini sangat efektif di wilayah urban.
Meskipun Small Market menghasilkan keuntungan yang lebih rendah secara keseluruhan, kontribusinya tetap signifikan, terutama untuk produk seperti Chamomile di pasar kecil tertentu. Ini menunjukkan bahwa pasar kecil memiliki potensi untuk produk khusus atau ceruk, yang dapat dimanfaatkan untuk diversifikasi pendapatan. Untuk strategi bisnis, perusahaan dapat terus mengoptimalkan operasi di Major Market untuk memaksimalkan keuntungan, sambil mengembangkan pendekatan khusus untuk Small Market, seperti kampanye pemasaran lokal atau penawaran produk yang disesuaikan. Visualisasi ini membantu memahami pentingnya segmentasi pasar berdasarkan ukuran dan memberikan dasar untuk pengambilan keputusan alokasi sumber daya.
3.4 Total dan Rata-Rata Keuntungan Berdasarkan Tipe Produk
profit_by_product_type <- data %>%
group_by(`Product Type`) %>%
summarise(Total_Profit = sum(Profit, na.rm = TRUE),
Average_Profit = mean(Profit, na.rm = TRUE)) %>%
arrange(desc(Total_Profit))
kable(profit_by_product_type,
caption = "Total dan Rata-rata Keuntungan berdasarkan Tipe Produk",
col.names = c("Tipe Produk", "Total Keuntungan", "Rata-rata Keuntungan"),
format = "html",
digits = 2) %>%
kableExtra::kable_styling(bootstrap_options = c("striped", "hover", "condensed"))| Tipe Produk | Total Keuntungan | Rata-rata Keuntungan |
|---|---|---|
| Coffee | 74683 | 70.72 |
| Espresso | 68620 | 58.35 |
| Herbal Tea | 63254 | 59.90 |
| Tea | 52986 | 55.19 |
berikut adalah distribusi dari keuntungan berdasarkan tipe produk
ggplot(data, aes(x = `Product Type`, y = Profit)) +
geom_boxplot(fill = "lightgreen") +
labs(title = "Distribusi Keuntungan berdasarkan Tipe Produk", x = "Tipe Produk", y = "Keuntungan ($)")
Box-Plot ini menggambarkan distribusi keuntungan untuk empat tipe produk: Coffee, Espresso, Tea, dan Herbal Tea, memberikan wawasan tentang variabilitas dan kecenderungan pusat keuntungan. Dari visualisasi, tipe produk Coffee dan Espresso menunjukkan median keuntungan yang lebih tinggi serta rentang keuntungan yang lebih luas dibandingkan Tea dan Herbal Tea. Kotak untuk Coffee dan Espresso juga memiliki beberapa outlier positif yang signifikan, menunjukkan adanya transaksi atau pasar tertentu yang menghasilkan keuntungan jauh di atas rata-rata. Hal ini mengindikasikan bahwa produk berbasis kopi memiliki potensi keuntungan besar, meskipun dengan variabilitas yang lebih tinggi.
Sebaliknya, Tea dan Herbal Tea memiliki median keuntungan yang lebih rendah dan rentang yang lebih sempit, menunjukkan performa yang lebih stabil namun dengan potensi keuntungan yang terbatas. Meskipun demikian, Herbal Tea menunjukkan beberapa outlier positif, yang mungkin terkait dengan produk seperti Chamomile di pasar kecil tertentu. Dari perspektif bisnis, perusahaan dapat memprioritaskan investasi pada Coffee dan Espresso untuk memanfaatkan potensi keuntungan tinggi, tetapi juga mempertimbangkan strategi untuk meningkatkan daya tarik Tea dan Herbal Tea, seperti promosi khusus atau pengembangan produk baru untuk menarik segmen konsumen yang lebih luas. Visualisasi ini membantu memahami risiko dan peluang yang terkait dengan setiap tipe produk.
4 KESIMPULAN
Berdasarkan analisis:
- Produk dengan keuntungan tertinggi adalah Colombian (dari hasil profit_by_product).
- Negara Bagian dengan kontribusi keuntungan terbesar adalah California (dari hasil profit_by_state).
- Pasar besar (Major Market) menghasilkan keuntungan lebih tinggi dibandingkan pasar kecil (Small Market).
- Tipe Produk Kopi cenderung memiliki keuntungan tertinggi dibandingkan Espresso, Teh, dan Teh Herbal.
- Wawasan Menarik: Beberapa produk di pasar kecil (misalnya, Chamomile di Iowa) menunjukkan keuntungan yang signifikan, yang mungkin menunjukkan potensi pasar khusus.
Analisis ini memberikan gambaran awal yang berguna untuk pengambilan keputusan bisnis, seperti fokus pada produk atau wilayah tertentu untuk meningkatkan keuntungan.