Latar Belakang

Profitabilitas merupakan indikator penting dalam menilai kinerja keuangan sebuah bisnis, khususnya dalam industri makanan dan minuman seperti coffee shop. Persaingan yang ketat menuntut perusahaan untuk dapat mengelola faktor-faktor yang memengaruhi laba secara efisien. Salah satu cara untuk meningkatkan profitabilitas adalah dengan memahami bagaimana faktor-faktor seperti ukuran pasar (market size) dan jenis produk (product type) dapat berpengaruh terhadap keuntungan yang diperoleh.

Ukuran pasar berperan dalam menentukan potensi jumlah pelanggan, daya beli masyarakat, serta strategi pemasaran yang diterapkan. Sementara itu, jenis produk yang ditawarkan mencerminkan segmentasi pasar yang dibidik oleh perusahaan dan berpotensi memengaruhi margin keuntungan. Memahami hubungan antara kedua variabel ini terhadap profitabilitas akan membantu perusahaan dalam merancang strategi operasional yang lebih efektif.

Penelitian ini menggunakan Coffee Chain Dataset, yang berisi informasi penjualan dari beberapa cabang coffee shop di berbagai wilayah. Data mencakup variabel profit (keuntungan), market size (ukuran pasar), dan product type (jenis produk), yang akan dianalisis untuk mengetahui apakah terdapat perbedaan signifikan pada profitabilitas berdasarkan kelompok ukuran pasar dan jenis produk yang dijual.

Rumusan Masalah

Berdasarkan karakteristik Coffee Chain Dataset dan kebutuhan bisnis yang mendesak, analisis ini akan menjawab tiga pertanyaan kritis:

1. Apakah terdapat perbedaan distribusi profit yang signifikan antara pasar dengan ukuran Small Market dan Major Market?

2. Apakah terdapat perbedaan distribusi profit yang signifikan antara jenis produk yang dijual, yaitu Coffee, Espresso, Herbal Tea, dan Tea?

3. Berdasarkan hasil analisis, strategi apa yang dapat direkomendasikan untuk meningkatkan profitabilitas pada coffee chain berdasarkan ukuran pasar dan jenis produk?

Tujuan

1. Untuk mengetahui apakah terdapat perbedaan distribusi profitabilitas yang signifikan antara cabang coffee chain yang berada di pasar berukuran kecil (Small Market) dan pasar berukuran besar (Major Market) menggunakan uji Mann-Whitney.

2. Untuk menguji apakah terdapat perbedaan distribusi profit berdasarkan jenis produk yang dijual, yaitu Coffee, Espresso, Herbal Tea, dan Tea menggunakan uji Kruskal-Wallis.

3. Untuk memberikan rekomendasi strategis berdasarkan hasil analisis profitabilitas guna mendukung pengambilan keputusan bisnis terkait penempatan cabang dan pemilihan portofolio produk.

Uji Mann-Whitney (Wilcoxon Rank-Sum Test)

Uji Mann Whitney adalah salah satu uji nonparametris yang digunakan untuk mengukur ada tidaknya perbedaan nilai rata-rata 2 kelompok sampel yang saling independent. Uji Mann Whitney biasa digunakan pada penelitian desain comparison (perbandingan).

\[ U = n_1n_2 + \frac{n_1(n_1 + 1)}{2} - R_1 \] Keterangan:

• \(U\): Statistik uji Mann-Whitney
• \(n_1, n_2\): Jumlah observasi pada kelompok 1 dan 2
• \(R_1\): Jumlah ranking kelompok 1

Uji Kruskal-Wallis

Uji Kruskal-Wallis adalah uji statistik nonparametrik yang digunakan untuk membandingkan dua atau lebih kelompok independen, ketika data tidak terdistribusi normal atau data berskala ordinal. Uji ini menentukan apakah terdapat perbedaan yang signifikan antara kelompok-kelompok tersebut, tanpa asumsi mengenai distribusi data. (contoh: profit antar Product Type).

\[ H = \frac{12}{N(N+1)} \sum_{j=1}^{k} \frac{R_j^2}{n_j} - 3(N+1) \] Keterangan:

- \(H\): Statistik Kruskal-Wallis
- \(R_j\): Jumlah rank kelompok ke-\(j\)
- \(n_j\): Jumlah observasi kelompok ke-\(j\)
- \(k\): Jumlah kelompok
- \(N = \sum n_j\): Total observasi

Analisis Data

Analisis ini menggunakan dataset Coffee Chain dengan 20 variabel dan jumlah observasi sebanyak 4228. Setiap observasi merepresentasikan transaksi atau performa penjualan pada cabang-cabang coffee shop di berbagai wilayah Amerika Serikat. Pertama, data di-import dari file Excel dan ditampilkan dalam bentuk tabel interaktif menggunakan datatable(), agar memudahkan eksplorasi awal terhadap struktur data.

# 1. Import Data
data <- read_excel("C:/Users/ANNISA FALIA/Downloads/3. CM1 - Coffee Chain Datasets/3. CM1 - Coffee Chain Datasets.xlsx")
datatable(data)

Dalam analisis ini, variabel utama yang dianalisis adalah:

• Profit (numerik): Keuntungan aktual dari penjualan, digunakan sebagai variabel respon.

• Market Size (kategorik): Ukuran pasar, diklasifikasikan menjadi Major dan Small.

• Product Type (kategorik): Tipe produk yang dijual, seperti Coffee, Espresso, Herbal Tea, dan Tea.

Berikut ini merupakan analisis dan deskripsi data dari variabel profit.

# Ringkasan statistik variabel Profit
profit_summary <- data %>%
  summarise(
    Minimum = min(Profit, na.rm = TRUE),
    Maksimum = max(Profit, na.rm = TRUE),
    Mean = mean(Profit, na.rm = TRUE),
    Median = median(Profit, na.rm = TRUE),
    SD = sd(Profit, na.rm = TRUE)
  )

kable(profit_summary, caption = "Ringkasan Statistik Variabel Profit", format = "html") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
                full_width = FALSE,
                position = "center") %>%
  row_spec(0, bold = TRUE, background = "#b3003c", color = "white") %>%
  column_spec(1:ncol(profit_summary), extra_css = "text-align: center;")

# Visualisasi distribusi Profit
ggplot(data, aes(x = Profit)) + 
  geom_histogram(fill = "#b3003c", bins = 30) + 
  ggtitle("Distribusi Profit")

# Ringkasan profit berdasarkan Market Size
market_summary <- data %>%
  group_by(`Market Size`) %>%
  summarise(
    Min = min(Profit, na.rm = TRUE),
    Max = max(Profit, na.rm = TRUE),
    Mean = mean(Profit, na.rm = TRUE),
    Median = median(Profit, na.rm = TRUE),
    SD = sd(Profit, na.rm = TRUE),
    Jumlah = n()
  ) %>%
  mutate(
    `Persentase (%)` = round(Jumlah / sum(Jumlah) * 100, 2)
  )

kable(market_summary, caption = "Ringkasan Profit Berdasarkan Market Size", format = "html") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"),
                full_width = FALSE, position = "center") %>%
  row_spec(0, bold = TRUE, background = "#b3003c", color = "white") %>%
  column_spec(1:ncol(market_summary), extra_css = "text-align: center;")

ggplot(data, aes(x = Profit, fill = `Market Size`)) +
  geom_density(alpha = 0.5) +
  facet_wrap(~`Market Size`, ncol = 1) +
  scale_fill_manual(values = c("Major Market" = "#b3003c",
                               "Small Market" = "#D95D39"))

library(dplyr)
library(knitr)
library(kableExtra)

# Ringkasan profit berdasarkan Product Type 
product_summary <- data %>%
  group_by(`Product Type`) %>%
  summarise(
    Min = min(Profit, na.rm = TRUE),
    Max = max(Profit, na.rm = TRUE),
    Mean = mean(Profit, na.rm = TRUE),
    Median = median(Profit, na.rm = TRUE),
    SD = sd(Profit, na.rm = TRUE),
    Jumlah = n()
  ) %>%
  mutate(
    `Persentase (%)` = round(Jumlah / sum(Jumlah) * 100, 2)
  )

kable(product_summary, caption = "Ringkasan Profit Berdasarkan Product Type", format = "html") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), 
                full_width = FALSE, 
                position = "center") %>%
  row_spec(0, bold = TRUE, background = "#b3003c", color = "white") %>%
  column_spec(1:ncol(product_summary), extra_css = "text-align: center;")

Preprossesing Data

Langkah awal dalam preprocessing adalah mengecek keberadaan nilai hilang (missing values). Jika ditemukan, baris dengan nilai kosong dihapus menggunakan na.omit() agar tidak memengaruhi hasil analisis.

# Cek missing values
sum(is.na(data))

## [1] 0

Karena tidak terdapat missing value, maka tidak perlu ada data yang di dibersihkan. Selanjutnya, variabel kategorikal seperti Market Size, Product Type, dan Market dikonversi ke dalam tipe data faktor agar dapat dianalisis secara statistik.

# Konversi variabel kategorik ke faktor
data$Market_Size <- as.factor(data$`Market Size`)
data$Product_Type <- as.factor(data$`Product Type`)
data$Market <- as.factor(data$Market)

Uji Normalitas

Dilakukan uji normalitas menggunakan shapiro.test untuk mengetahui apakah distribusi data Profit mengikuti distribusi normal. Hasil p-value akan dijadikan acuan dalam memilih metode analisis lanjutan (parametrik atau non-parametrik).

1. Hipotesis

   \(H_0\): Data berdistribusi normal

   \(H_1\): Data tidak berdistribusi normal

2. Taraf Signifikansi (α) = 5%

3. Daerah Kritis H0 ditolak jika p−value < 0.05

4. Statistik Uji Menggunakan saphiro.test() untuk menguji normalitas pada masing-masing variabel.

   # 2. Uji Normalitas
   shapiro.test(data$Profit) 

   ## 
   ##  Shapiro-Wilk normality test
   ## 
   ## data:  data$Profit
   ## W = 0.79969, p-value < 2.2e-16

5. Kesimpulan Karena p-value < 0.05, distribusi profit tidak normal. Oleh karena itu, analisis non-parametrik (Kruskal-Wallis dan Mann-Whitney) lebih sesuai untuk digunakan.

Berdasarkan hasil uji normalitas, diketahui bahwa data tidak berdistribusi normal, sehingga metode uji non-parametrik dipilih sebagai pendekatan yang lebih sesuai. Uji Kruskal-Wallis digunakan untuk mengetahui apakah terdapat perbedaan profit berdasarkan ukuran pasar dan jenis produk. Jika ditemukan perbedaan yang signifikan, maka dilanjutkan dengan uji post-hoc menggunakan uji Dunn untuk melihat kelompok mana saja yang berbeda secara signifikan.

Analisis Profitabilitas Berdasarkan Product Type

# 4. Visualisasi
# Boxplot Profit by Product Type
ggplot(data, aes(x = Product_Type, y = Profit, fill = Product_Type)) + 
  geom_boxplot() + 
  ggtitle("Profit berdasarkan Jenis Produk") + 
  theme_minimal() +
  scale_fill_manual(values = c(
    "Coffee" = "#C72C48",       
    "Tea" = "#800000",         
    "Espresso" = "#D95D39",     
    "Latte" = "#A8A8A8"         
  )) 

# Uji Kruskal-Wallis
kruskal.test(Profit ~ Product_Type, data = data)

## 
##  Kruskal-Wallis rank sum test
## 
## data:  Profit by Product_Type
## Kruskal-Wallis chi-squared = 2.4137, df = 3, p-value = 0.4911

Analisis Profitabilitas Berdasarkan Market Size

ggplot(data, aes(x = Market_Size, y = Profit, fill = Market_Size)) + 
  geom_boxplot() + 
  ggtitle("Profit berdasarkan Ukuran Pasar") + 
  theme_minimal() +
  scale_fill_manual(values = c("Major Market" = "#b3003c",
                               "Small Market" = "#D95D39")) 

# Uji Mann-Whitney: Apakah profit berbeda antara Market Size (Major vs Small)
wilcox.test(Profit ~ Market_Size, data = data)

## 
##  Wilcoxon rank sum test with continuity correction
## 
## data:  Profit by Market_Size
## W = 2975087, p-value < 2.2e-16
## alternative hypothesis: true location shift is not equal to 0

Kesimpulan

Berdasarkan analisis statistik non-parametrik yang dilakukan terhadap dataset Coffee Chain, dapat disimpulkan beberapa hal penting terkait profitabilitas berdasarkan ukuran pasar dan jenis produk:

1. Perbedaan Profit Berdasarkan Ukuran Pasar (Market Size)
   • Hasil uji Mann-Whitney menunjukkan perbedaan yang sangat signifikan (p-value < 2.2e-16) antara profit di pasar Major Market dan Small Market.
   • Major Market memiliki rata-rata profit lebih tinggi (91.39) dibandingkan Small Market (49.67), dengan variasi profit yang lebih luas.
   • Visualisasi boxplot dan density plot memperkuat temuan ini, menunjukkan distribusi profit yang lebih menguntungkan di pasar besar.
2. Perbedaan Profit Berdasarkan Jenis Produk (Product Type)
   • Uji Kruskal-Wallis tidak menemukan perbedaan signifikan (p-value = 0.4911) dalam distribusi profit antara empat jenis produk: Coffee, Espresso, Herbal Tea, dan Tea.
   • Meskipun terdapat variasi kecil dalam median dan sebaran profit antar produk, perbedaan tersebut tidak cukup besar untuk dianggap signifikan secara statistik.
3. Implikasi Bisnis
   • Ukuran pasar (Major vs Small) merupakan faktor kritis yang memengaruhi profitabilitas, sementara jenis produk tidak memberikan dampak yang signifikan.
   • Outlier negatif yang muncul di semua kelompok menunjukkan adanya transaksi merugi yang perlu diteliti lebih lanjut, terlepas dari ukuran pasar atau jenis produk.

Saran

Berdasarkan temuan di atas, berikut rekomendasi strategis untuk meningkatkan profitabilitas coffee chain:

1. Ekspansi ke Pasar Besar (Major Market)
   • Prioritaskan pembukaan cabang baru atau alokasi sumber daya (promosi, stok) ke wilayah dengan Major Market, karena potensi profitabilitasnya lebih tinggi.
   • Lakukan analisis tambahan untuk memahami faktor pendorong profit di Major Market (misalnya: daya beli, kepadatan penduduk, atau strategi pemasaran).
2. Optimasi Operasional di Small Market
   • Jika ekspansi ke Major Market terbatas, lakukan efisiensi biaya operasional (seperti logistik atau tenaga kerja) untuk cabang di Small Market agar profit meningkat.
   • Pertimbangkan strategi penetapan harga dinamis atau bundling produk untuk meningkatkan nilai transaksi rata-rata.
3. Portofolio Produk yang Seimbang
   • Karena jenis produk tidak berdampak signifikan pada profit, fokuskan strategi produk pada preferensi pelanggan di tiap pasar (misalnya: Espresso lebih diminati di Major Market berdasarkan jumlah observasi).
   • Evaluasi outlier negatif untuk produk tertentu apakah disebabkan oleh harga, biaya produksi, atau faktor lain dan ambil tindakan perbaikan.