Pendahuluan

Industri coffee chain tumbuh semakin kompetitif, seiring dengan meningkatnya kesadaran konsumen akan kualitas dan keberagaman kopi. Pertumbuhan ini didorong oleh tren konsumsi kopi yang semakin tinggi, di mana konsumen tidak hanya mencari minuman berkualitas, tetapi juga pengalaman unik saat menikmati kopi.

Dalam lingkungan bisnis yang padat, memahami pasar dan produk secara tersegmentasi menjadi kunci untuk memenangkan persaingan. strategi pemasaran dan penjualan yang efektif menjadi kunci untuk meningkatkan profitabilitas dan mempertahankan pangsa pasar di tengah persaingan yang semakin sengit. Jadi, tujuan dari artikel ini adalah ingin mengetahui pengaruh hubungan Profit terhadap Sales, Marketing, dan Cost of Goods Sold.

Data

Data yang digunakan adalah data Coffee Chain Datasets

Data <- read_excel("Coffee Chain Datasets.xlsx")
Dataset <- datatable(
  Data,
  caption = "Datasets Coffee Chain",
  options = list(
    scrollX = TRUE,
    pageLength = 10,
    lengthMenu = c(5, 10, 15, 20)
  )
)
Dataset

Analisis Data

Statistik Deskriptif

Statistika Deskriptif menampilkan nilai minimum (Min), Kuartil atas (\(Q_1\)), Median (\(Q_2\)), Kuratil bawah (\(Q_3\)), rata-rata (Mean), dan nilai maksimum (Max) pada setiap variabel yang digunakan. Terdapat 1 variabel dependen dan 3 variabel independen yang digunakan dalam analisis ini, antara lain:

Profit \((Y)\) : laba bersih aktual setelah dikurangi seluruh biaya termasuk produksi, pemasaran, dll.
Sales \((X_1)\) : total nilai penjualan aktual dalam suatu transaksi.
COGS \((X_2)\) : Actual Cost of Goods Sold atau biaya aktual dari barang yang dijual.
Marketing \((X_3)\) : Biaya yang dikeluarkan untuk aktivitas pemasaran produk.

Analyze <- Data[, c("Profit", "Sales", "COGS", "Marketing")]
summary(Analyze)

##      Profit           Sales          COGS          Marketing     
##  Min.   :-638.0   Min.   : 17   Min.   :  0.00   Min.   :  0.00  
##  1st Qu.:  17.0   1st Qu.:100   1st Qu.: 43.00   1st Qu.: 13.00  
##  Median :  40.0   Median :138   Median : 60.00   Median : 22.00  
##  Mean   :  61.1   Mean   :193   Mean   : 84.43   Mean   : 31.19  
##  3rd Qu.:  92.0   3rd Qu.:230   3rd Qu.:100.00   3rd Qu.: 39.00  
##  Max.   : 778.0   Max.   :912   Max.   :364.00   Max.   :156.00

Berdasarkan hasil statistika deskriptif diatas, dapat diketahui bahwa :

Profit \((Y)\) menunjukkan rentang yang sangat luas, dari kerugian besar hingga keuntungan signifikan.
Sales \((X_1)\) memiliki distribusi yang lebih positif, dengan rata-rata dan median yang jauh lebih tinggi dibandingkan dengan Profit
COGS \((X_2)\) dan Marketing \((X_3)\) juga menunjukkan nilai yang variatif, namun COGS cenderung lebih tinggi dibandingkan dengan anggaran pemasaran.

Uji Asumsi Klasik

Uji asumsi klasik adalah serangkaian pengujian yang dilakukan dalam analisis regresi untuk memastikan bahwa model regresi memenuhi asumsi-asumsi dasar yang diperlukan agar estimasi parameter regresi menjadi tidak bias, efisien, dan konsisten.

Berikut adalah model dari regesi linear berganda sebagai penunjang dalam uji asumsi:

model <- lm(Profit ~ Sales + COGS + Marketing, data = Data)
summary(model)

## 
## Call:
## lm(formula = Profit ~ Sales + COGS + Marketing, data = Data)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -123.137  -11.828   -0.518    9.241  101.270 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -22.801081   0.521941  -43.69   <2e-16 ***
## Sales         1.193813   0.004503  265.12   <2e-16 ***
## COGS         -1.195341   0.012388  -96.49   <2e-16 ***
## Marketing    -1.461141   0.020260  -72.12   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 20.48 on 4244 degrees of freedom
## Multiple R-squared:  0.9595, Adjusted R-squared:  0.9595 
## F-statistic: 3.351e+04 on 3 and 4244 DF,  p-value: < 2.2e-16

Uji Normalitas Residual

Hipotesis
\(H_0\) : Data berdistribusi normal
\(H_1\) : Data tidak berdistribusi normal
Taraf Signifikansi
\(\alpha = 5\% \ (0.05)\)
Daerah Kritis
Tolak \(H_0\) jika:
\(P\text{-Value} < \alpha\) atau \(P\text{-Value} < 0.05\)
Statistik Uji

ks.test(model$residuals, "pnorm")

## 
##  Asymptotic one-sample Kolmogorov-Smirnov test
## 
## data:  model$residuals
## D = 0.43986, p-value < 2.2e-16
## alternative hypothesis: two-sided

Kesimpulan
Berdasarkan hasil uji Kolmogorov-Smirnov, diperoleh nilai P-value \(< 0.05\) maka \(H_0\) ditolak, yang berarti bahwa data tidak berdistribusi normal.

Uji Homoskedastistas

Hipotesis
\(H_0\) : Terdapat homoskedastistas residu
\(H_1\) : Tidak terdapat homoskedastistas residu
Taraf Signifikansi
\(\alpha = 5\% \ (0.05)\)
Daerah Kritis
Tolak \(H_0\) jika:
\(P\text{-Value} < \alpha\) atau \(P\text{-Value} < 0.05\)
Statistik Uji

bptest(model)

## 
##  studentized Breusch-Pagan test
## 
## data:  model
## BP = 947.05, df = 3, p-value < 2.2e-16

Kesimpulan
Berdasarkan hasil uji Breushch-Pagan, diperoleh nilai P-value \(< 0.05\) maka \(H_0\) ditolak, yang berarti bahwa data tidak terdapat homoskedastisitas residu atau terjadi heteroskedastisitas yaitu adanya ketidaksamaan residual varian dari residual.

Uji Autokorelasi

Hipotesis
\(H_0\) : Tidak ada autokorelasi antarresidu
\(H_1\) : Terdapat autokorelasi antarresidu
Taraf Signifikansi
\(\alpha = 5\% \ (0.05)\)
Daerah Kritis
Tolak \(H_0\) jika:
\(P\text{-Value} < \alpha\) atau \(P\text{-Value} < 0.05\)
Statistik Uji

dwtest(model)

## 
##  Durbin-Watson test
## 
## data:  model
## DW = 1.7035, p-value < 2.2e-16
## alternative hypothesis: true autocorrelation is greater than 0

Kesimpulan
Berdasarkan hasil uji Durbin Watson, diperoleh nilai P-value \(< 0.05\) maka \(H_0\) ditolak, yang berarti bahwa data memiliki autokorelasi antarresidu.

Uji Multikolinearitas

Hipotesis
\(H_0\) : Tidak terjadi multikolinearitas
\(H_1\) : Terjadi multikolinearitas
Taraf Signifikansi
\(\alpha = 5\% \ (0.05)\)
Daerah Kritis
Tolak \(H_0\) jika: nilai VIF > 10
Statistik Uji

vif(model)

##     Sales      COGS Marketing 
##  4.691130  7.029865  3.036006

Kesimpulan
Berdasarkan hasil uji VIF, diperoleh nilai dari masing-masing variabel \(X\) adalah \(<10\) maka \(H_0\) gagal ditolak, yang berarti bahwa tidak terjadi multikolinearitas atau tidak ada hubungan kuat antarvariabel satu sama lain.

Robust : Estimasi M

Estimasi M (M-Estimation) merupakan metode regresi robust yang dikembangkan untuk mengatasi kelemahan regresi kuadrat terkecil biasa (Ordinary Least Squares). Estimasi-M bertujuan untuk mendapatkan model regresi yang tidak terpengaruh oleh outlier atau data yang tidak sesuai dengan asumsi model regresi klasik.

Berdasarkan hasil uji asumsi klasik didapatkan bahwa residual tidak normal, terdapat heteroskedastisitas, dan terdapat autokorelasi. alam konteks analisis hubungan Profit dengan COGS, Sales, dan Marketing, terdapat :

Nilai negatif pada profit (perusahaan rugi).
Nilai nol pada variabel independen (misalnya, tidak ada aktivitas marketing di periode tertentu).
Outlier akibat transaksi ekstrem.

Oleh karena itu, estimasi M dipilih karena mampu memberikan hasil yang stabil untuk menangani masalah-masalah tersebut.

Landasan Teori Estimasi M

Estimasi M yang akan digunakan menggunakan pendekatan Huber Weighting untuk meminimalkan pengaruh outlier. Dengan menggunakan fungsi pembobotan Huber, metode ini memberikan bobot yang lebih kecil pada residual yang besar, sehingga outlier tidak secara signifikan mempengaruhi hasil estimasi parameter.

Pemberian Nilai Awal
Hitung residual awal dari model OLS: \[r_i = y_i - X_i\beta_{OLS}\]
Pembobotan Huber
Berikan bobot untuk tiap observasi: \[ w_i = \begin{cases} 1 & \text{untuk } |r_i| \leq k \\ k/|r_i| & \text{untuk } |r_i| > k \end{cases} \] dengan default \(k = 1.345\)
Iterasi Reweighted Least Squares
Update koefisien hingga konvergen: \[\beta_{new} = (X^TWX)^{-1}X^TWy \] dimana \(W\) adalah matriks diagonal berisi \(w_i\)

Estimasi M

Berikut adalah perhitungan model dengan Estimasi M dengan pendekatan Huber Weighting :

#Membuat model robust regression dengan Huber weighting
model_M <- rlm(Profit ~ Sales + COGS + Marketing, data = Data, 
                 psi = psi.huber,    #Fungsi Huber untuk downweighting outlier
                 k = 1.5,            #Tuning parameter 
                 maxit = 15)         #Maksimum iterasi

#Ringkasan model
summary(model_M)

## 
## Call: rlm(formula = Profit ~ Sales + COGS + Marketing, data = Data, 
##     psi = psi.huber, k = 1.5, maxit = 15)
## Residuals:
##       Min        1Q    Median        3Q       Max 
## -135.7878  -11.4206   -0.1177    9.8282  119.2965 
## 
## Coefficients:
##             Value     Std. Error t value  
## (Intercept)  -22.7783    0.4110   -55.4165
## Sales          1.2231    0.0035   344.9148
## COGS          -1.2670    0.0098  -129.8762
## Marketing     -1.4659    0.0160   -91.8784
## 
## Residual standard error: 16.06 on 4244 degrees of freedom

#Ekstrak koefisien final
final.coef_M <- coef(model_M)
names(final.coef_M) <- names(coef(model_M))
print(final.coef_M)

## (Intercept)       Sales        COGS   Marketing 
##  -22.778329    1.223116   -1.267036   -1.465899

cat("\nKonvergensi tercapai?", ifelse(model_M$converged, "YA", "TIDAK"), "\n")

## 
## Konvergensi tercapai? YA

Interpretasi Model

Berdasarkan hasil regresi robust, berikut beberapa interpretasi yang diperoleh dan dapat diterapkan untuk strategi bisnis:

Sales (Penjualan)
- Setiap kenaikan 1% penjualan, keuntungan naik sekitar 1,22%.
- Artinya : Jika perusahaan bisa meningkatkan penjualan sebesar 10%, keuntungan bisa meningkat sekitar 12,23% dengan asumsi biaya produksi (COGS) dan pemasaran tetap.
- Strategi : Fokus pada strategi meningkatkan penjualan (misal: perluasan pasar, produk baru) sangat menguntungkan.
COGS (Biaya Produksi)
- Setiap pengurangan 1% biaya produksi, keuntungan naik sekitar 1,27%.
- Artinya : Jika perusahaan bisa mengurangi biaya produksi sebesar 10%, keuntungan meningkat 12,67%.
- Strategi : Negosiasi harga dengan supplier, optimasi rantai pasok, atau penggunaan teknologi untuk efisiensi produksi.
Marketing (Pemasaran)
- Setiap peningkatan 1% anggaran pemasaran, keuntungan naik sekitar 1,47%.
- Artinya : Jika perusahaan bisa mengurangi biaya produksi sebesar 10%, keuntungan justru berkurang 14,66%.
- Strategi : Alihkan anggaran ke metode pemasaran berbasis kinerja seperti pemasaran digital dengan retargeting yang lebih tepat sasaran.

Visualisasi Data

Rata-Rata Profit per Produk

profit_per_produk <- Data %>%
                      group_by(Product) %>%
                      summarise(RataProfit = mean(Profit))

#Plot
plot_bar <- ggplot(profit_per_produk, aes(x = reorder(Product, -RataProfit), y = RataProfit)) +
  geom_col(fill = "#355E3B") +
  labs(title = "Produk dengan Rata-rata Profit Tertinggi", x = "Produk", y = "Rata-rata Profit") +
  theme_minimal() +
  theme(
    plot.title = element_text(hjust = 0.5, face = "bold"),
    axis.text.x = element_text(angle = 45, hjust = 1),
    axis.title.x = element_text(face = "bold"),
    axis.title.y = element_text(face = "bold"),
    plot.margin = margin(t = 10, r = 8, b = 10, l = 8),
    legend.title = element_blank(),
  )

#Plot interaktif
fig <- ggplotly(plot_bar) %>% config(displayModeBar = FALSE)
fig

Interpretasi :
Regular Espresso menempati posisi tertinggi sebagai produk dengan rata-rata profit tertinggi. Sebaliknya, Green Tea adalah produk dengan dengan rata-rata profit terendah. Dari data ini, dapat disimpulkan bahwa minuman berbasis kopi seperti espresso memiliki margin keuntungan yang lebih tinggi dibandingkan dengan minuman lainnya.

Tren Bulanan

# Agregasi bulanan
monthly_data <- Data %>%
  mutate(Month = floor_date(Date, "month")) %>%
  group_by(Month) %>%
  summarise(Sales = sum(Sales, na.rm = TRUE),
            COGS = sum(COGS, na.rm = TRUE),
            Marketing = sum(Marketing, na.rm = TRUE),
            Profit = sum(Profit, na.rm = TRUE))

# Buat plot ggplot
p <- ggplot(monthly_data, aes(x = Month)) +
  geom_line(aes(y = Sales, color = "Sales"), size = 1.2) +
  geom_line(aes(y = COGS, color = "COGS"), size = 1.2) +
  geom_line(aes(y = Marketing, color = "Marketing"), size = 1.2) +
  geom_line(aes(y = Profit, color = "Profit"), size = 1.2) +
  labs(title = "Tren Bulanan: Sales, COGS, Marketing, dan Profit",
       x = "Bulan", y = "Jumlah (Rp)", color = "Kategori", xanchor = 'center', font = list(size = 16), x = 0.5) +
  scale_color_manual(values = c("Sales" = "#C1A76D",
                                "COGS" = "#B1C29E",
                                "Marketing" = "#659287", 
                                "Profit" = "#355E3B")) +
  theme_minimal() +
  theme(
    plot.title = element_text(hjust = 0.5, face = "bold"),
    axis.title.x = element_text(face = "bold"),
    axis.title.y = element_text(face = "bold"),
    plot.margin = margin(t = 10, r = 8, b = 10, l = 8),
    legend.title = element_blank()
  )

fig <- ggplotly(p) %>% config(displayModeBar = FALSE)
fig

Interpretasi :
Berdasarkan data yang tersedia, tren bulanan Sales, COGS, Marketing, dan Profit diamati dalam periode setengah tahunan dari Januari 2012 hingga Januari 2014. Tren ini bisa menunjukkan bahwa meskipun penjualan meningkat, biaya produksi juga cukup konstan sehingga profit tetap bertumbuh meski tidak terlalu signifikan. Pengeluaran pemasaran yang tetap rendah bisa berarti strategi marketing yang efisien atau kurangnya investasi pada pemasaran.

Perbandingan Bulanan

monthly_long <- melt(monthly_data, id.vars = "Month")

pm <- ggplot(monthly_long, aes(x = Month, y = value, fill = variable)) +
  geom_bar(stat = "identity", position = "dodge") +
  labs(title = "Perbandingan Bulanan Sales, COGS, dan Marketing",
       x = "Bulan", y = "Jumlah (Rp)", fill = "Kategori", xanchor = 'center', x = 0.5) +
  scale_fill_manual(values = c("Sales" = "#C1A76D",
                                "COGS" = "#B1C29E",
                                "Marketing" = "#659287", 
                                "Profit" = "#355E3B")) +
  theme_minimal() +
  theme(
    plot.title = element_text(hjust = 0.5, face = "bold"),
    axis.title.x = element_text(face = "bold"),
    axis.title.y = element_text(face = "bold"),
    plot.margin = margin(t = 10, r = 8, b = 10, l = 8),
    legend.title = element_blank()
  )

fig <- ggplotly(pm) %>% config(displayModeBar = FALSE)
fig

Interpretasi :
Berdasarkan grafik tersebut, secara umum, perbandingan ini menunjukkan bahwa Sales merupakan komponen dengan nilai tertinggi, diikuti oleh COGS, dan kemudian Marketing. Dapat diambil kesimpulan bahwa perusahaan mengalami pertumbuhan penjualan yang positif, tetapi mungkin perlu mempertimbangkan strategi pemasaran atau pengurangan biaya produksi untuk meningkatkan margin keuntungan.

Kontribusi terhadap Profit

monthly_stacked <- melt(monthly_data, id.vars = "Month", measure.vars = c("COGS", "Marketing", "Profit"))

join <- ggplot(monthly_stacked, aes(x = Month, y = value, fill = variable)) +
  geom_bar(stat = "identity") +
  labs(title = "Kontribusi Biaya dan Profit terhadap Total",
       x = "Bulan", y = "Jumlah (Rp)", fill = "Komponen") +
  scale_fill_manual(values = c("Sales" = "#C1A76D",
                                "COGS" = "#B1C29E",
                                "Marketing" = "#659287", 
                                "Profit" = "#355E3B")) +
  theme_minimal() +
  theme(
    plot.title = element_text(hjust = 0.5, face = "bold"),
    axis.title.x = element_text(face = "bold"),
    axis.title.y = element_text(face = "bold"),
    plot.margin = margin(t = 10, r = 8, b = 10, l = 8),
    legend.title = element_blank()
  )


fig <- ggplotly(join) %>% config(displayModeBar = FALSE)
fig

Interpretasi :
Berdasarkan data yang ditampilkan, grafik ini menggambarkan kontribusi biaya (COGS dan Marketing) serta Profit terhadap total nilai keuangan perusahaan dalam periode setengah tahunan dari Januari 2012 hingga Januari 2014. dapat ditarik kesimpulan bahwa terdapat ruang untuk meningkatkan efisiensi biaya atau strategi pemasaran guna meningkatkan margin keuntungan. Dengan memahami pola ini, perusahaan dapat mengevaluasi kembali pengelolaan biaya dan strategi bisnis untuk memaksimalkan keuntungan di masa depan.

Hubungan Marketing - Profit

market <- ggplot(monthly_data, aes(x = Marketing, y = Profit)) +
  geom_point(color = "#C1A76D", size = 3) +
  geom_smooth(method = "lm", se = FALSE, color = "#355E3B") +
  labs(
    title = "Hubungan antara Marketing dan Profit",
    x = "Marketing (Rp)", y = "Profit (Rp)"
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(hjust = 0.5, face = "bold"),
    axis.title.x = element_text(face = "bold"),
    axis.title.y = element_text(face = "bold"),
    plot.margin = margin(t = 10, r = 8, b = 10, l = 8),
    legend.title = element_blank()
  )

fig <- ggplotly(market) %>% config(displayModeBar = FALSE)
fig

Interpretasi :
Berdasarkan grafik yang diatas, Marketing tetap pada angka yang relatif kecil dan stabil, yang bisa berarti strategi pemasaran yang terkendali atau investasi yang minimal di sektor ini. Profit (Keuntungan) mengalami pertumbuhan, tetapi masih dalam porsi yang lebih kecil dibandingkan total biaya, mengindikasikan bahwa ada ruang untuk meningkatkan efisiensi dalam pengelolaan biaya produksi atau memperkuat strategi pemasaran guna meningkatkan margin keuntungan.

Penutup

Kesimpulan

Berdasarkan hasil analisis diatas, kesimpulan dari pengaruh profit terhadap sales, marketing, dan COGS adalah sebagai berikut.

Sales menunjukkan tren pertumbuhan yang stabil, namun diiringi oleh kenaikan COGS yang cukup tajam, yang secara langsung menurunkan tingkat profit menunjukkan bahwa efisiensi pengeluaran menjadi faktor kunci terhadap profit.
Marketing Expense meningkat pada waktu tertentu, namun dampaknya terhadap profit belum konsisten, menunjukkan perlunya evaluasi efektivitas strategi pemasaran.
Korelasi positif antara Sales dan Profit tetap terlihat, namun dengan pengaruh signifikan dari faktor pengurang seperti biaya produksi dan promosi.
Sales dan COGS cenderung meningkat secara paralel, menunjukkan adanya pertumbuhan penjualan yang konsisten diiringi dengan peningkatan biaya produksi.

Secara umum, profit sangat dipengaruhi oleh rasio antara Sales dan COGS, serta besarnya anggaran Marketing pada periode tertentu.

Rekomendasi Strategis

Berikut beberapa rekomendasi yang dapat dipertimbangkan untuk meningkatkan Profit:

Optimalkan efisiensi biaya dengan mengendalikan rasio COGS terhadap Sales agar margin keuntungan tetap terjaga. Efisiensi biaya produksi harus menjadi prioritas.
Evaluasi efektivitas pengeluaran Marketing, terutama pada periode dengan pengeluaran tinggi namun tidak diikuti kenaikan profit yang signifikan.
Manfaatkan analisis historis untuk forecasting untuk mengatur strategi penjualan dan pengeluaran, agar dapat mengantisipasi potensi penurunan profit.

Referensi

Rdocumentation.org. (2022). Rlm Function - RDocumentation. Diakses dari https://www.rdocumentation.org/packages/MASS/versions/7.3-58.1/topics/rlm

Cahyaningtyas, R, D. “RPubs - R Markdown Themes Guide: Unleash Your Creativity with Captivating Document Styles.” Rpubs.com, 28 May 2023, diakses dari https://rpubs.com/ranydc/rmarkdown_themes

Strategi Pemasaran dan Penjualan untuk Meningkatkan Profit di Coffee Chain

Nabila Putri Alifiani - M0723061