🎯 Kasus: Pengaruh Iklan terhadap Penjualan Produk

💡 Judul: Analisis Regresi Linear: Pengaruh Biaya Iklan terhadap Penjualan di Perusahaan FMCG

📌 Tujuan:

Menganalisis apakah dan seberapa besar biaya iklan (TV, radio, surat kabar) memengaruhi penjualan produk.

📊 Dataset

Sumber data asli: https://www.statlearning.com/resources-second-edition (Cari file bernama Advertising.csv di bagian “Data Sets”)
Variabel:

TV: pengeluaran iklan di televisi (ribu dolar)

Radio: pengeluaran iklan di radio (ribu dolar)

Newspaper: pengeluaran iklan di surat kabar (ribu dolar)

Sales: penjualan produk (unit)

# 1. Load Data
url <- "https://www.statlearning.com/s/Advertising.csv"
download.file(url, destfile = "Advertising.csv", mode = "wb")
advertising <- read.csv("Advertising.csv")

# 2. Lihat struktur data
str(advertising)

'data.frame':   200 obs. of  5 variables:
 $ X        : int  1 2 3 4 5 6 7 8 9 10 ...
 $ TV       : num  230.1 44.5 17.2 151.5 180.8 ...
 $ radio    : num  37.8 39.3 45.9 41.3 10.8 48.9 32.8 19.6 2.1 2.6 ...
 $ newspaper: num  69.2 45.1 69.3 58.5 58.4 75 23.5 11.6 1 21.2 ...
 $ sales    : num  22.1 10.4 9.3 18.5 12.9 7.2 11.8 13.2 4.8 10.6 ...

# 3. Baca file yang sudah diunduh (opsional, sudah di-load di langkah 1)
advertising <- read.csv("Advertising.csv")

# 4. Cek beberapa baris pertama
head(advertising)

  X    TV radio newspaper sales
1 1 230.1  37.8      69.2  22.1
2 2  44.5  39.3      45.1  10.4
3 3  17.2  45.9      69.3   9.3
4 4 151.5  41.3      58.5  18.5
5 5 180.8  10.8      58.4  12.9
6 6   8.7  48.9      75.0   7.2

# 5. Lihat struktur data (ulang untuk memastikan)
str(advertising)

'data.frame':   200 obs. of  5 variables:
 $ X        : int  1 2 3 4 5 6 7 8 9 10 ...
 $ TV       : num  230.1 44.5 17.2 151.5 180.8 ...
 $ radio    : num  37.8 39.3 45.9 41.3 10.8 48.9 32.8 19.6 2.1 2.6 ...
 $ newspaper: num  69.2 45.1 69.3 58.5 58.4 75 23.5 11.6 1 21.2 ...
 $ sales    : num  22.1 10.4 9.3 18.5 12.9 7.2 11.8 13.2 4.8 10.6 ...

# 6. Model regresi linear berganda: sales diprediksi oleh TV, radio, dan newspaper
model <- lm(sales ~ TV + radio + newspaper, data = advertising)

# 7. Lihat ringkasan model (koefisien, R-squared, p-value, dll)
summary(model)


Call:
lm(formula = sales ~ TV + radio + newspaper, data = advertising)

Residuals:
    Min      1Q  Median      3Q     Max 
-8.8277 -0.8908  0.2418  1.1893  2.8292 

Coefficients:
             Estimate Std. Error t value Pr(>|t|)    
(Intercept)  2.938889   0.311908   9.422   <2e-16 ***
TV           0.045765   0.001395  32.809   <2e-16 ***
radio        0.188530   0.008611  21.893   <2e-16 ***
newspaper   -0.001037   0.005871  -0.177     0.86    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1.686 on 196 degrees of freedom
Multiple R-squared:  0.8972,    Adjusted R-squared:  0.8956 
F-statistic: 570.3 on 3 and 196 DF,  p-value: < 2.2e-16

# 8. Visualisasi hubungan antara TV dan Penjualan dengan garis regresi
plot(advertising$TV, advertising$sales,
     main = "Hubungan Iklan TV dan Penjualan",
     xlab = "Biaya Iklan TV (ribu dolar)",
     ylab = "Penjualan (unit)")
abline(lm(sales ~ TV, data = advertising), col = "blue", lwd = 2)

# 9. Visualisasi hubungan antara Radio dan Penjualan dengan garis regresi (opsional)
plot(advertising$radio, advertising$sales,
     main = "Hubungan Iklan Radio dan Penjualan",
     xlab = "Biaya Iklan Radio (ribu dolar)",
     ylab = "Penjualan (unit)")
abline(lm(sales ~ radio, data = advertising), col = "red", lwd = 2)

# 10. Visualisasi hubungan antara Newspaper dan Penjualan dengan garis regresi (opsional)
plot(advertising$newspaper, advertising$sales,
     main = "Hubungan Iklan Newspaper dan Penjualan",
     xlab = "Biaya Iklan Newspaper (ribu dolar)",
     ylab = "Penjualan (unit)")
abline(lm(sales ~ newspaper, data = advertising), col = "green", lwd = 2)

# 11. Diagnostik model - plot residuals
par(mfrow = c(2, 2))  # menampilkan 4 plot diagnostik sekaligus
plot(model)

par(mfrow = c(1, 1))  # reset layout plot

Interpretasi Singkat

Model regresi linear berganda menggunakan variabel prediktor TV, radio, dan newspaper untuk memprediksi sales.
Dari output **summary*(model)**:
TV memiliki koefisien positif dan p-value sangat kecil (< 0.001), menunjukkan bahwa pengeluaran iklan di TV secara signifikan meningkatkan penjualan.
Radio juga berpengaruh positif dan signifikan (p-value < 0.05), menunjukkan iklan radio efektif untuk meningkatkan penjualan.
Newspaper memiliki koefisien kecil dengan p-value > 0.1, artinya iklan surat kabar tidak berkontribusi signifikan pada penjualan dalam model ini.
Nilai Adjusted R-squared mendekati 0.9, mengindikasikan model sangat baik menjelaskan variabilitas penjualan produk berdasarkan pengeluaran iklan.
Visualisasi scatter plot dengan garis regresi dari variabel TV, radio, dan newspaper mengkonfirmasi pola hubungan linear positif pada TV dan radio, sedangkan newspaper hubungan terlihat lebih lemah.
Diagnostik model (plot residuals) menunjukkan bahwa asumsi regresi (linearitas, homoskedastisitas, normalitas residual) secara umum terpenuhi, sehingga model valid digunakan.

Kesimpulan

Pengeluaran iklan di TV berpengaruh positif dan signifikan terhadap penjualan produk. Artinya, semakin besar biaya iklan di TV, semakin tinggi penjualan yang dicapai.
Pengeluaran iklan di radio juga berpengaruh positif dan signifikan terhadap penjualan. Ini menunjukkan efektivitas iklan radio dalam mendorong penjualan.
Pengeluaran iklan di surat kabar tidak berpengaruh signifikan terhadap penjualan produk. Oleh karena itu, iklan di media surat kabar kurang efektif dalam meningkatkan penjualan pada kasus ini.
Model regresi menjelaskan sekitar 90% variasi penjualan. Hal ini menandakan model regresi dalam menggambarkan hubungan antara pengeluaran iklan dan penjualan.
Analisis residual menunjukkan asumsi regresi terpenuhi, sehingga hasil model dapat diandalkan.

Manfaat untuk Bidang Manajemen

Optimalisasi Anggaran Pemasaran: Manajer pemasaran dapat memfokuskan pengeluaran iklan pada media yang terbukti efektif (TV dan radio), sehingga meningkatkan efisiensi biaya.
Pengambilan Keputusan Berbasis Data: Hasil regresi memberikan dasar analitik yang kuat untuk keputusan alokasi anggaran iklan, mengurangi spekulasi.
Evaluasi Strategi Pemasaran: Manajemen dapat melakukan evaluasi berkala dengan data dan analisis serupa untuk menyesuaikan strategi iklan sesuai tren pasar.
Perencanaan Kampanye yang Tepat Sasaran: Dengan mengetahui media mana yang berdampak signifikan, kampanye iklan dapat dirancang lebih terfokus dan efektif.