Visualisasi dan Analisis Dataset Restoran “Ayam Serayu”

2. Dataset yang Dianalisis

# Memuat dataset
library(dplyr)

resto_data <- read.csv("C:\\Users\\arimb\\OneDrive\\Documents\\visualisasi data\\visualisasi data time seris kelp.3\\AyamSerayu_3Years_Transaction_Data.csv", sep = ";")

glimpse(resto_data)

## Rows: 626,311
## Columns: 15
## $ Tanggal...Waktu   <chr> "2023-01-01 00:00:00", "2023-01-01 00:00:00", "2023-…
## $ ID.Struk          <chr> "TRX-20230101-8589", "TRX-20230101-8589", "TRX-20230…
## $ Outlet            <chr> "AYAM SERAYU - CABANG 2", "AYAM SERAYU - CABANG 2", …
## $ Tipe.Penjualan    <chr> "Dine in", "Dine in", "Dine in", "Dine in", "Dine in…
## $ Kasir             <chr> "Rina", "Rina", "Budi", "Budi", "Budi", "Budi", "Bud…
## $ Nama.Produk       <chr> "Ayam Bakar Madu", "Air Mineral", "Cah Kangkung", "K…
## $ Kategori          <chr> "Makanan", "Minuman", "Makanan", "Makanan", "Makanan…
## $ Jumlah.Produk     <int> 1, 1, 1, 1, 2, 1, 2, 1, 1, 1, 1, 1, 1, 2, 1, 1, 1, 1…
## $ Harga.Produk      <int> 31000, 5000, 12000, 19000, 20000, 29000, 31000, 5000…
## $ Penjualan.Kotor   <int> 31000, 5000, 12000, 19000, 40000, 29000, 62000, 5000…
## $ Total             <int> 36000, 36000, 162000, 162000, 162000, 162000, 162000…
## $ Metode.Pembayaran <chr> "Tunai", "QRIS", "QRIS", "Tunai", "Debit", "Tunai", …
## $ Status.Pembayaran <chr> "Success", "Success", "Success", "Success", "Success…
## $ Diskon            <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0…
## $ Pajak             <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0…

getwd()

## [1] "C:/Users/arimb/Downloads"

Untuk memudahkan interpretasi, beberapa variabel akan dimodifikasi sebagai berikut.

resto_data <- resto_data %>%
  rename(
    Waktu = Tanggal...Waktu,
    Pesanan = ID.Struk,
    Layanan = Tipe.Penjualan,
    Menu = Nama.Produk,
    Jumlah = Jumlah.Produk,
    Harga = Harga.Produk,
    Subtotal = Penjualan.Kotor,
    Metode = Metode.Pembayaran,
    Status = Status.Pembayaran 
  )

resto_data <- resto_data %>%
  mutate(
    Waktu = ymd_hms(Waktu),
    Bulan1 = format(Waktu, "%b %Y"),
    Bulan2 = floor_date(Waktu, "month") %>% as.Date(),
    Hari = wday(Waktu, label = TRUE, abbr = FALSE, locale = "id_ID"),
    Jam = case_when(
      hour(Waktu) >= 0 & hour(Waktu) <= 10 ~ "Pagi",
      hour(Waktu) >= 11 & hour(Waktu) <= 14 ~ "Siang",
      hour(Waktu) >= 15 & hour(Waktu) <= 18 ~ "Sore",
      hour(Waktu) >= 19 & hour(Waktu) <= 23 ~ "Malam"
    )
  )

glimpse(resto_data)

## Rows: 626,311
## Columns: 19
## $ Waktu    <dttm> 2023-01-01, 2023-01-01, 2023-01-01, 2023-01-01, 2023-01-01, …
## $ Pesanan  <chr> "TRX-20230101-8589", "TRX-20230101-8589", "TRX-20230101-3069"…
## $ Outlet   <chr> "AYAM SERAYU - CABANG 2", "AYAM SERAYU - CABANG 2", "AYAM SER…
## $ Layanan  <chr> "Dine in", "Dine in", "Dine in", "Dine in", "Dine in", "Dine …
## $ Kasir    <chr> "Rina", "Rina", "Budi", "Budi", "Budi", "Budi", "Budi", "Nabi…
## $ Menu     <chr> "Ayam Bakar Madu", "Air Mineral", "Cah Kangkung", "Kulit Ayam…
## $ Kategori <chr> "Makanan", "Minuman", "Makanan", "Makanan", "Makanan", "Makan…
## $ Jumlah   <int> 1, 1, 1, 1, 2, 1, 2, 1, 1, 1, 1, 1, 1, 2, 1, 1, 1, 1, 1, 1, 1…
## $ Harga    <int> 31000, 5000, 12000, 19000, 20000, 29000, 31000, 5000, 12000, …
## $ Subtotal <int> 31000, 5000, 12000, 19000, 40000, 29000, 62000, 5000, 12000, …
## $ Total    <int> 36000, 36000, 162000, 162000, 162000, 162000, 162000, 46000, …
## $ Metode   <chr> "Tunai", "QRIS", "QRIS", "Tunai", "Debit", "Tunai", "Debit", …
## $ Status   <chr> "Success", "Success", "Success", "Success", "Success", "Succe…
## $ Diskon   <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0…
## $ Pajak    <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0…
## $ Bulan1   <chr> "Jan 2023", "Jan 2023", "Jan 2023", "Jan 2023", "Jan 2023", "…
## $ Bulan2   <date> 2023-01-01, 2023-01-01, 2023-01-01, 2023-01-01, 2023-01-01, …
## $ Hari     <ord> Minggu, Minggu, Minggu, Minggu, Minggu, Minggu, Minggu, Mingg…
## $ Jam      <chr> "Pagi", "Pagi", "Pagi", "Pagi", "Pagi", "Pagi", "Pagi", "Pagi…

datatable(head(resto_data, 100), options = list(pageLength = 5, autoWidth = TRUE))

1. Moving Average: Tren Penjualan Bulanan

Bagaimana tren penjualan selama 2 tahun? Di bulan apa penjualan menghasilkan pendapatan tertinggi?

# Agregasi total pendapatan per bulan (dari Total)
bulanan <- resto_data %>%
  group_by(Bulan2) %>%
  summarise(
    Total_Pendapatan = sum(Total, na.rm = TRUE),
    .groups = "drop"
  ) %>%
  # Filter hanya Jan & Jul setiap tahun
  filter(format(Bulan2, "%b") %in% c("Jan", "Jul"))

# Line chart dengan moving average
ggplot(bulanan, aes(x = Bulan2, y = Total_Pendapatan)) +
  geom_line(color = "#2E86AB", size = 1) +
  geom_point(color = "#E67E22", size = 2) +
  geom_smooth(method = "loess", se = FALSE, color = "#A569BD", linetype = "dashed") +
  scale_x_date(date_labels = "%b %Y", date_breaks = "6 months") +
  scale_y_continuous(labels = comma) +
  labs(
    title = "Tren Pendapatan Bulanan Restoran Ayam Serayu",
    subtitle = "Jan 2023 – Des 2025 | Moving average (dashed)",
    x = "Bulan",
    y = "Total Pendapatan (Rp)",
    caption = "Sumber: Data Transaksi 2023–2025"
  ) +
  theme_minimal()

…

2. Multiple Line Chart: Tren Perkembangan Outlet

Bagaimana tren perkembangan outlet diliat dari banyak pesanan selama 2 tahun? Apakah ada pola musiman?

# Agregasi jumlah transaksi per outlet per bulan
outlet_bulanan <- resto_data %>%
  group_by(Bulan2, Outlet) %>%
  summarise(
    Jumlah_Pesanan = n_distinct(Pesanan),
    .groups = "drop"
  ) %>%
  # Filter hanya Jan & Jul setiap tahun
  filter(format(Bulan2, "%b") %in% c("Jan", "Jul"))

ggplot(outlet_bulanan, aes(x = Bulan2, y = Jumlah_Pesanan, color = Outlet)) +
  geom_line(size = 1) +
  geom_point(size = 1.5) +
  scale_x_date(date_labels = "%b %Y", date_breaks = "6 months") +
  scale_y_continuous(labels = comma) +
  scale_color_manual(values = c("#2E86AB", "#E67E22", "#A569BD")) +
  labs(
    title = "Perkembangan Jumlah Pesanan per Outlet",
    subtitle = "Jan 2023 – Jan 2026 | Bandingkan pertumbuhan tiap cabang",
    x = "Bulan",
    y = "Jumlah Pesanan (transaksi)",
    color = "Outlet",
    caption = "Sumber: Data Transaksi 2023–2025"
  ) +
  theme_minimal()

…

3. Line Chart: Pola Pesanan Berdasarkan Jam

Bagaimana pola pesanan berdasarkan jam? Apakah lonjakan pesanan tertinggi di sekitar jam makan siang (lunch rush)?

# Agregasi jumlah pesanan per kategori jam
jam_pesanan <- resto_data %>%
  group_by(Jam) %>%
  summarise(
    Jumlah_Pesanan = n_distinct(Pesanan),
    .groups = "drop"
  ) %>%
  # Urutkan jam sesuai urutan waktu
  mutate(Jam = factor(Jam, levels = c("Pagi", "Siang", "Sore", "Malam")))

ggplot(jam_pesanan, aes(x = Jam, y = Jumlah_Pesanan, group = 1)) +
  geom_line(color = "#2E86AB", size = 1) +
  geom_point(color = "#E67E22", size = 3) +
  scale_y_continuous(labels = comma) +
  labs(
    title = "Pola Pesanan Berdasarkan Waktu dalam Sehari",
    subtitle = "Lonjakan tertinggi terjadi pada jam siang (11:00–14:59)",
    x = "Kategori Waktu",
    y = "Jumlah Pesanan (transaksi)",
    caption = "Sumber: Data Transaksi 2023–2025"
  ) +
  theme_minimal()

…

4. Line Chart: Pola Pesanan Berdasarkan Hari

Bagaimana pula pola pesanan berdasarkan hari? Apakah saat hari pekan menunjukkan pola tertinggi dibandingkan hari biasa?

# Agregasi jumlah pesanan per hari
hari_pesanan <- resto_data %>%
  group_by(Hari) %>%
  summarise(
    Jumlah_Pesanan = n_distinct(Pesanan),
    .groups = "drop"
  ) %>%
  # Urutkan hari Senin–Minggu
  mutate(Hari = factor(Hari, levels = c("Senin", "Selasa", "Rabu", "Kamis", "Jumat", "Sabtu", "Minggu")))

ggplot(hari_pesanan, aes(x = Hari, y = Jumlah_Pesanan, group = 1)) +
  geom_line(color = "#2E86AB", size = 1) +
  geom_point(color = "#E67E22", size = 3) +
  scale_y_continuous(labels = comma) +
  labs(
    title = "Pola Pesanan Berdasarkan Hari dalam Seminggu",
    subtitle = "Akhir pekan (Sabtu–Minggu) menunjukkan lonjakan pesanan",
    x = "Hari",
    y = "Jumlah Pesanan (transaksi)",
    caption = "Sumber: Data Transaksi 2023–2025"
  ) +
  theme_minimal()

> Pertanyaan:
> Bagaimana distribusi layanan yang dipilih para pelanggan tiap outlet? > Bagaimana distribusi jumlah kasir tiap layanan? - grouped bar chart LAYANAN & KASIR

4. Proportional Bar Chart: Layanan per Outlet

# Agregasi jumlah transaksi berdasarkan outlet & layanan
layanan_outlet <- resto_data %>%
  group_by(Outlet, Layanan) %>%
  summarise(
    Jumlah = n(),
    .groups = "drop"
  ) %>%
  group_by(Outlet) %>%
  mutate(
    Proporsi = Jumlah / sum(Jumlah)
  )

# Plot proportional bar chart
ggplot(layanan_outlet, aes(x = Outlet, y = Proporsi, fill = Layanan)) +
  geom_bar(stat = "identity", position = "fill") +
  scale_y_continuous(labels = percent) +
  labs(
    title = "Distribusi Layanan pada Setiap Outlet",
    subtitle = "Perbandingan proporsi layanan (Dine-in, Take Away, dll)",
    x = "Outlet",
    y = "Proporsi",
    fill = "Jenis Layanan",
    caption = "Sumber: Data Transaksi 2023–2025"
  ) +
  theme_minimal()

Distribusi layanan pada setiap outlet menunjukkan perbedaan preferensi pelanggan dalam memilih jenis layanan. Outlet dengan dominasi layanan tertentu mencerminkan kecenderungan perilaku pelanggan di lokasi tersebut. Faktor lokasi, karakteristik pelanggan, dan fasilitas outlet memengaruhi perbedaan ini. Informasi ini dapat digunakan untuk mengoptimalkan strategi operasional dan pelayanan di masing-masing outlet.

5. Distribusi Jumlah Produk per Transaksi

# Hitung total item per transaksi
jumlah_transaksi <- resto_data %>%
  group_by(Pesanan) %>%
  summarise(
    Total_Item = sum(Jumlah, na.rm = TRUE),
    .groups = "drop"
  )

# Histogram distribusi
ggplot(jumlah_transaksi, aes(x = Total_Item)) +
  geom_histogram(bins = 20, fill = "#2E86AB", color = "white") +
  labs(
    title = "Distribusi Jumlah Produk per Transaksi",
    subtitle = "Melihat pola pembelian pelanggan",
    x = "Jumlah Produk",
    y = "Frekuensi",
    caption = "Sumber: Data Transaksi 2023–2025"
  ) +
  theme_minimal()

Distribusi jumlah produk per transaksi menunjukkan bahwa sebagian besar pelanggan membeli dalam jumlah sedikit hingga sedang, dengan beberapa transaksi besar sebagai outlier. Hal ini mencerminkan pola pembelian individu yang dominan, serta peluang peningkatan penjualan melalui strategi bundling atau paket promosi.

Distribusi Jumlah Produk per Transaksi Menggunakan Boxplot

ggplot(jumlah_transaksi, aes(y = Total_Item)) +
  geom_boxplot(fill = "#E67E22") +
  labs(
    title = "Boxplot Jumlah Produk per Transaksi",
    y = "Jumlah Produk"
  ) +
  theme_minimal()

Boxplot menunjukkan bahwa sebagian besar pelanggan membeli dalam jumlah produk yang relatif sedikit, dengan beberapa transaksi besar sebagai outlier. Hal ini mencerminkan pola pembelian individu yang dominan.