Analisis Pengaruh Sales dan Marketing terhadap Profit pada Coffee Chain Dataset
Alyssa Divania - M0725059 Statistika (A)
2026-04-15
Insight
Profit merupakan indikator penting dalam menilai kinerja perusahaan. Dalam industri coffee chain, profit diduga dipengaruhi oleh tingkat penjualan (Sales) dan aktivitas pemasaran (Marketing).
Semakin tinggi penjualan dan strategi pemasaran yang efektif, maka profit perusahaan berpotensi meningkat.
Penelitian ini bertujuan menganalisis pengaruh Sales dan Marketing terhadap Profit menggunakan regresi linear berganda.
Import Data
library(readxl)## Warning: package 'readxl' was built under R version 4.5.3library(ggplot2)## Warning: package 'ggplot2' was built under R version 4.5.2data_coffee_chain <- read_excel("C:/Users/Pongo/OneDrive/Documents/1. Tugas SIM 2025B - Coffee Chain Datasets.xlsx")
head(data_coffee_chain)## # A tibble: 6 × 20
## `Area Code` Date Market `Market Size` Product `Product Line`
## <dbl> <dttm> <chr> <chr> <chr> <chr>
## 1 719 2012-01-01 00:00:00 Central Major Market Amaretto Beans
## 2 970 2012-01-01 00:00:00 Central Major Market Colombian Beans
## 3 970 2012-01-01 00:00:00 Central Major Market Decaf Ir… Beans
## 4 303 2012-01-01 00:00:00 Central Major Market Green Tea Leaves
## 5 303 2012-01-01 00:00:00 Central Major Market Caffe Mo… Beans
## 6 720 2012-01-01 00:00:00 Central Major Market Decaf Es… Beans
## # ℹ 14 more variables: `Product Type` <chr>, State <chr>, Type <chr>,
## # `Budget COGS` <dbl>, `Budget Margin` <dbl>, `Budget Profit` <dbl>,
## # `Budget Sales` <dbl>, COGS <dbl>, Inventory <dbl>, Margin <dbl>,
## # Marketing <dbl>, Profit <dbl>, Sales <dbl>, `Total Expenses` <dbl>tail(data_coffee_chain)## # A tibble: 6 × 20
## `Area Code` Date Market `Market Size` Product `Product Line`
## <dbl> <dttm> <chr> <chr> <chr> <chr>
## 1 425 2013-12-01 00:00:00 West Small Market Lemon Leaves
## 2 206 2013-12-01 00:00:00 West Small Market Caffe Lat… Beans
## 3 509 2013-12-01 00:00:00 West Small Market Caffe Moc… Beans
## 4 360 2013-12-01 00:00:00 West Small Market Decaf Esp… Beans
## 5 360 2013-12-01 00:00:00 West Small Market Colombian Beans
## 6 206 2013-12-01 00:00:00 West Small Market Decaf Iri… Beans
## # ℹ 14 more variables: `Product Type` <chr>, State <chr>, Type <chr>,
## # `Budget COGS` <dbl>, `Budget Margin` <dbl>, `Budget Profit` <dbl>,
## # `Budget Sales` <dbl>, COGS <dbl>, Inventory <dbl>, Margin <dbl>,
## # Marketing <dbl>, Profit <dbl>, Sales <dbl>, `Total Expenses` <dbl>str(data_coffee_chain)## tibble [4,248 × 20] (S3: tbl_df/tbl/data.frame)
## $ Area Code : num [1:4248] 719 970 970 303 303 720 970 719 970 719 ...
## $ Date : POSIXct[1:4248], format: "2012-01-01" "2012-01-01" ...
## $ Market : chr [1:4248] "Central" "Central" "Central" "Central" ...
## $ Market Size : chr [1:4248] "Major Market" "Major Market" "Major Market" "Major Market" ...
## $ Product : chr [1:4248] "Amaretto" "Colombian" "Decaf Irish Cream" "Green Tea" ...
## $ Product Line : chr [1:4248] "Beans" "Beans" "Beans" "Leaves" ...
## $ Product Type : chr [1:4248] "Coffee" "Coffee" "Coffee" "Tea" ...
## $ State : chr [1:4248] "Colorado" "Colorado" "Colorado" "Colorado" ...
## $ Type : chr [1:4248] "Regular" "Regular" "Decaf" "Regular" ...
## $ Budget COGS : num [1:4248] 90 80 100 30 60 80 140 50 50 40 ...
## $ Budget Margin : num [1:4248] 130 110 140 50 90 130 160 80 70 70 ...
## $ Budget Profit : num [1:4248] 100 80 110 30 70 80 110 20 40 20 ...
## $ Budget Sales : num [1:4248] 220 190 240 80 150 210 300 130 120 110 ...
## $ COGS : num [1:4248] 89 83 95 44 54 72 170 63 60 58 ...
## $ Inventory : num [1:4248] 777 623 821 623 456 ...
## $ Margin : num [1:4248] 130 107 139 56 80 108 171 87 80 72 ...
## $ Marketing : num [1:4248] 24 27 26 14 15 23 47 57 19 22 ...
## $ Profit : num [1:4248] 94 68 101 30 54 53 99 0 33 17 ...
## $ Sales : num [1:4248] 219 190 234 100 134 180 341 150 140 130 ...
## $ Total Expenses: num [1:4248] 36 39 38 26 26 55 72 87 47 55 ...dim(data_coffee_chain)## [1] 4248 20names(data_coffee_chain)## [1] "Area Code" "Date" "Market" "Market Size"
## [5] "Product" "Product Line" "Product Type" "State"
## [9] "Type" "Budget COGS" "Budget Margin" "Budget Profit"
## [13] "Budget Sales" "COGS" "Inventory" "Margin"
## [17] "Marketing" "Profit" "Sales" "Total Expenses"summary(data_coffee_chain)## Area Code Date Market
## Min. :203.0 Min. :2012-01-01 00:00:00 Length:4248
## 1st Qu.:417.0 1st Qu.:2012-06-23 12:00:00 Class :character
## Median :573.0 Median :2012-12-16 12:00:00 Mode :character
## Mean :582.3 Mean :2012-12-15 22:00:00
## 3rd Qu.:772.0 3rd Qu.:2013-06-08 12:00:00
## Max. :985.0 Max. :2013-12-01 00:00:00
## Market Size Product Product Line Product Type
## Length:4248 Length:4248 Length:4248 Length:4248
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## State Type Budget COGS Budget Margin
## Length:4248 Length:4248 Min. : 0.00 Min. :-210.0
## Class :character Class :character 1st Qu.: 30.00 1st Qu.: 50.0
## Mode :character Mode :character Median : 50.00 Median : 70.0
## Mean : 74.83 Mean : 100.8
## 3rd Qu.: 90.00 3rd Qu.: 130.0
## Max. :450.00 Max. : 690.0
## Budget Profit Budget Sales COGS Inventory
## Min. :-320.00 Min. : 0.0 Min. : 0.00 Min. :-3534.0
## 1st Qu.: 20.00 1st Qu.: 80.0 1st Qu.: 43.00 1st Qu.: 432.0
## Median : 40.00 Median : 130.0 Median : 60.00 Median : 619.0
## Mean : 60.91 Mean : 175.6 Mean : 84.43 Mean : 749.4
## 3rd Qu.: 80.00 3rd Qu.: 210.0 3rd Qu.:100.00 3rd Qu.: 910.5
## Max. : 560.00 Max. :1140.0 Max. :364.00 Max. : 8252.0
## Margin Marketing Profit Sales
## Min. :-302.00 Min. : 0.00 Min. :-638.0 Min. : 17
## 1st Qu.: 52.75 1st Qu.: 13.00 1st Qu.: 17.0 1st Qu.:100
## Median : 76.00 Median : 22.00 Median : 40.0 Median :138
## Mean : 104.29 Mean : 31.19 Mean : 61.1 Mean :193
## 3rd Qu.: 132.00 3rd Qu.: 39.00 3rd Qu.: 92.0 3rd Qu.:230
## Max. : 613.00 Max. :156.00 Max. : 778.0 Max. :912
## Total Expenses
## Min. : 10.00
## 1st Qu.: 33.00
## Median : 46.00
## Mean : 54.06
## 3rd Qu.: 65.00
## Max. :190.00Visualisasi Data
Scatterplot Sales dan Profit
ggplot(data_coffee_chain, aes(x = Sales, y = Profit)) +
geom_point(color = "#CDBDEE", alpha = 0.6) +
theme_minimal() +
labs(
title = "Hubungan Sales dan Profit",
x = "Sales",
y = "Profit"
)
Interpretasi : Scatterplot menunjukkan adanya kecenderungan hubungan
positif antara Sales dan Profit. Semakin tinggi nilai penjualan, maka
profit cenderung meningkat. Namun terdapat beberapa observasi dengan
profit negatif, yang menunjukkan adanya kerugian pada tingkat penjualan
tertentu.
Boxplot Marketing dan Profit
data_coffee_chain$Kategori_Profit <- cut(
data_coffee_chain$Profit,
breaks = 3,
labels = c("Rendah", "Sedang", "Tinggi")
)ggplot(data_coffee_chain, aes(x = Kategori_Profit, y = Marketing, fill = Kategori_Profit)) +
geom_boxplot(color = "black") +
scale_fill_manual(values = c("#CDBDEE", "#F8BBD0", "#A7C7E7")) +
theme_minimal() +
labs(
title = "Distribusi Marketing Berdasarkan Kategori Profit",
x = "Kategori Profit",
y = "Marketing"
) 
Interpretasi : Berdasarkan boxplot, kategori Profit Tinggi memiliki
median Marketing yang lebih tinggi dibanding kategori lainnya. Hal ini
menunjukkan bahwa peningkatan pengeluaran marketing cenderung berkaitan
dengan profit yang lebih tinggi.
Analisis
Analisis Regresi Linear Berganda
model <- lm(Profit ~ Sales + Marketing, data = data_coffee_chain)
summary(model)##
## Call:
## lm(formula = Profit ~ Sales + Marketing, data = data_coffee_chain)
##
## Residuals:
## Min 1Q Median 3Q Max
## -334.62 -13.59 -0.19 15.64 276.60
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -25.172413 0.931639 -27.02 <2e-16 ***
## Sales 0.865916 0.005279 164.02 <2e-16 ***
## Marketing -2.592300 0.029526 -87.80 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 36.59 on 4245 degrees of freedom
## Multiple R-squared: 0.8706, Adjusted R-squared: 0.8706
## F-statistic: 1.428e+04 on 2 and 4245 DF, p-value: < 2.2e-16Hipotesis
Uji Parsial
Untuk variabel Sales: - H0 : β1 = 0 (Sales tidak berpengaruh terhadap Profit) - H1 : β1 ≠ 0 (Sales berpengaruh terhadap Profit)
Untuk variabel Marketing: - H0 : β2 = 0 (Marketing tidak berpengaruh terhadap Profit) - H1 : β2 ≠ 0 (Marketing berpengaruh terhadap Profit)
Uji Simultan
- H0 : β1 = β2 = 0
- H1 : minimal salah satu β ≠ 0
Interpretasi Hasil Regresi
Berdasarkan hasil analisis regresi linear berganda, diperoleh persamaan:
Profit = -25.172 + 0.866(Sales) - 2.592(Marketing)
Artinya:
- setiap kenaikan 1 unit Sales akan meningkatkan Profit sebesar 0.866 unit, dengan asumsi variabel lain tetap.
- setiap kenaikan 1 unit Marketing akan menurunkan Profit sebesar 2.592 unit, dengan asumsi variabel lain tetap.
Nilai p-value pada variabel Sales dan Marketing kurang dari 0.05, sehingga kedua variabel berpengaruh signifikan terhadap Profit. Nilai R-squared sebesar 0.8706 menunjukkan bahwa 87.06% variasi Profit dapat dijelaskan oleh variabel Sales dan Marketing.
Uji Normalitas Residual
shapiro.test(residuals(model))##
## Shapiro-Wilk normality test
##
## data: residuals(model)
## W = 0.82338, p-value < 2.2e-16Interpretasi Uji Normalitas
Berdasarkan uji Shapiro-Wilk diperoleh nilai statistik W sebesar 0.82338 dengan p-value < 0.05. Karena p-value lebih kecil dari taraf signifikan 5%, maka H0 ditolak.
Hal ini menunjukkan bahwa residual pada model regresi tidak berdistribusi normal.
Meskipun residual tidak normal berdasarkan uji statistik, jumlah sampel yang besar menyebabkan model regresi tetap dapat digunakan karena berdasarkan Teorema Limit Pusat, estimasi parameter tetap stabil.
Kesimpulan
Berdasarkan hasil analisis regresi linear berganda, variabel Sales dan Marketing berpengaruh signifikan terhadap Profit pada Coffee Cahin Dataset.
Variabel Sales berpengaruh positif terhadap Profit, artinya peningkatan penjualan akan meningkatkan keuntungan perusahaan.
Variabel Marketing berpengaruh negatif terhadap Profit, yang menunjukkan bahwa peningkatan biaya pemasaran dapat menurunkan profit dalam jangka pendek.
Model memiliki nilai R-squared sebesar 87.06%, sehingga model mampu menjelaskan variasi Profit dengan baik.