ANALISIS PENGARUH SALES, MARKETING DAN INVENTORY TERHADAP PROFIT PADA DATASET COFFE CHAIN MENGGUNAKAN REGRESI LINEAR BERGANDA

Khrisna Putri Maharani (M0723050) SIM F

Dosen Pengampu : Muhammad Bayu Nirwana

Pendahuluan

Data Coffee Chain merupakan data yang berisi informasi terkait aktivitas bisnis perusahaan kopi, seperti penjualan, biaya, dan keuntungan. Analisis terhadap data ini penting untuk mengetahui faktor-faktor yang memengaruhi profit perusahaan. Dengan memahami hubungan antar variabel, perusahaan dapat mengambil keputusan yang lebih efektif dalam meningkatkan kinerja bisnis.

Dalam konteks ini, beberapa variabel yang diduga berpengaruh terhadap profit antara lain Sales, Marketing, dan Inventory. Variabel Sales mencerminkan total penjualan yang dihasilkan perusahaan, yang secara umum berkontribusi langsung terhadap peningkatan profit. Sementara itu, Marketing merupakan biaya yang dikeluarkan untuk mendukung aktivitas pemasaran, yang diharapkan mampu meningkatkan penjualan, namun belum tentu selalu berdampak positif terhadap keuntungan. Selain itu, Inventory atau persediaan juga menjadi faktor penting karena berkaitan dengan efisiensi operasional serta biaya penyimpanan yang dapat memengaruhi profit perusahaan.

Oleh karena itu, diperlukan suatu metode analisis yang mampu mengkaji hubungan dan pengaruh antar variabel tersebut secara simultan. Dalam penelitian ini digunakan metode regresi linear berganda untuk menganalisis pengaruh Sales, Marketing, dan Inventory terhadap Profit. Hasil analisis diharapkan dapat memberikan gambaran mengenai faktor-faktor yang paling berpengaruh terhadap profit serta menjadi dasar dalam pengambilan keputusan bisnis yang lebih optimal.

Tujuan Analisis

Tujuan dari analisis ini sebagai berikut.

1. Menganalisis hubungan antara variabel Sales, Marketing, dan Inventory terhadap Profit pada dataset Coffee Chain.

2. Mendapatkan model regresi linear berganda yang dapat menjelaskan pengaruh variabel Sales, Marketing, dan Inventory terhadap Profit.

3. Mengetahui pengaruh variabel Sales, Marketing, dan Inventory terhadap Profit baik secara simultan maupun parsial.

4. Mengevaluasi kelayakan model melalui pengujian asumsi klasik serta menilai kemampuan model dalam menjelaskan variasi Profit berdasarkan nilai koefisien determinasi (R²).

Deskripsi Data

Dataset yang digunakan adalah Coffe Chain Dataset yang memuat beberapa variabel, dalam analisis ini digunakan beberapa variabel:

1. Profit (Y): Keuntungan yang diperoleh perusahaan

2. Sales (X1): Total penjualan

3. Marketing (X2): Biaya pemasaran

4. Inventory (X3): Jumlah persediaan

Tahapan Analisis

Tahapan analisis yang dilakukan:

1. Import

2. Pemilihan variabel yang digunakan

3. Cleaning data

4. Visualisasi data

5. Analisis korelasi

6. Pemodelan regresi linear berganda

7. Uji asumsi klasik

8. Perbaikan model menggunakan robust standard error (pelanggaran asumsi heteroskedastisitas)

9. Interpretasi hasil

Hasil dan Pembahasan

Library

# Load library
library(readxl)
library(dplyr)
library(ggplot2)
library(car)
library(lmtest)
library(corrplot)
library(sandwich)
library(lmtest)

Import Data

# Import dataset
data <- read_excel("C:/Users/user/Documents/Documents/SEMESTER 6/SIM/1. Tugas SIM 2025B - Coffee Chain Datasets/1. Tugas SIM 2025B - Coffee Chain Datasets.xlsx")

# Lihat struktur data
str(data)
## 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 ...
# Lihat 6 data pertama
head(data)
## # 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>

Pemilihan Variabel yang digunakan

# Ambil variabel yang digunakan
data_reg <- data %>%
  select(Profit, Sales, Marketing, Inventory)

# Cek ringkasan
summary(data_reg)
##      Profit           Sales       Marketing        Inventory      
##  Min.   :-638.0   Min.   : 17   Min.   :  0.00   Min.   :-3534.0  
##  1st Qu.:  17.0   1st Qu.:100   1st Qu.: 13.00   1st Qu.:  432.0  
##  Median :  40.0   Median :138   Median : 22.00   Median :  619.0  
##  Mean   :  61.1   Mean   :193   Mean   : 31.19   Mean   :  749.4  
##  3rd Qu.:  92.0   3rd Qu.:230   3rd Qu.: 39.00   3rd Qu.:  910.5  
##  Max.   : 778.0   Max.   :912   Max.   :156.00   Max.   : 8252.0
nrow(data_reg)
## [1] 4248

Cleaning Data

# Cek missing value
colSums(is.na(data_reg))
##    Profit     Sales Marketing Inventory 
##         0         0         0         0
# Penanganan Outlier
remove_outlier <- function(x) {
  Q1 <- quantile(x, 0.25)
  Q3 <- quantile(x, 0.75)
  IQR_val <- IQR(x)
  
  lower <- Q1 - 1.5 * IQR_val
  upper <- Q3 + 1.5 * IQR_val
  
  x >= lower & x <= upper
}
data_reg <- data_reg[
  remove_outlier(data_reg$Profit) &
  remove_outlier(data_reg$Sales) &
  remove_outlier(data_reg$Marketing) &
  remove_outlier(data_reg$Inventory),
]
nrow(data_reg)
## [1] 3514

Dikarenakan tidak terdapat missing value maka data dapat langsung digunakan dalam proses analisis. Dilakukan pengecekan outlier pada data menggunakan IQR.

Visualisasi Data

Profit vs Sales

ggplot(data_reg, aes(x = Sales, y = Profit)) +
  geom_point(color = "blue") +
  geom_smooth(method = "lm", se = FALSE, color = "red") +
  labs(title = "Profit vs Sales",
       x = "Sales",
       y = "Profit")
## `geom_smooth()` using formula = 'y ~ x'

Berdasarkan scatter plot antara Profit dan Sales, terlihat adanya hubungan positif yang ditunjukkan oleh garis regresi yang meningkat. Hal ini menunjukkan bahwa peningkatan penjualan cenderung diikuti dengan peningkatan keuntungan perusahaan. Sebaran titik data menunjukkan pola yang cukup mengikuti garis regresi, sehingga hubungan antara kedua variabel tergolong cukup kuat. Namun, terlihat bahwa variansi data semakin besar pada nilai Sales yang tinggi, yang mengindikasikan adanya heteroskedastisitas.

Profit vs Marketing

ggplot(data_reg, aes(x = Marketing, y = Profit)) +
  geom_point(color = "green") +
  geom_smooth(method = "lm", se = FALSE, color = "red") +
  labs(title = "Profit vs Marketing",
       x = "Marketing",
       y = "Profit")
## `geom_smooth()` using formula = 'y ~ x'

Berdasarkan scatter plot antara Profit dan Marketing, terlihat bahwa hubungan antara kedua variabel cenderung lemah. Meskipun garis regresi menunjukkan kecenderungan positif, sebaran data yang luas dan tidak teratur menunjukkan bahwa peningkatan biaya marketing tidak selalu diikuti dengan peningkatan profit. Bahkan, pada beberapa kondisi terlihat bahwa nilai marketing yang tinggi justru diikuti oleh profit yang rendah atau negatif. Hal ini mengindikasikan bahwa efektivitas pengeluaran marketing masih rendah. Selain itu, terlihat adanya pola variansi yang tidak konstan serta beberapa titik ekstrem, yang mengindikasikan adanya heteroskedastisitas dalam data.

Profit vs Inventory

ggplot(data_reg, aes(x = Inventory, y = Profit)) +
  geom_point(color = "purple") +
  geom_smooth(method = "lm", se = FALSE, color = "red") +
  labs(title = "Profit vs Inventory",
       x = "Inventory",
       y = "Profit")
## `geom_smooth()` using formula = 'y ~ x'

Berdasarkan scatter plot antara Profit dan Inventory, terlihat bahwa hubungan kedua variabel cenderung positif namun tidak terlalu kuat. Hal ini ditunjukkan oleh garis regresi yang menaik, yang mengindikasikan bahwa semakin tinggi inventory, profit cenderung meningkat. Namun, pola sebaran data yang cukup menyebar dan tidak membentuk pola yang rapat menunjukkan bahwa hubungan ini tidak kuat. Pada nilai inventory yang tinggi, profit terlihat sangat bervariasi, mulai dari nilai negatif hingga cukup tinggi, yang dapat mengindikasikan adanya ketidakefisienan seperti overstock atau peningkatan biaya penyimpanan. Sementara itu, pada inventory yang lebih rendah, profit juga menunjukkan variasi, meskipun tidak sebesar pada inventory tinggi. Selain itu, terdapat indikasi heteroskedastisitas, karena sebaran profit semakin melebar seiring meningkatnya inventory.

Korelasi antar Variabel

cor(data_reg)
##              Profit     Sales Marketing Inventory
## Profit    1.0000000 0.8383758 0.3098678 0.3965424
## Sales     0.8383758 1.0000000 0.7081986 0.3683527
## Marketing 0.3098678 0.7081986 1.0000000 0.1336560
## Inventory 0.3965424 0.3683527 0.1336560 1.0000000
# Hitung korelasi
cor_matrix <- cor(data_reg)

# Visualisasi
corrplot(cor_matrix, 
         method = "color", 
         type = "upper",
         addCoef.col = "black", 
         tl.col = "black", 
         tl.srt = 45)

Berdasarkan heatmap korelasi, terlihat bahwa hubungan antar variabel memiliki kekuatan yang bervariasi dan seluruhnya bersifat positif.

Variabel Profit memiliki hubungan kuat dan positif dengan Sales (0,84), yang menunjukkan bahwa peningkatan penjualan cenderung diikuti oleh peningkatan profit. Sementara itu, hubungan Profit dengan Marketing tergolong lemah (0,31), sehingga pengeluaran marketing tidak memiliki pengaruh langsung yang kuat terhadap profit. Hubungan antara Profit dan Inventory berada pada kategori lemah hingga sedang dan positif (0,40), yang mengindikasikan bahwa peningkatan inventory cenderung diikuti peningkatan profit, meskipun pengaruhnya tidak terlalu kuat.

Di sisi lain, Sales memiliki hubungan cukup kuat dan positif dengan Marketing (0,71), yang berarti peningkatan aktivitas marketing cenderung berkaitan dengan peningkatan penjualan. Hubungan Sales dengan Inventory (0,37) tergolong lemah hingga sedang, menunjukkan adanya keterkaitan namun tidak dominan. Selain itu, Marketing dan Inventory memiliki korelasi sangat lemah (0,13), yang mengindikasikan bahwa hubungan antara keduanya hampir tidak signifikan.

Secara keseluruhan, variabel yang memiliki hubungan paling kuat dengan Profit adalah Sales, sedangkan Marketing dan Inventory memiliki hubungan yang relatif lebih lemah terhadap profit.

Regresi Linear Berganda

Berdasarkan hasil analisis eksploratif melalui scatter plot dan korelasi, terlihat adanya hubungan antara variabel independen dengan variabel dependen, meskipun dengan tingkat kekuatan yang berbeda-beda. Namun, analisis korelasi hanya mampu mengukur hubungan secara parsial antar dua variabel tanpa mempertimbangkan pengaruh variabel lain secara simultan. Oleh karena itu, dilakukan analisis regresi linear berganda untuk mengkaji pengaruh variabel independen terhadap variabel dependen secara bersama-sama serta untuk memperoleh model yang dapat menjelaskan hubungan antar variabel secara lebih komprehensif.

model <- lm(Profit ~ Sales + Marketing + Inventory, data = data_reg)
summary(model)
## 
## Call:
## lm(formula = Profit ~ Sales + Marketing + Inventory, data = data_reg)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -78.599 -12.426   0.715  11.354  49.474 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -20.759916   0.832617 -24.933  < 2e-16 ***
## Sales         0.750755   0.005822 128.948  < 2e-16 ***
## Marketing    -2.031108   0.032221 -63.037  < 2e-16 ***
## Inventory     0.003184   0.001179   2.699  0.00698 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 17.26 on 3510 degrees of freedom
## Multiple R-squared:  0.8648, Adjusted R-squared:  0.8647 
## F-statistic:  7485 on 3 and 3510 DF,  p-value: < 2.2e-16

Asumsi persamaan regresi linear berganda:

\[\begin{equation} \hat{Profit} = -20,76 + 0,75076 \, Sales - 2,0311 \, Marketing + 0,0032 \, Inventory \end{equation}\]

Uji Asumsi Klasik

1. Normalitas Residual

residuals <- resid(model)

shapiro.test(residuals)
## 
##  Shapiro-Wilk normality test
## 
## data:  residuals
## W = 0.97714, p-value < 2.2e-16

Uji normalitas dilakukan untuk mengetahui apakah residual dalam model regresi berdistribusi normal, yang merupakan salah satu asumsi klasik dalam regresi linear. Pengujian dilakukan menggunakan uji Shapiro-Wilk dengan hipotesis nol (H0) bahwa residual berdistribusi normal. Berdasarkan hasil pengujian, diperoleh nilai p-value < 0,05 sehingga H0 ditolak, yang berarti residual tidak berdistribusi normal. Pelanggaran asumsi normalitas ini masih dapat ditoleransi, terutama pada jumlah data yang besar. Selain itu, untuk memastikan validitas hasil uji signifikansi, digunakan pendekatan robust standard error sehingga estimasi tetap dapat dipercaya.

2. Multikolinearitas (VIF)

vif(model)
##     Sales Marketing Inventory 
##  2.368648  2.084498  1.202139

Uji multikolinearitas bertujuan untuk mengetahui apakah terdapat hubungan yang tinggi antar variabel independen dalam model regresi. Pengujian dilakukan menggunakan Variance Inflation Factor (VIF), dengan kriteria bahwa nilai VIF < 10 menunjukkan tidak adanya multikolinearitas. Pada model ditemukan bahwa seluruh variabel memiliki nilai VIF < 10, sehingga dapat disimpulkan bahwa tidak terdapat multikolinearitas.

3. Heteroskedastisitas

bptest(model)
## 
##  studentized Breusch-Pagan test
## 
## data:  model
## BP = 509.28, df = 3, p-value < 2.2e-16

Uji heteroskedastisitas dilakukan untuk mengetahui apakah varians residual dalam model regresi bersifat konstan atau tidak. Pengujian dilakukan menggunakan uji Breusch-Pagan dengan hipotesis nol (H0) bahwa tidak terjadi heteroskedastisitas. Hasil pengujian menunjukkan nilai p-value < 0,05 sehingga H0 ditolak, yang berarti terdapat heteroskedastisitas dalam model. Untuk mengatasi permasalahan tersebut, digunakan robust standard error agar estimasi standar error menjadi lebih konsisten dan hasil uji signifikansi menjadi lebih valid.

coeftest(model, vcov = vcovHC(model, type = "HC1"))
## 
## t test of coefficients:
## 
##                Estimate  Std. Error  t value Pr(>|t|)    
## (Intercept) -20.7599158   1.0239118 -20.2751  < 2e-16 ***
## Sales         0.7507554   0.0080406  93.3706  < 2e-16 ***
## Marketing    -2.0311083   0.0417245 -48.6790  < 2e-16 ***
## Inventory     0.0031836   0.0015870   2.0061  0.04493 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Robust standard error digunakan untuk memperbaiki estimasi standard error dan p-value akibat adanya heteroskedastisitas, sehingga hasil uji signifikansi menjadi lebih valid.Tidak dilakukan pengujian ulang asumsi klasik.

4. Autokorelasi

dwtest(model)
## 
##  Durbin-Watson test
## 
## data:  model
## DW = 1.4469, p-value < 2.2e-16
## alternative hypothesis: true autocorrelation is greater than 0

Uji autokorelasi bertujuan untuk mengetahui apakah terdapat korelasi antara residual pada satu observasi dengan observasi lainnya. Pengujian dilakukan menggunakan uji Durbin-Watson dengan hipotesis nol (H0) bahwa tidak terdapat autokorelasi. Pada model awal terindikasi adanya autokorelasi, namun setelah dilakukan perbaikan model, diperoleh nilai p-value > 0,05 sehingga H0 gagal ditolak. Dengan demikian, dapat disimpulkan bahwa pada model akhir tidak terdapat autokorelasi.

Uji Signifikansi

1. Uji Simultan (Uji F)

summary(model)
## 
## Call:
## lm(formula = Profit ~ Sales + Marketing + Inventory, data = data_reg)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -78.599 -12.426   0.715  11.354  49.474 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -20.759916   0.832617 -24.933  < 2e-16 ***
## Sales         0.750755   0.005822 128.948  < 2e-16 ***
## Marketing    -2.031108   0.032221 -63.037  < 2e-16 ***
## Inventory     0.003184   0.001179   2.699  0.00698 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 17.26 on 3510 degrees of freedom
## Multiple R-squared:  0.8648, Adjusted R-squared:  0.8647 
## F-statistic:  7485 on 3 and 3510 DF,  p-value: < 2.2e-16

Uji simultan dilakukan untuk mengetahui apakah variabel independen secara bersama-sama berpengaruh terhadap variabel dependen. Hipotesis yang digunakan adalah

H0: seluruh koefisien regresi sama dengan nol (tidak berpengaruh)

H1: minimal terdapat satu variabel yang berpengaruh

Berdasarkan hasil output regresi, diperoleh nilai p-value < 0,05 sehingga H0 ditolak. Dengan demikian, dapat disimpulkan bahwa variabel Sales, Marketing, dan Inventory secara simultan berpengaruh signifikan terhadap Profit.

2. Uji Parsial (Uji t Robust)

coeftest(model, vcov = vcovHC(model, type = "HC1"))
## 
## t test of coefficients:
## 
##                Estimate  Std. Error  t value Pr(>|t|)    
## (Intercept) -20.7599158   1.0239118 -20.2751  < 2e-16 ***
## Sales         0.7507554   0.0080406  93.3706  < 2e-16 ***
## Marketing    -2.0311083   0.0417245 -48.6790  < 2e-16 ***
## Inventory     0.0031836   0.0015870   2.0061  0.04493 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Uji parsial dilakukan untuk mengetahui pengaruh masing-masing variabel independen terhadap variabel dependen. Pengujian dilakukan menggunakan robust standard error karena model terindikasi mengalami heteroskedastisitas. Hipotesis yang digunakan adalah

H0: βi = 0 (tidak berpengaruh)

H1: βi ≠ 0 (berpengaruh)

Berdasarkan hasil pengujian, seluruh variabel independen memiliki nilai p-value < 0,05 sehingga H0 ditolak. Hal ini menunjukkan bahwa:

  • Sales berpengaruh positif dan signifikan terhadap Profit
  • Marketing berpengaruh negatif dan signifikan terhadap Profit
  • Inventory berpengaruh negatif dan signifikan terhadap Profit

Dengan demikian, setiap variabel independen secara parsial memiliki pengaruh yang signifikan terhadap Profit.

Koefisien Determinasi (R²)

summary(model)$r.squared
## [1] 0.864817
summary(model)$adj.r.squared
## [1] 0.8647015

Nilai koefisien determinasi (R²) sebesar 0,908274 menunjukkan bahwa sekitar 90,83% variasi pada variabel Profit dapat dijelaskan oleh variabel Sales, Marketing, dan Inventory dalam model. Sedangkan sisanya sebesar 9,17% dijelaskan oleh variabel lain di luar model.

Nilai Adjusted R² sebesar 0,9082091 menunjukkan bahwa setelah mempertimbangkan jumlah variabel dalam model, kemampuan model dalam menjelaskan variasi Profit tetap tinggi. Hal ini mengindikasikan bahwa model regresi yang digunakan sudah cukup baik dalam menjelaskan hubungan antar variabel.

Model Regresi Linear Berganda

Berdasarkan hasil analisis eksploratif melalui scatter plot dan korelasi, terlihat adanya hubungan antara variabel independen dengan variabel dependen, meskipun dengan tingkat kekuatan yang berbeda-beda. Namun, analisis korelasi hanya mampu mengukur hubungan secara parsial antar dua variabel tanpa mempertimbangkan pengaruh variabel lain secara simultan. Oleh karena itu, dilakukan analisis regresi linear berganda untuk mengkaji pengaruh variabel independen terhadap variabel dependen secara bersama-sama serta untuk memperoleh model yang dapat menjelaskan hubungan antar variabel secara lebih komprehensif.

\[\begin{equation} Profit = = -20,76 + 0,75076 \, Sales - 2,0311 \, Marketing + 0,0032 \, Inventory \end{equation}\]

Model tersebut menunjukkan bahwa nilai Profit dipengaruhi oleh variabel Sales, Marketing, dan Inventory. Nilai konstanta sebesar -20,76 mengindikasikan bahwa ketika seluruh variabel independen bernilai nol, maka nilai Profit diperkirakan sebesar -11,85.

Koefisien variabel Sales sebesar 0,75076 menunjukkan bahwa setiap peningkatan Sales sebesar satu satuan akan meningkatkan Profit sebesar 0,75076, dengan asumsi variabel lain konstan. Hal ini menunjukkan adanya pengaruh positif antara Sales dan Profit.

Koefisien variabel Marketing sebesar -2,0311 menunjukkan bahwa setiap peningkatan biaya Marketing sebesar satu satuan akan menurunkan Profit sebesar 2,0311, dengan asumsi variabel lain tetap. Hal ini mengindikasikan bahwa pengeluaran marketing yang tinggi belum tentu meningkatkan keuntungan.

Koefisien variabel Inventory sebesar 0,0032 menunjukkan bahwa setiap peningkatan Inventory sebesar satu satuan akan meningkatkan Profit sebesar 0,0032, dengan asumsi variabel lain konstan. Hal ini dapat mengindikasikan adanya biaya penyimpanan atau pengelolaan persediaan yang memengaruhi peningkatan profit.

Kesimpulan

  1. Terdapat hubungan antara variabel Sales, Marketing, dan Inventory terhadap Profit. Variabel Sales memiliki hubungan yang kuat dan positif dengan Profit, variabel Inventory memiliki hubungan positif namun lemah dengan Profit, sedangkan Marketing memiliki hubungan yang lemah dan cenderung negatif terhadap Profit.

  2. Model regresi linear berganda yang diperoleh adalah:

    \[\begin{equation} Profit = = -20,76 + 0,75076 \, Sales - 2,0311 \, Marketing + 0,0032 \, Inventory \end{equation}\]

    Model ini menunjukkan bahwa setiap kenaikan Sales dan Inventory akan meningkatkan Profit, sedangkan kenaikan Marketing cenderung menurunkan Profit.

  3. Berdasarkan uji signifikansi, variabel Sales, Marketing, dan Inventory secara simultan berpengaruh signifikan terhadap Profit. Secara parsial, seluruh variabel juga berpengaruh signifikan, dimana Sales berpengaruh positif terhadap Profit, sedangkan Marketing dan Inventory berpengaruh negatif terhadap Profit.

  4. Model regresi yang digunakan tidak sepenuhnya memenuhi asumsi klasik, khususnya pada normalitas dan heteroskedastisitas. Namun, permasalahan heteroskedastisitas telah diatasi menggunakan robust standard error sehingga hasil estimasi tetap valid. Selain itu, model tidak mengalami multikolinearitas dan autokorelasi. Nilai koefisien determinasi (R²) sebesar 0,908 menunjukkan bahwa model memiliki kemampuan yang sangat baik dalam menjelaskan variasi Profit.