Analisis Profitabilitas Coffee Chain: Kinerja Produk dan Pasar Tahun 2012-2013

1. Deskripsi Data

Dataset Coffee Chain mencatat data transaksi penjualan produk minuman berbasis kopi dan teh pada jaringan kedai kopi di berbagai wilayah Amerika Serikat selama periode Januari 2012 hingga Desember 2013, dengan total 4.248 observasi dan 20 variabel.

Insight yang diangkat dalam laporan ini adalah:

“Bagaimana profitabilitas dan kinerja penjualan Coffee Chain berbeda-beda berdasarkan jenis produk dan wilayah pasar, serta sejauh mana realisasi profit menyimpang dari target anggaran?”

Insight ini relevan karena membantu manajemen memahami produk dan pasar mana yang paling menguntungkan, serta mengidentifikasi kesenjangan antara target (budget) dan realisasi profit, sehingga dapat menjadi dasar pengambilan keputusan strategis.

Variabel yang digunakan dalam analisis ini adalah:

Product Type: Jenis produk (Coffee, Espresso, Herbal Tea, Tea)
Market: Wilayah pasar (Central, East, South, West)
Market Size: Ukuran pasar (Major Market, Small Market)
Sales: Total penjualan (dalam satuan unit mata uang)
Profit: Laba aktual
Budget Profit: Target laba yang dianggarkan
COGS: Cost of Goods Sold (biaya pokok penjualan)
Marketing: Biaya pemasaran

2. Persiapan Data

2.1 Memuat Library

library(readxl)
library(dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

library(ggplot2)

## Warning: package 'ggplot2' was built under R version 4.5.2

library(tidyr)
library(scales)

2.2 Import dan Eksplorasi Data

df <- read_excel("D:/Pancar/KULIAH UNS/SEMESTER 4/Sistem Informasi Manajemen/1. Tugas SIM 2025B - Coffee Chain Datasets/1. Tugas SIM 2025B - Coffee Chain Datasets.xlsx", sheet = "data")
cat("Dimensi Data:", nrow(df), "baris x", ncol(df), "kolom\n")

## Dimensi Data: 4248 baris x 20 kolom

str(df)

## 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 ...

head(df)

## # 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>

df %>%
  select(Sales, Profit, `Budget Profit`, COGS, Marketing) %>%
  summary()

##      Sales         Profit       Budget Profit          COGS       
##  Min.   : 17   Min.   :-638.0   Min.   :-320.00   Min.   :  0.00  
##  1st Qu.:100   1st Qu.:  17.0   1st Qu.:  20.00   1st Qu.: 43.00  
##  Median :138   Median :  40.0   Median :  40.00   Median : 60.00  
##  Mean   :193   Mean   :  61.1   Mean   :  60.91   Mean   : 84.43  
##  3rd Qu.:230   3rd Qu.:  92.0   3rd Qu.:  80.00   3rd Qu.:100.00  
##  Max.   :912   Max.   : 778.0   Max.   : 560.00   Max.   :364.00  
##    Marketing     
##  Min.   :  0.00  
##  1st Qu.: 13.00  
##  Median : 22.00  
##  Mean   : 31.19  
##  3rd Qu.: 39.00  
##  Max.   :156.00

3. Visualisasi Data

3.1

Visualisasi 1: Total Profit dan Sales berdasarkan Jenis Produk

# Agregasi data per jenis produk
profit_produk <- df %>%
  group_by(`Product Type`) %>%
  summarise(
    Total_Sales  = sum(Sales),
    Total_Profit = sum(Profit),
    Profit_Margin = round(sum(Profit) / sum(Sales) * 100, 2)
  ) %>%
  arrange(desc(Total_Profit))

# Mengubah ke format panjang untuk plotting grouped bar
profit_long <- profit_produk %>%
  select(`Product Type`, Total_Sales, Total_Profit) %>%
  pivot_longer(cols = c(Total_Sales, Total_Profit),
               names_to = "Kategori", values_to = "Nilai")

ggplot(profit_long, aes(x = reorder(`Product Type`, -Nilai), y = Nilai, fill = Kategori)) +
  geom_bar(stat = "identity", position = "dodge") +
  geom_text(aes(label = comma(Nilai)),
            position = position_dodge(width = 0.9),
            vjust = -0.4, size = 3.2) +
  scale_fill_manual(values = c("Total_Sales" = "#6F4E37", "Total_Profit" = "#C8A96E"),
                    labels = c("Total Profit", "Total Sales")) +
  scale_y_continuous(labels = comma) +
  labs(
    title = "Total Sales dan Profit berdasarkan Jenis Produk",
    subtitle = "Periode Januari 2012 - Desember 2013",
    x = "Jenis Produk",
    y = "Nilai",
    fill = "Keterangan"
  ) +
  theme_minimal() +
  theme(plot.title = element_text(face = "bold", size = 13))

3.2

Visualisasi 2: Profit Margin (%) per Wilayah Pasar

# Agregasi data per wilayah pasar
profit_market <- df %>%
  group_by(Market) %>%
  summarise(
    Total_Sales  = sum(Sales),
    Total_Profit = sum(Profit),
    Profit_Margin = round(sum(Profit) / sum(Sales) * 100, 2)
  ) %>%
  arrange(desc(Profit_Margin))

ggplot(profit_market, aes(x = reorder(Market, -Profit_Margin), y = Profit_Margin, fill = Market)) +
  geom_bar(stat = "identity", width = 0.6) +
  geom_text(aes(label = paste0(Profit_Margin, "%")), vjust = -0.5, size = 4, fontface = "bold") +
  scale_fill_manual(values = c("Central" = "#4E342E", "East" = "#795548",
                               "South" = "#A1887F", "West" = "#D7CCC8")) +
  labs(
    title = "Profit Margin (%) berdasarkan Wilayah Pasar",
    x = "Wilayah Pasar",
    y = "Profit Margin (%)",
    fill = "Wilayah"
  ) +
  theme_minimal() +
  theme(plot.title = element_text(face = "bold", size = 13),
        legend.position = "none")

3.3

Visualisasi 3: Realisasi Profit vs Budget Profit per Jenis Produk

# Perbandingan realisasi vs anggaran
budget_vs_actual <- df %>%
  group_by(`Product Type`) %>%
  summarise(
    Budget_Profit = sum(`Budget Profit`),
    Actual_Profit = sum(Profit),
    Selisih       = sum(Profit) - sum(`Budget Profit`)
  ) %>%
  pivot_longer(cols = c(Budget_Profit, Actual_Profit),
               names_to = "Tipe", values_to = "Nilai")

ggplot(budget_vs_actual, aes(x = `Product Type`, y = Nilai, fill = Tipe)) +
  geom_bar(stat = "identity", position = "dodge") +
  geom_hline(yintercept = 0, linetype = "dashed", color = "gray40") +
  geom_text(aes(label = comma(Nilai)),
            position = position_dodge(width = 0.9),
            vjust = -0.4, size = 3.2) +
  scale_fill_manual(values = c("Budget_Profit" = "#90A4AE", "Actual_Profit" = "#37474F"),
                    labels = c("Profit Aktual", "Budget Profit")) +
  scale_y_continuous(labels = comma) +
  labs(
    title = "Perbandingan Budget Profit vs Profit Aktual per Jenis Produk",
    x = "Jenis Produk",
    y = "Profit",
    fill = "Keterangan"
  ) +
  theme_minimal() +
  theme(plot.title = element_text(face = "bold", size = 13))

3.4

Visualisasi 4: Heatmap Sales berdasarkan Jenis Produk dan Ukuran Pasar

# Heatmap: Sales per Product Type x Market Size
heatmap_data <- df %>%
  group_by(`Market Size`, `Product Type`) %>%
  summarise(Total_Sales = sum(Sales), .groups = "drop")

ggplot(heatmap_data, aes(x = `Product Type`, y = `Market Size`, fill = Total_Sales)) +
  geom_tile(color = "white", linewidth = 1) +
  geom_text(aes(label = comma(Total_Sales)), size = 4, fontface = "bold", color = "white") +
  scale_fill_gradient(low = "#BCAAA4", high = "#3E2723", labels = comma) +
  labs(
    title = "Heatmap Total Sales berdasarkan Jenis Produk dan Ukuran Pasar",
    x = "Jenis Produk",
    y = "Ukuran Pasar",
    fill = "Total Sales"
  ) +
  theme_minimal() +
  theme(plot.title = element_text(face = "bold", size = 13))

4. Analisis Data

4.1 Analisis Deskriptif Profitabilitas per Jenis Produk

analisis_produk <- df %>%
  group_by(`Product Type`) %>%
  summarise(
    Jumlah_Transaksi = n(),
    Total_Sales      = sum(Sales),
    Total_COGS       = sum(COGS),
    Total_Marketing  = sum(Marketing),
    Total_Profit     = sum(Profit),
    Profit_Margin    = round(sum(Profit) / sum(Sales) * 100, 2),
    Budget_Profit    = sum(`Budget Profit`),
    Selisih_Profit   = sum(Profit) - sum(`Budget Profit`),
    Pct_vs_Budget    = round((sum(Profit) - sum(`Budget Profit`)) / sum(`Budget Profit`) * 100, 2)
  ) %>%
  arrange(desc(Total_Profit))

print(analisis_produk)

## # A tibble: 4 × 10
##   `Product Type` Jumlah_Transaksi Total_Sales Total_COGS Total_Marketing
##   <chr>                     <int>       <dbl>      <dbl>           <dbl>
## 1 Coffee                     1056      216828      90696           33366
## 2 Espresso                   1176      222996      97000           38216
## 3 Herbal Tea                 1056      207214      92810           34154
## 4 Tea                         960      172773      78166           26738
## # ℹ 5 more variables: Total_Profit <dbl>, Profit_Margin <dbl>,
## #   Budget_Profit <dbl>, Selisih_Profit <dbl>, Pct_vs_Budget <dbl>

4.2 Analisis Deskriptif Profitabilitas per Wilayah Pasar

analisis_market <- df %>%
  group_by(Market, `Market Size`) %>%
  summarise(
    Total_Sales   = sum(Sales),
    Total_Profit  = sum(Profit),
    Profit_Margin = round(sum(Profit) / sum(Sales) * 100, 2),
    Avg_Marketing = round(mean(Marketing), 2),
    .groups = "drop"
  ) %>%
  arrange(desc(Profit_Margin))

print(analisis_market)

## # A tibble: 8 × 6
##   Market  `Market Size` Total_Sales Total_Profit Profit_Margin Avg_Marketing
##   <chr>   <chr>               <dbl>        <dbl>         <dbl>         <dbl>
## 1 South   Major Market        37410        15766          42.1          28.2
## 2 Central Major Market       152579        59337          38.9          30.1
## 3 East    Major Market       138260        48848          35.3          41.2
## 4 West    Major Market        96892        31785          32.8          55.8
## 5 Central Small Market       112466        34515          30.7          28.5
## 6 East    Small Market        40316        10369          25.7          19.9
## 7 South   Small Market        66516        16712          25.1          23.4
## 8 West    Small Market       175372        42211          24.1          29.4

4.3 Uji Korelasi: Sales, COGS, Marketing, dan Profit

# Uji korelasi Pearson antar variabel numerik utama
cor_data <- df %>%
  select(Sales, COGS, Marketing, Profit) %>%
  cor(method = "pearson")

round(cor_data, 3)

##           Sales  COGS Marketing Profit
## Sales     1.000 0.887     0.711  0.797
## COGS      0.887 1.000     0.818  0.465
## Marketing 0.711 0.818     1.000  0.225
## Profit    0.797 0.465     0.225  1.000

# Uji signifikansi korelasi Sales dan Profit
cor_test <- cor.test(df$Sales, df$Profit, method = "pearson")
cat("Korelasi Sales vs Profit:", round(cor_test$estimate, 4), "\n")

## Korelasi Sales vs Profit: 0.7973

cat("P-value:", format(cor_test$p.value, scientific = TRUE), "\n")

## P-value: 0e+00

cat("Kesimpulan: Korelasi", ifelse(cor_test$p.value < 0.05, "SIGNIFIKAN", "tidak signifikan"),
    "pada α = 0.05\n")

## Kesimpulan: Korelasi SIGNIFIKAN pada α = 0.05

4.4 Analisis Regresi Linear: Pengaruh Sales terhadap Profit

# Model regresi linear sederhana
model_regresi <- lm(Profit ~ Sales, data = df)
summary(model_regresi)

## 
## Call:
## lm(formula = Profit ~ Sales, data = df)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -606.28   -9.15   11.77   28.31  466.85 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -42.456004   1.527850  -27.79   <2e-16 ***
## Sales         0.536582   0.006233   86.08   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 61.39 on 4246 degrees of freedom
## Multiple R-squared:  0.6357, Adjusted R-squared:  0.6357 
## F-statistic:  7410 on 1 and 4246 DF,  p-value: < 2.2e-16

# Scatter plot dengan garis regresi
ggplot(df, aes(x = Sales, y = Profit, color = `Product Type`)) +
  geom_point(alpha = 0.4, size = 1.5) +
  geom_smooth(method = "lm", se = TRUE, color = "black", linewidth = 1.2) +
  scale_color_manual(values = c("Coffee" = "#6F4E37", "Espresso" = "#3E2723",
                                "Tea" = "#A1887F", "Herbal Tea" = "#BCAAA4")) +
  labs(
    title = "Hubungan Sales dan Profit (Regresi Linear)",
    x = "Sales",
    y = "Profit",
    color = "Jenis Produk"
  ) +
  theme_minimal() +
  theme(plot.title = element_text(face = "bold", size = 13))

## `geom_smooth()` using formula = 'y ~ x'

5. Interpretasi Hasil

5.1 Interpretasi Profitabilitas per Jenis Produk

Berdasarkan analisis pada Visualisasi 1 dan Tabel 4.1, dapat disimpulkan sebagai berikut:

Coffee mencatatkan total profit tertinggi sebesar 74.683 dengan total penjualan 216.828, namun jika dibandingkan dengan anggaran, profit aktual di bawah target sebesar -9.197 (-10,97%).
Espresso memiliki penjualan tertinggi (222.996), namun profit yang dihasilkan hanya 68.620, menunjukkan biaya produksi (COGS) yang lebih tinggi sehingga margin lebih rendah. Profit Espresso juga berada di bawah anggaran sebesar -3.280.
Tea dan Herbal Tea justru melampaui target anggaran: Tea melebihi target sebesar +8.726 (+19,7%) dan Herbal Tea sebesar +4.534 (+7,7%). Ini mengindikasikan bahwa produk-produk berbasis teh memiliki efisiensi biaya yang lebih baik dari yang diperkirakan.
Temuan ini menyarankan manajemen untuk menelaah struktur biaya produk Coffee dan Espresso agar target anggaran dapat tercapai.

5.2 Interpretasi Profit Margin per Wilayah Pasar

Berdasarkan Visualisasi 2 dan Tabel 4.2:

Wilayah Central memiliki profit margin tertinggi (35,41%) meski bukan wilayah dengan penjualan tunggal tertinggi, mengindikasikan efisiensi operasional yang lebih baik.
Wilayah West memiliki total penjualan tertinggi (272.264), namun profit margin-nya paling rendah (27,18%), menunjukkan adanya inefisiensi, kemungkinan akibat biaya pemasaran yang lebih tinggi atau persaingan yang lebih ketat.
Wilayah South dengan skala pasar kecil (Small Market) mencatat margin 31,25%, posisi di tengah, namun volume penjualannya paling rendah.
Rekomendasi: Manajemen sebaiknya mengevaluasi strategi pemasaran di wilayah West untuk meningkatkan profit margin.

5.3 Interpretasi Heatmap Sales

Dari Visualisasi 4 (Heatmap):

Produk Espresso dan Coffee mendominasi penjualan di Major Market (masing-masing 133.065 dan 127.997), sesuai dengan preferensi konsumen perkotaan yang lebih familiar dengan minuman espresso-based.
Sebaliknya, Herbal Tea dan Tea justru lebih laku di Small Market (113.695 dan 102.213), mengindikasikan preferensi konsumen di pasar kecil yang condong ke produk teh.
Hal ini dapat menjadi dasar segmentasi produk: fokuskan promosi Coffee/Espresso di kota besar dan Tea/Herbal Tea di pasar kecil.

5.4 Interpretasi Korelasi dan Regresi

Dari Analisis 4.3 dan 4.4:

Korelasi antara Sales dan Profit sangat kuat dan signifikan (r ≈ 0,79, p < 0,001), artinya peningkatan penjualan berkorelasi positif kuat terhadap peningkatan laba.
Korelasi COGS dengan Sales juga sangat tinggi, wajar karena biaya pokok meningkat seiring volume penjualan.
Hasil regresi linear: setiap penambahan 1 unit Sales berpengaruh terhadap peningkatan Profit yang signifikan (lihat koefisien β pada summary(model)). Model ini menjelaskan cukup besar variasi dalam Profit, namun perlu diingat bahwa hubungannya tidak sepenuhnya linear karena faktor lain seperti Marketing dan Market juga berperan.

6. Kesimpulan

Coffee dan Espresso adalah produk dengan total profit tertinggi, tetapi keduanya gagal memenuhi target anggaran. Sebaliknya, Tea dan Herbal Tea berhasil melampaui target.
Wilayah Central adalah pasar paling efisien dengan profit margin tertinggi, sementara wilayah West perlu dievaluasi meski volumenya terbesar.
Terdapat segmentasi alami antara pasar besar dan kecil, produk berbasis kopi lebih laku di Major Market, produk teh lebih laku di Small Market.
Hubungan Sales dan Profit signifikan dan kuat, sehingga strategi peningkatan volume penjualan tetap relevan, namun perlu diimbangi dengan efisiensi biaya.