Laporan Tugas Sistem Informasi Manajemen
Nama: Inesta Salfina Salsa Bella NIM: M0725066 Kelas: SIM-B(2025)
2026-04-10
Pendahuluan
Dataset yang digunakan dalam laporan ini adalah Coffee Chain Datasets. Data diimpor dari file Excel, kemudian dianalisis untuk melihat apakah ukuran pasar (Market Size) dan jenis produk (Product Type) berpengaruh terhadap profit. Insight ini dipilih karena profit merupakan indikator penting dalam pengambilan keputusan bisnis. Dengan mengetahui perbedaan profit antar ukuran pasar dan antar jenis produk, perusahaan dapat menentukan strategi penjualan yang lebih tepat.
Import Data
library(readxl)## Warning: package 'readxl' was built under R version 4.4.3library(dplyr)## Warning: package 'dplyr' was built under R version 4.4.3##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(ggplot2)## Warning: package 'ggplot2' was built under R version 4.4.3coffee <- read_xlsx("C:/Users/inesta salfina/OneDrive/Kuliah/1. Tugas SIM 2025B - Coffee Chain Datasets.xlsx")
glimpse(coffee)## Rows: 4,248
## Columns: 20
## $ `Area Code` <dbl> 719, 970, 970, 303, 303, 720, 970, 719, 970, 719, 303…
## $ Date <dttm> 2012-01-01, 2012-01-01, 2012-01-01, 2012-01-01, 2012…
## $ Market <chr> "Central", "Central", "Central", "Central", "Central"…
## $ `Market Size` <chr> "Major Market", "Major Market", "Major Market", "Majo…
## $ Product <chr> "Amaretto", "Colombian", "Decaf Irish Cream", "Green …
## $ `Product Line` <chr> "Beans", "Beans", "Beans", "Leaves", "Beans", "Beans"…
## $ `Product Type` <chr> "Coffee", "Coffee", "Coffee", "Tea", "Espresso", "Esp…
## $ State <chr> "Colorado", "Colorado", "Colorado", "Colorado", "Colo…
## $ Type <chr> "Regular", "Regular", "Decaf", "Regular", "Regular", …
## $ `Budget COGS` <dbl> 90, 80, 100, 30, 60, 80, 140, 50, 50, 40, 50, 150, 10…
## $ `Budget Margin` <dbl> 130, 110, 140, 50, 90, 130, 160, 80, 70, 70, 70, 210,…
## $ `Budget Profit` <dbl> 100, 80, 110, 30, 70, 80, 110, 20, 40, 20, 40, 130, 1…
## $ `Budget Sales` <dbl> 220, 190, 240, 80, 150, 210, 300, 130, 120, 110, 120,…
## $ COGS <dbl> 89, 83, 95, 44, 54, 72, 170, 63, 60, 58, 64, 144, 95,…
## $ Inventory <dbl> 777, 623, 821, 623, 456, 558, 1091, 435, 336, 338, 96…
## $ Margin <dbl> 130, 107, 139, 56, 80, 108, 171, 87, 80, 72, 76, 201,…
## $ Marketing <dbl> 24, 27, 26, 14, 15, 23, 47, 57, 19, 22, 19, 47, 30, 7…
## $ Profit <dbl> 94, 68, 101, 30, 54, 53, 99, 0, 33, 17, 36, 111, 87, …
## $ Sales <dbl> 219, 190, 234, 100, 134, 180, 341, 150, 140, 130, 140…
## $ `Total Expenses` <dbl> 36, 39, 38, 26, 26, 55, 72, 87, 47, 55, 40, 90, 52, 1…summary(coffee)## 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. :190.00Deskripsi Data yang Diambil
Variabel yang digunakan dalam analisis ini adalah:
Profitsebagai variabel responMarket Sizesebagai faktor ukuran pasarProduct Typesebagai faktor jenis produkMarketingsebagai variabel tambahan untuk visualisasi
Data kemudian dibersihkan dari nilai hilang dan nama variabel disederhanakan agar lebih mudah dianalisis.
data_analisis <- coffee %>%
select(`Market Size`, `Product Type`, Profit, Marketing, Sales, `Total Expenses`) %>%
na.omit() %>%
rename(
Market_Size = `Market Size`,
Product_Type = `Product Type`,
Total_Expenses = `Total Expenses`
)
data_analisis$Market_Size <- as.factor(data_analisis$Market_Size)
data_analisis$Product_Type <- as.factor(data_analisis$Product_Type)
summary(data_analisis)## Market_Size Product_Type Profit Marketing
## Major Market:1704 Coffee :1056 Min. :-638.0 Min. : 0.00
## Small Market:2544 Espresso :1176 1st Qu.: 17.0 1st Qu.: 13.00
## Herbal Tea:1056 Median : 40.0 Median : 22.00
## Tea : 960 Mean : 61.1 Mean : 31.19
## 3rd Qu.: 92.0 3rd Qu.: 39.00
## Max. : 778.0 Max. :156.00
## Sales Total_Expenses
## Min. : 17 Min. : 10.00
## 1st Qu.:100 1st Qu.: 33.00
## Median :138 Median : 46.00
## Mean :193 Mean : 54.06
## 3rd Qu.:230 3rd Qu.: 65.00
## Max. :912 Max. :190.00Statistik Deskriptif
deskriptif <- data_analisis %>%
group_by(Market_Size, Product_Type) %>%
summarise(
rata_profit = mean(Profit),
median_profit = median(Profit),
sd_profit = sd(Profit),
n = n(),
.groups = "drop"
)
deskriptif## # A tibble: 8 × 6
## Market_Size Product_Type rata_profit median_profit sd_profit n
## <fct> <fct> <dbl> <dbl> <dbl> <int>
## 1 Major Market Coffee 130. 105 171. 408
## 2 Major Market Espresso 99.1 86.5 134. 432
## 3 Major Market Herbal Tea 63.7 42 101. 456
## 4 Major Market Tea 75.4 70 47.3 408
## 5 Small Market Coffee 33.3 30 31.8 648
## 6 Small Market Espresso 34.7 29.5 34.4 744
## 7 Small Market Herbal Tea 57.0 38.5 71.2 600
## 8 Small Market Tea 40.2 25 136. 552Berdasarkan statistik deskriptif, rata-rata profit tertinggi terdapat pada Coffee di Major Market, sedangkan profit yang lebih rendah cenderung muncul pada beberapa kelompok di Small Market. Hasil ini memberi gambaran awal bahwa ukuran pasar kemungkinan berhubungan dengan profit.
Visualisasi Data
1. Rata-rata Profit berdasarkan Market Size dan Product Type
rata_profit <- data_analisis %>%
group_by(Market_Size, Product_Type) %>%
summarise(mean_profit = mean(Profit), .groups = "drop")
ggplot(rata_profit, aes(x = Product_Type, y = mean_profit, fill = Market_Size)) +
geom_col(position = "dodge") +
labs(
title = "Rata-rata Profit berdasarkan Market Size dan Product Type",
x = "Product Type",
y = "Rata-rata Profit"
) +
theme_minimal()
Grafik batang menunjukkan bahwa kelompok Major Market secara umum memiliki rata-rata profit lebih tinggi dibandingkan Small Market. Pada kategori produk, Coffee tampak memberikan rata-rata profit tertinggi, terutama pada pasar besar.
2. Sebaran Profit berdasarkan kelompok
ggplot(data_analisis, aes(x = Product_Type, y = Profit, fill = Market_Size)) +
geom_boxplot() +
labs(
title = "Sebaran Profit berdasarkan Product Type dan Market Size",
x = "Product Type",
y = "Profit"
) +
theme_minimal()
Boxplot memperlihatkan bahwa distribusi profit antar kelompok tidak sama. Beberapa kelompok memiliki median profit lebih tinggi dan sebaran data yang lebih lebar. Hal ini memperkuat dugaan bahwa terdapat perbedaan profit menurut ukuran pasar dan jenis produk.
3. Hubungan Marketing dan Profit
ggplot(data_analisis, aes(x = Marketing, y = Profit, color = Market_Size)) +
geom_point(alpha = 0.6) +
geom_smooth(method = "lm", se = FALSE) +
facet_wrap(~Product_Type) +
labs(
title = "Hubungan Marketing dan Profit pada Tiap Product Type",
x = "Marketing",
y = "Profit"
) +
theme_minimal()## `geom_smooth()` using formula = 'y ~ x'
Berdasarkan scatter plot, hubungan antara biaya marketing dan profit
terlihat berbeda-beda pada tiap jenis produk. Ada produk yang
menunjukkan kenaikan profit saat biaya marketing meningkat, tetapi ada
juga yang polanya tidak terlalu jelas.Karena itu, analisis utama tetap
difokuskan pada pengaruh Market_Size dan
Product_Type terhadap profit.
Analisis Data
Uji Homogenitas Varians
Sebelum ANOVA, dilakukan uji homogenitas varians menggunakan Fligner-Killeen Test.
fligner.test(Profit ~ interaction(Market_Size, Product_Type), data = data_analisis)##
## Fligner-Killeen test of homogeneity of variances
##
## data: Profit by interaction(Market_Size, Product_Type)
## Fligner-Killeen:med chi-squared = 748.97, df = 7, p-value < 2.2e-16Jika nilai p-value lebih besar dari 0,05 maka varians antar kelompok dapat dianggap relatif sama. Jika nilai p-value lebih kecil dari 0,05, berarti variasi data antar kelompok berbeda. Karena itu, hasil ANOVA masih bisa digunakan, tetapi kesimpulannya harus dibaca dengan lebih hati-hati.
Two-Way ANOVA
Analisis utama dilakukan dengan ANOVA dua arah untuk menguji:
- apakah
Market_Sizeberpengaruh terhadapProfit, - apakah
Product_Typeberpengaruh terhadapProfit, - apakah terdapat interaksi antara
Market_SizedanProduct_Type.
model_anova <- aov(Profit ~ Market_Size * Product_Type, data = data_analisis)
anova_hasil <- summary(model_anova)
anova_hasil## Df Sum Sq Mean Sq F value Pr(>F)
## Market_Size 1 2611722 2611722 276.822 < 2e-16 ***
## Product_Type 3 171544 57181 6.061 0.00041 ***
## Market_Size:Product_Type 3 1147469 382490 40.541 < 2e-16 ***
## Residuals 4240 40002902 9435
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Uji Lanjut Tukey HSD
Uji lanjut Tukey dilakukan pada faktor Product_Type
untuk melihat pasangan jenis produk mana yang memiliki rata-rata profit
berbeda signifikan.
tukey_hasil <- TukeyHSD(aov(Profit ~ Product_Type, data = data_analisis))
tukey_hasil## Tukey multiple comparisons of means
## 95% family-wise confidence level
##
## Fit: aov(formula = Profit ~ Product_Type, data = data_analisis)
##
## $Product_Type
## diff lwr upr p adj
## Espresso-Coffee -12.372198 -23.44003 -1.3043662 0.0212815
## Herbal Tea-Coffee -10.822917 -22.18438 0.5385423 0.0684855
## Tea-Coffee -15.528788 -27.17082 -3.8867568 0.0034344
## Herbal Tea-Espresso 1.549281 -9.51855 12.6171126 0.9840623
## Tea-Espresso -3.156590 -14.51225 8.1990707 0.8914175
## Tea-Herbal Tea -4.705871 -16.34790 6.9361599 0.7265871Interpretasi Hasil
Berdasarkan hasil ANOVA, faktor Market Size, Product Type, dan interaksi keduanya sama-sama memiliki nilai p-value kurang dari 0,05. Dengan demikian, dapat disimpulkan bahwa: - ukuran pasar berpengaruh signifikan terhadap profit, - jenis produk berpengaruh signifikan terhadap profit, - pengaruh jenis produk terhadap profit berbeda menurut ukuran pasarnya.
Hasil deskriptif menunjukkan bahwa rata-rata profit tertinggi terdapat pada Coffee di Major Market. Hal ini sejalan dengan visualisasi yang memperlihatkan bahwa Major Market cenderung menghasilkan profit lebih besar dibandingkan Small Market.
Berdasarkan uji Tukey, terdapat beberapa pasangan jenis produk yang berbeda signifikan. Secara umum, Coffee memiliki rata-rata profit yang berbeda nyata dibandingkan Espresso dan Tea. Temuan ini menunjukkan bahwa tidak semua jenis produk memberikan kontribusi profit yang sama. Jadi kesimpulanya berdasarkan analisis yang telah dilakukan, dapat disimpulkan bahwa:
Market_Sizeberpengaruh signifikan terhadap profit.Product_Typejuga berpengaruh signifikan terhadap profit.- Terdapat interaksi signifikan antara
Market_SizedanProduct_Type. - Kelompok Major Market cenderung memiliki profit lebih tinggi.
- Jenis produk Coffee menunjukkan performa profit yang paling menonjol, terutama pada pasar besar.
Hasil ini dapat menjadi dasar bagi perusahaan untuk memprioritaskan kombinasi pasar dan jenis produk yang memberikan profit lebih tinggi.