Pendahuluan

Laporan ini bertujuan untuk menganalisis data penjualan pada Coffee Chain Dataset. Analisis dilakukan untuk mendapatkan insight terkait distribusi profit serta perbandingan profit berdasarkan ukuran pasar (Market Size). Visualisasi dan uji statistik digunakan untuk mendukung interpretasi data.

load library

library(readxl)
library(ggplot2)
library(dplyr)

Import Data

dt <- read_excel("1. Tugas SIM 2025B - Coffee Chain Datasets.xlsx", sheet = "data")
head(dt)
## # 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>

Deskripsi Insight 1

Insight pertama yang diambil adalah melihat bagaimana distribusi profit dari seluruh transaksi. Hal ini penting untuk mengetahui apakah profit cenderung merata, tinggi, atau justru banyak yang rendah.

Visualisasi

ggplot(dt, aes(x = Profit)) + 
  geom_histogram(aes(fill = after_stat(count)), bins = 15, color = "white") +
  stat_bin(bins = 15, geom = "text", aes(label = after_stat(count)), vjust = -0.5, size = 3) +
  scale_fill_gradient(low = "#132B43", high = "#56B1F7") + 
  theme_minimal() +
  labs(title = "Distribusi Profit Coffee Chain",
       x = "Profit",
       y = "Frekuensi") +
  theme(legend.position = "none")

Interpretasi

Berdasarkan histogram, distribusi profit cenderung tidak simetris dan condong ke kanan (positively skewed). Sebagian besar transaksi profit pada rentang rendah hingga sedang, sementara hanya sedikit transaksi dengan profit yang sangat tinggi. Selain itu, terdapat beberapa nilai profit negatif yang menunjukkan adanya transaksi yang merugi. Hal ini mengindikasikan bahwa meskipun mayoritas transaksi menguntungkan, masih terdapat variasi profit yang cukup besar dalamm data.

Deskripsi Insight 2

Insight kedua adalah menguji apakah terdapat perbedaan rata-rata profit antara market size yang berbeda, yaitu Small Market dan Major Market. Hal ini penting untuk mengetahui apakah ukuran pasar mempengaruhi profit.

Persiapan Data

dt2 <- dt %>%
  filter(`Market Size` %in% c("Small Market", "Major Market"))
dt2
## # A tibble: 4,248 × 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  Colombi… Beans         
##  3         970 2012-01-01 00:00:00 Central Major Market  Decaf I… Beans         
##  4         303 2012-01-01 00:00:00 Central Major Market  Green T… Leaves        
##  5         303 2012-01-01 00:00:00 Central Major Market  Caffe M… Beans         
##  6         720 2012-01-01 00:00:00 Central Major Market  Decaf E… Beans         
##  7         970 2012-01-01 00:00:00 Central Major Market  Chamomi… Leaves        
##  8         719 2012-01-01 00:00:00 Central Major Market  Lemon    Leaves        
##  9         970 2012-01-01 00:00:00 Central Major Market  Mint     Leaves        
## 10         719 2012-01-01 00:00:00 Central Major Market  Darjeel… Leaves        
## # ℹ 4,238 more rows
## # 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>

Uji Hipotesis

uji <- t.test(Profit ~ `Market Size`, data = dt2, var.equal = TRUE)
uji
## 
##  Two Sample t-test
## 
## data:  Profit by Market Size
## t = 16.382, df = 4246, p-value < 2.2e-16
## alternative hypothesis: true difference in means between group Major Market and group Small Market is not equal to 0
## 95 percent confidence interval:
##  44.53533 56.64413
## sample estimates:
## mean in group Major Market mean in group Small Market 
##                   91.39437                   40.80464

Penjelasan Uji

H0 = rata-rata profit pada kedua market size sama (miu satu = miu dua)

H1 = rata-rata profit berbeda (miu satu ≠ miu dua)

Interpretasi

Berdasarkan hasil uji t, diperoleh nilai p-Value sebesar ().Jika p-Value < 0.05 maka H0 ditolak, artinya terdapat perbedaan signifikan. Sebaliknya, jika p-Value > 0.05 maka H0 gagal ditolak, artinya tidak terdapat perbedaan signifikan.

Sehingga dapat disimpulkan bahwa H0 ditolak karena nilai p-Value yang sangat kecil (p-Value < 0.05), yang artinya terdapat perbedaan yang signifikan antara rata-rata profit pada Major Market dan Small Market.

Selain itu, nilai rata-rata terlihat bahwa profit pada Major Market (91.39) jauh lebih tinggi dibandingkan profit pada Small Market (40.80).

Selisih rata-rata profit juga didukung oleh interval kepercayaan 95% yang berada pada rentang 44.53 hingga 56.64, yang seluruhnya bernilai positif. Hal ini semakin memperkuat bahwa profit pada Major Market secara signifikan lebih besar dibandingkan Small Market.

Deskripsi Insight 3

Insight ketiga adalah menganalisis hubungan antara Sales dan Profit. Tujuannya adalah untuk mengetahui apakah peningkatan penjualan selalu diikuti dengan peningkatan profit.

Visualisasi

ggplot(dt, aes(x = Sales, y = Profit)) +
  geom_point(alpha = 0.5, color = "#2C7FB8") +
  geom_smooth(method = "lm", color = "red") +
  theme_minimal() +
  labs(title = "Hubungan antara Sales dan Profit",
       x = "Sales",
       y = "Profit")
## `geom_smooth()` using formula = 'y ~ x'

Analisis Statistik (Korelasi)

cor_test <- cor.test(dt$Sales, dt$Profit)
cor_test
## 
##  Pearson's product-moment correlation
## 
## data:  dt$Sales and dt$Profit
## t = 86.084, df = 4246, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  0.7861073 0.8080289
## sample estimates:
##       cor 
## 0.7973309

Penjelasan Uji

H0 = tidak ada hubungan antara Sales dan Profit

H1 = terdapat hubungan antara Sales dan Profit

Interpretasi

Berdasarkan hasil uji korelasi, diperoleh nilai koefisien korelasi sebesar 0,7973 dengan p-Value < 2.2e-16.

Nilai korelasi yang positif menunjukkan bahwa terdapat hubungan positif yang signifikan antara Sales dan Profi, peningkatan penjualan cenderung diikuti dengan peningkatan profit.

Deskripsi Insight 4

Insight keempat adalah menganalisis efisiensi masing-masing product line dalam menghasilkan profit dan sales. Efisiensi ini diukur menggunakan profit margin, yaitu perbandingan antara profit dan sales.

Persiapan Data

dt_margin <- dt %>%
  mutate(Profit_Margin = Profit / Sales) %>%   
  group_by(`Product Line`) %>%
  summarise(
    avg_margin = mean(Profit_Margin, na.rm = TRUE),
    total_sales = sum(Sales),
    total_profit = sum(Profit)
  ) %>%
  arrange(desc(avg_margin))

dt_margin
## # A tibble: 2 × 4
##   `Product Line` avg_margin total_sales total_profit
##   <chr>               <dbl>       <dbl>        <dbl>
## 1 Beans              0.228       439824       143303
## 2 Leaves             0.0579      379987       116240

Visualisasi

ggplot(dt_margin, aes(x = reorder(`Product Line`, avg_margin), y = avg_margin)) +
  geom_bar(stat = "identity", fill = "#4CAF50") +
  coord_flip() +
  theme_minimal() +
  labs(title = "Rata-rata Profit Margin per Product Line",
       x = "Product Line",
       y = "Average Profit Margin")

Interpretasi

Berdasarkan visualisasi, terlihat bahwa setiap product line memiliki tingkat efisiensi yang berbeda dalam menghasilkan profit.

Product line dengan nilai profit margin tertinggi yaitu Beans menunjukkan bahwa mampu menghasilkan profit yang lebih besar dibandingkan sales-nya. dan lebih efisien dalam operasional. Sebaliknya product line dengan amrgin rendah yaitu Leaves, menunjukkan kemungkinan biaya yang tinggi atau strategi pricing yang kurang optimal.