A. Pendahuluan

Profit merupakan indikator penting dalam menilai kinerja perusahaan karena menunjukkan keuntungan yang didapat dari seluruh operasional perusahaan. Pada Coffee Chain, profit dipengaruhi oleh beberapa faktor seperti sales, total expenses, market size, dan product type. Namun, diperlukan analisis dan uji lebih lanjut untuk menentukan seberapa besar pengaruh dari faktor-faktor tersebut terhadap profit.

Penelitian ini menggunakan analisis statistik multivariat dengan variabel profit sebagai variabel dependen, kemudian sales, expenses, market type, dan product type sebagai variabel independen. Analisis dilakukan melalui eksplorasi data, visualisasi, serta uji analisis untuk memperoleh kesimpulan yang lebih menyeluruh dan detail.

1. Impor dataset ke MySQL

kemudian membuat connection di R ke dataset Coffee Chain

library(DBI)
library(odbc)
odbcListDrivers()
##                                                      name        attribute
## 1                                              SQL Server         APILevel
## 2                                              SQL Server ConnectFunctions
## 3                                              SQL Server        CPTimeout
## 4                                              SQL Server    DriverODBCVer
## 5                                              SQL Server        FileUsage
## 6                                              SQL Server         SQLLevel
## 7                                              SQL Server       UsageCount
## 8                Microsoft Access Driver (*.mdb, *.accdb)       UsageCount
## 9                Microsoft Access Driver (*.mdb, *.accdb)         APILevel
## 10               Microsoft Access Driver (*.mdb, *.accdb) ConnectFunctions
## 11               Microsoft Access Driver (*.mdb, *.accdb)    DriverODBCVer
## 12               Microsoft Access Driver (*.mdb, *.accdb)        FileUsage
## 13               Microsoft Access Driver (*.mdb, *.accdb)        FileExtns
## 14               Microsoft Access Driver (*.mdb, *.accdb)         SQLLevel
## 15 Microsoft Excel Driver (*.xls, *.xlsx, *.xlsm, *.xlsb)       UsageCount
## 16 Microsoft Excel Driver (*.xls, *.xlsx, *.xlsm, *.xlsb)         APILevel
## 17 Microsoft Excel Driver (*.xls, *.xlsx, *.xlsm, *.xlsb) ConnectFunctions
## 18 Microsoft Excel Driver (*.xls, *.xlsx, *.xlsm, *.xlsb)    DriverODBCVer
## 19 Microsoft Excel Driver (*.xls, *.xlsx, *.xlsm, *.xlsb)        FileUsage
## 20 Microsoft Excel Driver (*.xls, *.xlsx, *.xlsm, *.xlsb)        FileExtns
## 21 Microsoft Excel Driver (*.xls, *.xlsx, *.xlsm, *.xlsb)         SQLLevel
## 22            Microsoft Access Text Driver (*.txt, *.csv)       UsageCount
## 23            Microsoft Access Text Driver (*.txt, *.csv)         APILevel
## 24            Microsoft Access Text Driver (*.txt, *.csv) ConnectFunctions
## 25            Microsoft Access Text Driver (*.txt, *.csv)    DriverODBCVer
## 26            Microsoft Access Text Driver (*.txt, *.csv)        FileUsage
## 27            Microsoft Access Text Driver (*.txt, *.csv)        FileExtns
## 28            Microsoft Access Text Driver (*.txt, *.csv)         SQLLevel
## 29                             MySQL ODBC 8.0 ANSI Driver       UsageCount
## 30                          MySQL ODBC 8.0 Unicode Driver       UsageCount
##                   value
## 1                     2
## 2                   YYY
## 3                    60
## 4                 03.50
## 5                     0
## 6                     1
## 7                     1
## 8                     3
## 9                     1
## 10                  YYN
## 11                02.50
## 12                    2
## 13        *.mdb,*.accdb
## 14                    0
## 15                    3
## 16                    1
## 17                  YYN
## 18                02.50
## 19                    2
## 20 *.xls,*.xlsx, *.xlsb
## 21                    0
## 22                    3
## 23                    1
## 24                  YYN
## 25                02.50
## 26                    2
## 27         *.txt, *.csv
## 28                    0
## 29                    1
## 30                    1
dbConnect(odbc(),
          Driver = "MySQL ODBC 8.0 ANSI Driver",
          Server = "127.0.0.1",
          UID = "root",
          PWD = "Arin/2006",
          Port = 3306)
## <OdbcConnection> root@127.0.0.1 via TCP/IP
##   Database: null
##   MySQL Version: 8.0.44
CoffeeChain = dbConnect(odbc(), 
                 Driver = "MySQL ODBC 8.0 ANSI Driver",
                 Server = "127.0.0.1",
                 UID = "root",
                 PWD = "Arin/2006",
                 Port = 3306,
                 Database = "CoffeeChain")

2. mengamati isi dataset

dbListTables(CoffeeChain)
## [1] "facttable" "location"  "product"
head(dbGetQuery(CoffeeChain, "select * FROM facttable"))
##   Profit Margin Sales COGS Total Expenses Marketing Inventory Budget Profit
## 1     94    130   219   89             36        24       777           100
## 2     68    107   190   83             39        27       623            80
## 3    101    139   234   95             38        26       821           110
## 4     30     56   100   44             26        14       623            30
## 5     54     80   134   54             26        15       456            70
## 6     53    108   180   72             55        23       558            80
##   Budget COGS Budget Margin Budget Sales Area Code ProductId
## 1          90           130          220       719         1
## 2          80           110          190       970         2
## 3         100           140          240       970         3
## 4          30            50           80       303        13
## 5          60            90          150       303         5
## 6          80           130          210       720         6
##                  Date
## 1 2012-01-01 00:00:00
## 2 2012-01-01 00:00:00
## 3 2012-01-01 00:00:00
## 4 2012-01-01 00:00:00
## 5 2012-01-01 00:00:00
## 6 2012-01-01 00:00:00
head(dbGetQuery(CoffeeChain, "select * FROM location"))
##   Area Code       State Market  Market Size
## 1       203 Connecticut   East Small Market
## 2       206  Washington   West Small Market
## 3       209  California   West Major Market
## 4       210       Texas  South Major Market
## 5       212    New York   East Major Market
## 6       213  California   West Major Market
head(dbGetQuery(CoffeeChain, "select * FROM product"))
##   Product Line Product Type           Product ProductId    Type
## 1        Beans       Coffee          Amaretto         1 Regular
## 2        Beans       Coffee         Colombian         2 Regular
## 3        Beans       Coffee Decaf Irish Cream         3   Decaf
## 4        Beans     Espresso       Caffe Latte         4 Regular
## 5        Beans     Espresso       Caffe Mocha         5 Regular
## 6        Beans     Espresso    Decaf Espresso         6   Decaf

3. Mengambil insight dan memilih data yang akan digunakan

Analisis dilakukan dengan metode multivariat, dengan tujuan untuk mengetahui apa saja yang mempengaruhi Profit. Sehingga variabel yang akan digunakan adalah:

  1. Profit

  2. Sales

  3. Total Expenses

  4. Market Size

  5. Product Type

B. Deskripsi

Dalam analisis ini, dilakukan eksplorasi data untuk memaha,i karakteristik masing-masing variabel. melihat hubungan antar variabel, serta mengidentifikasi faktor yang paling berpengaruh terhadap profit. Hubungan-hubungan yang akan dianalisis yaitu:

a. Sales dan Profit

Secara umum, sales memiliki hubungan positif dengan profit sebagai faktor utama. Produk dengan penjualan tinggi cenderung menghasilkan utama profit. Namun, tidak semua produk dengan sales tinggi menghasilkan profit yang optimal.

b. Expenses dan Profit

Diketahui Expenses memiliki hubungan negatif terhadap profit. biaya yang besar akan menekan profit. Apabila biaya dapat diminimalisir, keuntungan dapat meningkat dengan signifikan.

c. Market Size dan Profit

Profit berbeda untuk setiap ukuran pasar. Namun, market yang besar belum tentu menghasilkan profit yang paling besar juga. Sehingga Market Size memengaruhi profit tetapi tidak selalu linear.

d. Profit dan Product Type

Dengan analisis profit berdasarkan product type, kita dapat melihat variasi profit antar jenis produk.

1. membuat tabel berisi variabel yang diperlukan

factTable <- dbGetQuery(CoffeeChain, "select ProductId, Profit, Sales, `Total Expenses`,
`Area Code`  FROM facttable")
head(factTable)
##   ProductId Profit Sales Total Expenses Area Code
## 1         1     94   219             36       719
## 2         2     68   190             39       970
## 3         3    101   234             38       970
## 4        13     30   100             26       303
## 5         5     54   134             26       303
## 6         6     53   180             55       720
product <- dbGetQuery(CoffeeChain, "select ProductId, Product, `Product Type`
FROM product")
head(product)
##   ProductId           Product Product Type
## 1         1          Amaretto       Coffee
## 2         2         Colombian       Coffee
## 3         3 Decaf Irish Cream       Coffee
## 4         4       Caffe Latte     Espresso
## 5         5       Caffe Mocha     Espresso
## 6         6    Decaf Espresso     Espresso
location <- dbGetQuery(CoffeeChain, "Select `Area Code`, `Market Size` FROM location")
head(location)
##   Area Code  Market Size
## 1       203 Small Market
## 2       206 Small Market
## 3       209 Major Market
## 4       210 Major Market
## 5       212 Major Market
## 6       213 Major Market

Mengganti nama variabel yang terdapat spasi untuk mempermudah proses analisis data

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
factTable <- factTable %>%
  rename(Area_Code = `Area Code`,
         Expenses = `Total Expenses`)

location <- location %>%
  rename(Area_Code = `Area Code`,
         Market_Size = `Market Size`)

product <- product %>%
  rename(Product_Type = `Product Type`)

Membuat tabel berisi variabel-variabel yang akan digunakan.

library(dplyr)

gabungan <- factTable %>%
  select(ProductId, Profit, Sales, Expenses, Area_Code) %>%
  left_join(
    location %>% select(Area_Code, Market_Size),
    by = "Area_Code"
  ) %>%
  left_join(
    product %>% select(ProductId, Product_Type),
    by = "ProductId"
  ) 
head(gabungan)
##   ProductId Profit Sales Expenses Area_Code  Market_Size Product_Type
## 1         1     94   219       36       719 Major Market       Coffee
## 2         2     68   190       39       970 Major Market       Coffee
## 3         3    101   234       38       970 Major Market       Coffee
## 4        13     30   100       26       303 Major Market          Tea
## 5         5     54   134       26       303 Major Market     Espresso
## 6         6     53   180       55       720 Major Market     Espresso

2. Eksplorasi data

str(gabungan)
## 'data.frame':    4248 obs. of  7 variables:
##  $ ProductId   : int  1 2 3 13 5 6 8 9 10 11 ...
##  $ Profit      : int  94 68 101 30 54 53 99 0 33 17 ...
##  $ Sales       : int  219 190 234 100 134 180 341 150 140 130 ...
##  $ Expenses    : int  36 39 38 26 26 55 72 87 47 55 ...
##  $ Area_Code   : int  719 970 970 303 303 720 970 719 970 719 ...
##  $ Market_Size : chr  "Major Market" "Major Market" "Major Market" "Major Market" ...
##  $ Product_Type: chr  "Coffee" "Coffee" "Coffee" "Tea" ...

Interpretasi:

Dataset terdiri dari 4248 observasi dan 7 variabel. Variabel numerik meliputi Profit, Sales, dan Expenses. Sedangkan variabel kategorik meliputi Market Size dan Product Type.

Summary <- data.frame(
  Statistik = names(summary(gabungan$Profit)),
  profit = as.numeric(summary(gabungan$Profit)),
  sales = as.numeric(summary(gabungan$Sales)),
  expenses = as.numeric(summary(gabungan$Expenses))
)

Summary
##   Statistik     profit    sales  expenses
## 1      Min. -638.00000  17.0000  10.00000
## 2   1st Qu.   17.00000 100.0000  33.00000
## 3    Median   40.00000 138.0000  46.00000
## 4      Mean   61.09769 192.9875  54.06356
## 5   3rd Qu.   92.00000 230.0000  65.00000
## 6      Max.  778.00000 912.0000 190.00000

Interpretasi:

Rata-rata profit sebesar 61.1 menunjukkan tingkat keuntungan rata-rata produk yang cenderung positif. Profit berkisar dari -638 hingga 778, menunjukkan variasi yang cukup besar antar produk dan kemungkinan adanya outlier dalam data. Terdapat kerugian ekstrim dari produk tertentu, ditunjukkan dengan profit minimum sebesar -628. Selain itu, terdapat perbedaan cukup jauh antara mean dan median dengan mean > median sehingga distribusi condong ke kanan.

Variabel Sales juga menunjukkan variasi yang tinggi, dengan beberapa produk memiliki penjualan yang sangat besar dibandingkan yang lain. Sementara itu, Expenses relatif lebih stabil, namun tetap berpotensi memengaruhi profit.

untuk variabel berbentuk karakter

gabungan %>%
  group_by(Market_Size) %>%
  summarise(mean_profit = mean(Profit))
## # A tibble: 2 × 2
##   Market_Size  mean_profit
##   <chr>              <dbl>
## 1 Major Market        91.4
## 2 Small Market        40.8
gabungan %>%
  group_by(Product_Type) %>%
  summarise(mean_profit = mean(Profit))
## # A tibble: 4 × 2
##   Product_Type mean_profit
##   <chr>              <dbl>
## 1 Coffee              70.7
## 2 Espresso            58.4
## 3 Herbal Tea          59.9
## 4 Tea                 55.2

Interpretasi pada market size, major market menunjukkan rata-rata profit sebanyak 91.39 yang lebih tinggi daripada small market sebanyak 40.80. Sedangkan pada product type menunjukkan coffee menjadi produk yang memberikan profit terbesar sebanyak 70.72 kemudian disusul herbal tea sebanyak 59.90 dan Espresso sebanyak 58.35. Kemudian tea menjadi penghasil profit paling sedikit sebanyak 55.19.

C. Visualisasi

1. Scatter Plot Sales vs Profit

library(ggplot2)

ggplot(gabungan, aes(x = Sales, y = Profit)) +
  geom_point(alpha= 0.5, color = "blue") +
  geom_smooth(method = "lm", se = FALSE, color = "red") +
  labs(title = "Sales vs Profit", 
       x = "Sales",
       y = "Profit")
## `geom_smooth()` using formula = 'y ~ x'

Interpretasi:

Dari visualisasi, ditemukan hubungan positif yang kuat antara sales dan profit yaitu semakin tinggi sales, maka profit juga semakin tinggi. Garis regresi juga menunjukkan adanya hubungan linear yang cukup jelas. Namun, ada beberapa titik dengan profit negatif meskipun terdapat sales. Menunjukkan tidak semua penjualan menghasilkan keuntungan. ini menunjukkan adanya pengaruh dari variabel selain sales. Dapat disimpulkan bahwa sales berpengaruh terhadap profit, tetapi tidak menjamin akan selalu untung.

2. Scatter Plot Total Expenses vs Profit

ggplot(gabungan, aes(x = Expenses, y = Profit)) +
  geom_point(alpha = 0.5, color = "blue") +
  geom_smooth(method = "lm", se = FALSE, color = "red") +
  labs (title = "Total Expenses vs Profit",
        x = "Total Expenses",
        y = "Profit")
## `geom_smooth()` using formula = 'y ~ x'

Interpretasi:

Dari grafik yang dihasilkan, titik terlihat menyebar luas. Ini menunjukkan hubungan lemah/tidak konsisten antara total expenses dengan profit. Meskipun terdapat pola yang sedikit meningkat, tapi sangat kecil dibandingkan dengan keseluruhan observasi. Banyak data dengan expenses tinggi justru menghasilkan profit rendah bahkan negatif. Dapat disimpulkan bahwa pengeluaran tidak selalu meningkatkan profit, justru bisa menurunkannya jika tidak dilakukan dengan efisien.

3. Boxplot Profit berdasarkan Market Type

ggplot(gabungan, aes(x = Market_Size, y = Profit)) +
  geom_boxplot(fill = "lightblue") +
  labs(title = "Profit by Market Size",
       x = "Market Size",
       y = "Profit")

Interpretasi: Major market punya median profit yang lebih tinggi dibandingkan dengan small market. Namun, variasi/sebaran profit di major market lebih besar yang berarti terdapat risiko rugi yang besar. Sementara itu, small market cenderung lebih stabil namun profit lebih kecil.

4. Boxplot Profit berdasarkan Product Type

ggplot(gabungan, aes(x = Product_Type, y = Profit)) +
  geom_boxplot(fill = "lightblue") +
  labs(title = "Profit by Product Type",
       x = "Product Type",
       y = "Profit")

Interpretasi: Didapat perbedaan median profit antar produk tidak terlalu jauh. Namun, Tea memiliki banyak nilai negatif dibandingkan dengan coffee dan espresso yang menghasilkan profit lebih tinggi. Selain itu, terdapat banyak outlier sehingga ada kondisi tertentu yang sangat menguntungkan ataupun merugikan. Jadi berdasarkan visualisasi, jenis produk memengaruhi profit dengan coffee yang paling konsisten menghasilkan keuntungan. Namun perbedaan ini perlu diuji secara lanjut sebelum menarik kesimpulan.

5. Bar Chart Total Profit per Product Type

gabungan %>%
  group_by(Product_Type) %>%
  summarise(Total_Profit = sum(Profit)) %>%
  ggplot(aes(x = Product_Type, y = Total_Profit)) +
  geom_col() +
  labs(title = "Total Profit per Product Type",
       x = "Product Type",
       y = "Total Profit")

Interpretasi: Visualisasi menunjukkan perbedaan total kontribusi profit tiap product type. Coffee menghasilkan total profit tertinggi, disusul dengan espresso dan herbal tea. sedangkan herbal tea menghasilkan profit paling sedikit dibandingkan ketiga tipe lainnya. Dari pengamatan ini, diketahui coffee adalah kontributor utama profit perusahaan. Namun korelasi perlu diuji secara lanjut sebelum menarik kesimpulan.

5. Bubble Chart

ggplot(gabungan, aes(x= Sales, y = Profit, size = Expenses, color = Expenses)) +
  geom_point(alpha = 0.6) +
  scale_color_gradient2(low = "blue", mid = "yellow", high = "red", midpoint = median(gabungan$Expenses)) +
  labs(title = "Sales vs Profit (bubble = Total Expenses)",
       x = "Sales",
       y = "Profit",
       color = "expenses")

Interpretasi: Dari kombinasi ketiga variabel, pola tetap menunjukkan hubungan positif antara sales dan profit. sedangkan bubble besar (expenses tinggi) tidak selalu berada di profit tertinggi. beberapa titik dengan expenses besar justru menghasilkan profit kecil/negatif

D. Analisis

1. Uji Korelasi Numerik

cor(gabungan %>% select(Sales, Profit, Expenses))
##              Sales    Profit  Expenses
## Sales    1.0000000 0.7973309 0.6893500
## Profit   0.7973309 1.0000000 0.1999761
## Expenses 0.6893500 0.1999761 1.0000000

Interpretasi: Korelasi sales dengan profit yaitu sekitar 0.80 yang berarti kuat positif. sedangkan hubungan expenses dengan profit yaitu 0.20 yang berarti sangat lemah. Justru hubungan expenses cukup kuat dengan sales yaitu sebesar 0.69.

2. Uji Normalitas

shapiro.test(gabungan$Profit)
## 
##  Shapiro-Wilk normality test
## 
## data:  gabungan$Profit
## W = 0.79969, p-value < 2.2e-16

p-value(<2.2e-16) < 0.05 sehingga menolak H0. Artinya, data profit tidak berdistribusi normal. Selain itu, nilai W (0.79969) yang cukup jauh dari 1 memperkuat bahwa distribusi menyimpang dari normal.

shapiro.test(gabungan$Sales)
## 
##  Shapiro-Wilk normality test
## 
## data:  gabungan$Sales
## W = 0.78969, p-value < 2.2e-16

p-value(<2.2e-16) < 0.05 sehingga menolak H0. Artinya, profit tidak berdistribusi normal. Distribusi sales kemungkinan miring(skewed) atau terdapat banyak outlier.

shapiro.test(gabungan$Expenses)
## 
##  Shapiro-Wilk normality test
## 
## data:  gabungan$Expenses
## W = 0.88605, p-value < 2.2e-16

p-value(<2.2e-16) < 0.05 sehingga menolak H0. Artinya, profit tidak berdistribusi normal. meskipun nilai W (0.88605) lebih dekat ke 1 dibandingkan dengan variabel lain, tetapi tetap tidak memenuhi asumsi normalitas.

Kesimpulan uji normalitas

Ketiga variabel numerik tidak berdistribusi normal. Oleh karena itu, digunakan metode non-parametrik yaitu Spearman dan Kruskal-Wallis.

3. Uji korelasi

a. Sales vs Profit

cor.test(gabungan$Sales, gabungan$Profit, method = "spearman")
## Warning in cor.test.default(gabungan$Sales, gabungan$Profit, method =
## "spearman"): Cannot compute exact p-value with ties
## 
##  Spearman's rank correlation rho
## 
## data:  gabungan$Sales and gabungan$Profit
## S = 2909365515, p-value < 2.2e-16
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##       rho 
## 0.7722827

Interpretasi: Nilai rho = 0.77 yang berarti nilai korelasi positif kuat. Maka semakin tinggi sales, semakin tinggi juga profit yang dihasilkan. Selain itu, p-value menunjukkan nilai < 0.05 sehingga hubungan signifikan secara statistik.

b. Expenses vs Profit

cor.test(gabungan$Expenses, gabungan$Profit, method = "spearman")
## Warning in cor.test.default(gabungan$Expenses, gabungan$Profit, method =
## "spearman"): Cannot compute exact p-value with ties
## 
##  Spearman's rank correlation rho
## 
## data:  gabungan$Expenses and gabungan$Profit
## S = 1.0678e+10, p-value < 2.2e-16
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##       rho 
## 0.1641984

Interpretasi: Nilai rho = 0.16 artinya korelasi positif dan sangat lemah. Maka ketika expenses meningkat, profit cenderung naik, tetapi hubungannya sangat kecil. Sehingga dapat disimpulkan Expenses bukan faktor utama penentu profit.

c. Profit vs Market Size

kruskal.test(Profit ~ Market_Size, data = gabungan)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  Profit by Market_Size
## Kruskal-Wallis chi-squared = 424.94, df = 1, p-value < 2.2e-16

*Interpretasi: p-value < 0.05 yang menolak H0, sehingga ada perbedaan profit yang signifikan antara kategori market size. Dapat disimpulkan market size merupakan faktor yang signifikan dalam menentukan profit.

d. Profit vs Product Type

kruskal.test(Profit ~ Product_Type, data = gabungan)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  Profit by Product_Type
## Kruskal-Wallis chi-squared = 2.4137, df = 3, p-value = 0.4911

Interpretasi: p-value > 0.05 sehingga gagal menolak H0. Artinya tidak ada perbedaan yang signifikan dalam profit antar jenis produk, Sehingga dapat disimpulkan jenis produk tidak memberikan perbedaan signifikan terhadap profit.

4. Regresi semua variabel (multivariat)

lm(Profit ~ Sales + Expenses + Market_Size + Product_Type, data = gabungan)
## 
## Call:
## lm(formula = Profit ~ Sales + Expenses + Market_Size + Product_Type, 
##     data = gabungan)
## 
## Coefficients:
##             (Intercept)                    Sales                 Expenses  
##                 10.4595                   0.8556                  -2.1161  
## Market_SizeSmall Market     Product_TypeEspresso   Product_TypeHerbal Tea  
##                  7.9312                  -3.1203                  -7.1035  
##         Product_TypeTea  
##                 -9.7238

Interpretasi

a. Intercept = 10.4595

artinya jika semua variabel = 0, maka profit = 10.4595

b. Sales = 0.8556

Untuk setiap kenaikan 1 unit sales, maka profit naik sebesar 0.8556. Sehingga hubungan keduanya poditif dan cukup besar. Menjadikan sales sebagai faktor paling kuat meningkatkan profit.

c. Expenses = -2.1161

Untuk setiap kenaikan 1 unit expenses, profit turun sebanyak 2.1161. Sehingga diketahui expenses justru menurunkan profit.

d. Market size (Small Market = 7.9312)

Small market memiliki profit lebih tinggi dibandingkan major market. Namun, hasil ini dapat dipengaruhi oleh perbedaan referensi kategori ataupun efek dari variabel lain.

e. Product Type

Semua dibandingkan dengan coffee, menghasilkan: Espresso = -3.1203 Herbal Tea = -7.1035 Tea = -9.7238 Sehingga semua produk lebih rendah daripada coffee. Maka coffee adalah produk yang paling menguntungkan.

E. Kesimpulan

Berdasarkan hasil analisis yang sudah dilakukan, dapat disimpulkan bahwa sales merupakan faktor utama yang paling berpengaruh dalam meningkatkan profit. karena memiliki hubungan positif yang cukup kuat. Sebaliknya, expenses memiliki pengaruh negatif terhadap profit, yang menunjukkan bahwa peningkatan biaya tanpa pengelolaan yang efisien justru dapat menurunkan keuntungan.

Selain itu, terdapat perbedaan profit berdasarkan kategori, di mana product type menunjukkan bahwa Coffee merupakan produk yang paling menguntungkan dibandingkan jenis lainnya. Sementara itu, variabel market size juga memengaruhi profit, meskipun interpretasinya perlu diperhatikan karena dapat dipengaruhi oleh kategori referensi dan interaksi dengan variabel lain dalam model.

Secara keseluruhan, dapat disimpulkan bahwa profit lebih dipengaruhi oleh tingginya penjualan dan efisiensi dalam pengelolaan biaya dibandingkan faktor kategorikal seperti jenis produk atau ukuran pasar. Oleh karena itu, strategi yang berfokus pada peningkatan sales serta pengendalian expenses menjadi kunci utama dalam meningkatkan profit.