Tugas SIM Dataset Coffee Chain
2026-04-19
Nama : Lutfi Rahmayanti
NIM : M0725044
Pendahuluan
Dalam era persaingan bisnis yang semakin ketat, perusahaan perlu memahami faktor-faktor yang memengaruhi profitabilitas. Salah satu aspek penting adalah strategi pemasaran serta efisiensi biaya operasional. Oleh karena itu, analisis ini bertujuan untuk mengkaji hubungan antara marketing dan profit pada Coffee Chain, serta mengidentifikasi faktor lain yang berpotensi memengaruhi profit.
Analisis dilakukan dengan pendekatan data menggunakan kombinasi SQL dan R, di mana data diekstraksi melalui query SQL dan dianalisis menggunakan metode statistik di R.
Import dan Persiapan Data
Data diperoleh melalui koneksi database SQL di RStudio. Selanjutnya dilakukan proses ekstraksi data menggunakan query SQL dengan teknik JOIN untuk menggabungkan tabel yang berkitan dengan data choffee chain. Data hasil query kemudian dianalisis menggunakan metode statistik di R. Tahap awal analisis dilakukan dengan mengeksplorasi struktur dan ringkasan data untuk memahami karakteristik variabel yang akan dianalisis.
library(DBI)
library(odbc)
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, unioncon2 = dbConnect(odbc(),
Driver = "MySQL ODBC 8.0 ANSI Driver",
Server = "127.0.0.1",
UID = "root",
PWD = "Luutfirahma15_2",
Port = "3306",
Database = "classicmodels")
#menampilkan keseluruhan tabel
data_coffee_chain = dbGetQuery(con2, "SELECT
l.`Area Code`,
f. `Date`,
l.Market,
l.`Market Size`,
p.Product,
p.`Product Line`,
p.`Product Type`,
l.State,
p.`Type`,
f.`Budget COGS`,
f.`Budget Margin`,
f.`Budget Profit`,
f.`Budget Sales`,
f.COGS,
f.Inventory,
f.Margin,
f.Marketing,
f.Profit,
f.Sales,
f.`Total Expenses`
FROM factTable f
JOIN Product p ON f.ProductId = p.ProductId
JOIN Location l ON f.`Area Code` = l.`Area Code`
order by f.`Date`")
View(data_coffee_chain)
summary(data_coffee_chain)## Area Code Date Market Market Size
## Min. :203.0 Length:4248 Length:4248 Length:4248
## 1st Qu.:417.0 Class :character Class :character Class :character
## Median :573.0 Mode :character Mode :character Mode :character
## Mean :582.3
## 3rd Qu.:772.0
## Max. :985.0
## Product Product Line Product Type State
## Length:4248 Length:4248 Length:4248 Length:4248
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Type Budget COGS Budget Margin Budget Profit
## Length:4248 Min. : 0.00 Min. :-210.0 Min. :-320.00
## Class :character 1st Qu.: 30.00 1st Qu.: 50.0 1st Qu.: 20.00
## Mode :character Median : 50.00 Median : 70.0 Median : 40.00
## Mean : 74.83 Mean : 100.8 Mean : 60.91
## 3rd Qu.: 90.00 3rd Qu.: 130.0 3rd Qu.: 80.00
## Max. :450.00 Max. : 690.0 Max. : 560.00
## Budget Sales COGS Inventory Margin
## Min. : 0.0 Min. : 0.00 Min. :-3534.0 Min. :-302.00
## 1st Qu.: 80.0 1st Qu.: 43.00 1st Qu.: 432.0 1st Qu.: 52.75
## Median : 130.0 Median : 60.00 Median : 619.0 Median : 76.00
## Mean : 175.6 Mean : 84.43 Mean : 749.4 Mean : 104.29
## 3rd Qu.: 210.0 3rd Qu.:100.00 3rd Qu.: 910.5 3rd Qu.: 132.00
## Max. :1140.0 Max. :364.00 Max. : 8252.0 Max. : 613.00
## Marketing Profit Sales Total Expenses
## Min. : 0.00 Min. :-638.0 Min. : 17 Min. : 10.00
## 1st Qu.: 13.00 1st Qu.: 17.0 1st Qu.:100 1st Qu.: 33.00
## Median : 22.00 Median : 40.0 Median :138 Median : 46.00
## Mean : 31.19 Mean : 61.1 Mean :193 Mean : 54.06
## 3rd Qu.: 39.00 3rd Qu.: 92.0 3rd Qu.:230 3rd Qu.: 65.00
## Max. :156.00 Max. : 778.0 Max. :912 Max. :190.00head(data_coffee_chain)## Area Code Date Market Market Size Product
## 1 719 2012-01-01 00:00:00 Central Major Market Amaretto
## 2 970 2012-01-01 00:00:00 Central Major Market Colombian
## 3 970 2012-01-01 00:00:00 Central Major Market Decaf Irish Cream
## 4 303 2012-01-01 00:00:00 Central Major Market Green Tea
## 5 303 2012-01-01 00:00:00 Central Major Market Caffe Mocha
## 6 720 2012-01-01 00:00:00 Central Major Market Decaf Espresso
## Product Line Product Type State Type Budget COGS Budget Margin
## 1 Beans Coffee Colorado Regular 90 130
## 2 Beans Coffee Colorado Regular 80 110
## 3 Beans Coffee Colorado Decaf 100 140
## 4 Leaves Tea Colorado Regular 30 50
## 5 Beans Espresso Colorado Regular 60 90
## 6 Beans Espresso Colorado Decaf 80 130
## Budget Profit Budget Sales COGS Inventory Margin Marketing Profit Sales
## 1 100 220 89 777 130 24 94 219
## 2 80 190 83 623 107 27 68 190
## 3 110 240 95 821 139 26 101 234
## 4 30 80 44 623 56 14 30 100
## 5 70 150 54 456 80 15 54 134
## 6 80 210 72 558 108 23 53 180
## Total Expenses
## 1 36
## 2 39
## 3 38
## 4 26
## 5 26
## 6 55str(data_coffee_chain)## 'data.frame': 4248 obs. of 20 variables:
## $ Area Code : int 719 970 970 303 303 720 970 719 970 719 ...
## $ Date : chr "2012-01-01 00:00:00" "2012-01-01 00:00:00" "2012-01-01 00:00:00" "2012-01-01 00:00:00" ...
## $ Market : chr "Central" "Central" "Central" "Central" ...
## $ Market Size : chr "Major Market" "Major Market" "Major Market" "Major Market" ...
## $ Product : chr "Amaretto" "Colombian" "Decaf Irish Cream" "Green Tea" ...
## $ Product Line : chr "Beans" "Beans" "Beans" "Leaves" ...
## $ Product Type : chr "Coffee" "Coffee" "Coffee" "Tea" ...
## $ State : chr "Colorado" "Colorado" "Colorado" "Colorado" ...
## $ Type : chr "Regular" "Regular" "Decaf" "Regular" ...
## $ Budget COGS : int 90 80 100 30 60 80 140 50 50 40 ...
## $ Budget Margin : int 130 110 140 50 90 130 160 80 70 70 ...
## $ Budget Profit : int 100 80 110 30 70 80 110 20 40 20 ...
## $ Budget Sales : int 220 190 240 80 150 210 300 130 120 110 ...
## $ COGS : int 89 83 95 44 54 72 170 63 60 58 ...
## $ Inventory : int 777 623 821 623 456 558 1091 435 336 338 ...
## $ Margin : int 130 107 139 56 80 108 171 87 80 72 ...
## $ Marketing : int 24 27 26 14 15 23 47 57 19 22 ...
## $ Profit : int 94 68 101 30 54 53 99 0 33 17 ...
## $ Sales : int 219 190 234 100 134 180 341 150 140 130 ...
## $ Total Expenses: int 36 39 38 26 26 55 72 87 47 55 ...Selanjutnya, akan digunakan data Profit, Marketing, Biaya Produksi (COGS), Sales, Product Type, dan Market Size untuk analisis statistik, maka data akan diambil dengan membuat data frame.
Data ini diambil untuk mengetahui seberapa besar peran marketing terhadap profit pada data Coffee Chain.
#mengambil data yang akan dianalisis
dcc <- data.frame(Profit = data_coffee_chain$Profit,
Marketing = data_coffee_chain$Marketing,
COGS = data_coffee_chain$COGS,
Sales = data_coffee_chain$Sales,
`Product Type` = data_coffee_chain$`Product Type`,
`Market Size` = data_coffee_chain$`Market Size`)
View(dcc)Visualisasi Data
Visualisasi berikut digunakan untuk melihat pola hubungan antara biaya marketing dan profit. Selain itu, ditambahkan garis regresi untuk menunjukkan tren hubungan antar variabel.
library(ggplot2)
# Hitung korelasi
cor_val <- cor(dcc$Marketing, dcc$Profit, method = "spearman", use = "complete.obs")
ggplot(dcc, aes(x = Marketing, y = Profit)) +
geom_point(aes(color = Profit, size = Sales), alpha = 0.7) +
geom_smooth(method = "lm", se = TRUE, color = "red") +
annotate(
"text",
x = max(dcc$Marketing)*0.6,
y = max(dcc$Profit)*0.9,
label = paste0("Korelasi: ", round(cor_val, 3)),
size = 5,
fontface = "bold"
) +
scale_color_gradient(low = "#56B1F7", high = "#132B43") +
labs(
title = "Pengaruh Marketing terhadap Profit",
subtitle = "Ukuran titik menunjukkan Sales",
x = "Marketing",
y = "Profit"
) +
theme_minimal()## `geom_smooth()` using formula = 'y ~ x'
Berdasarkan visualisasi di atas terlihat adanya kecenderungan pola hubungan yang bersifat positif, di mana peningkatan nilai marketing diikuti dengan peningkatan profit. Hal ini ditunjukkan oleh arah sebaran titik yang cenderung naik serta garis regresi yang memiliki kemiringan positif.
Selain itu, variasi ukuran dan warna titik yang merepresentasikan nilai sales dan profit menunjukkan bahwa terdapat perbedaan intensitas kinerja pada masing-masing observasi. Beberapa titik dengan ukuran yang lebih besar mengindikasikan adanya volume penjualan yang tinggi, yang turut berkontribusi terhadap peningkatan profit.
Namun demikian, sebaran titik yang cukup menyebar dan tidak terlalu rapat di sekitar garis regresi menunjukkan bahwa hubungan antara marketing dan profit tidak terlalu kuat, sehingga terdapat variabilitas yang cukup besar dalam data.
Meskipun visualisasi menunjukkan adanya kecenderungan hubungan positif antara marketing dan profit, sebaran data yang cukup luas mengindikasikan adanya kemungkinan data yang menyimpang dari pola umum. Oleh karena itu, perlu dilakukan analisis lebih lanjut untuk mengidentifikasi keberadaan outlier dalam data.
Berikut adalah visualisasi data outlier yang terdeteksi:
model <- lm(Profit ~ Marketing, data = dcc)
dcc$residual <- resid(model)
dcc$z_resid <- scale(dcc$residual)
outliers <- dcc %>%
filter(abs(z_resid) > 2)## Warning: Using one column matrices in `filter()` or `filter_out()` was deprecated in
## dplyr 1.1.0.
## ℹ Please use one dimensional logical vectors instead.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.ggplot(dcc, aes(x = Marketing, y = Profit)) +
geom_point(color = "grey70") +
geom_point(data = outliers, color = "red", size = 3) +
geom_text(data = outliers, aes(label = Product.Type), vjust = -1, size = 3) +
geom_smooth(method = "lm", color = "blue") +
labs(
title = "Deteksi Outlier",
subtitle = "Titik merah adalah data menyimpang"
) +
theme_minimal()## `geom_smooth()` using formula = 'y ~ x'
Berdasarkan visualisasi deteksi outlier, terlihat bahwa terdapat beberapa titik data yang berada jauh dari pola umum atau garis regresi. Titik-titik tersebut ditandai dengan warna merah dan menunjukkan observasi yang memiliki nilai residual tinggi, sehingga dikategorikan sebagai outlier.
Keberadaan outlier ini mengindikasikan bahwa tidak semua data mengikuti hubungan linear antara marketing dan profit. Beberapa kondisi menunjukkan bahwa meskipun nilai marketing tinggi, profit yang dihasilkan tidak selalu sebanding, atau sebaliknya. Hal ini dapat disebabkan oleh berbagai faktor seperti perbedaan jenis produk, kondisi pasar, atau efisiensi operasional yang tidak tercermin dalam variabel yang dianalisis.
Oleh karena itu, keberadaan outlier perlu diperhatikan karena dapat memengaruhi hasil analisis statistik, khususnya dalam model regresi, serta menunjukkan bahwa terdapat faktor lain yang memengaruhi profit di luar variabel marketing
Untuk memberikan informasi yang lebih rinci, data outlier juga ditampilkan dalam bentuk tabel berikut:
# Menampilkan data outlier
outliers %>%
select(Product.Type, Market.Size, Marketing, Profit, residual, z_resid) %>%
arrange(desc(abs(z_resid)))## Product.Type Market.Size Marketing Profit residual z_resid
## 1 Tea Small Market 114 -638 -769.3738 -7.764419
## 2 Tea Small Market 111 -605 -733.8280 -7.405696
## 3 Coffee Major Market 17 778 728.9396 7.356363
## 4 Coffee Major Market 17 777 727.9396 7.346271
## 5 Coffee Major Market 17 755 705.9396 7.124250
## 6 Tea Small Market 107 -558 -683.4337 -6.897123
## 7 Tea Small Market 93 -552 -665.5534 -6.716677
## 8 Tea Small Market 98 -542 -659.7963 -6.658578
## 9 Tea Small Market 96 -539 -655.0991 -6.611174
## 10 Tea Small Market 100 -524 -643.4935 -6.494052
## 11 Tea Small Market 102 -522 -643.1907 -6.490996
## 12 Coffee Major Market 19 690 639.2424 6.451150
## 13 Tea Small Market 102 -509 -630.1907 -6.359802
## 14 Tea Small Market 91 -508 -619.8562 -6.255507
## 15 Tea Small Market 93 -505 -618.5534 -6.242359
## 16 Tea Small Market 93 -505 -618.5534 -6.242359
## 17 Tea Small Market 114 -430 -561.3738 -5.665311
## 18 Espresso Major Market 156 -392 -559.0147 -5.641502
## 19 Espresso Major Market 66 646 555.3586 5.604606
## 20 Coffee Major Market 21 599 546.5452 5.515663
## 21 Tea Small Market 111 -408 -536.8280 -5.417598
## 22 Herbal Tea Major Market 96 -420 -536.0991 -5.410242
## 23 Coffee Major Market 22 589 535.6966 5.406180
## 24 Tea Small Market 107 -404 -529.4337 -5.342975
## 25 Espresso Major Market 147 -367 -526.3773 -5.312131
## 26 Coffee Major Market 22 579 525.6966 5.305261
## 27 Coffee Major Market 23 572 517.8481 5.226054
## 28 Coffee Major Market 17 564 514.9396 5.196703
## 29 Coffee Major Market 17 563 513.9396 5.186611
## 30 Tea Small Market 100 -380 -499.4935 -5.040823
## 31 Tea Small Market 102 -378 -499.1907 -5.037767
## 32 Coffee Major Market 17 547 497.9396 5.025141
## 33 Tea Small Market 102 -369 -490.1907 -4.946940
## 34 Coffee Major Market 23 543 488.8481 4.933390
## 35 Tea Small Market 98 -365 -482.7963 -4.872317
## 36 Espresso Major Market 59 565 480.2987 4.847112
## 37 Tea Small Market 96 -363 -479.0991 -4.835006
## 38 Espresso Major Market 131 -326 -471.7999 -4.761342
## 39 Espresso Major Market 122 -332 -470.1625 -4.744818
## 40 Tea Small Market 93 -354 -467.5534 -4.718487
## 41 Coffee Major Market 23 516 461.8481 4.660910
## 42 Tea Small Market 91 -342 -453.8562 -4.580257
## 43 Tea Small Market 93 -340 -453.5534 -4.577201
## 44 Tea Small Market 93 -340 -453.5534 -4.577201
## 45 Herbal Tea Major Market 77 -353 -452.9759 -4.571373
## 46 Espresso Major Market 156 -284 -451.0147 -4.551581
## 47 Coffee Major Market 24 505 449.9995 4.541335
## 48 Espresso Major Market 113 -309 -439.5252 -4.435631
## 49 Espresso Major Market 113 -304 -434.5252 -4.385171
## 50 Espresso Major Market 113 -300 -430.5252 -4.344804
## 51 Espresso Major Market 110 -301 -428.9794 -4.329204
## 52 Espresso Major Market 109 -300 -427.1308 -4.310548
## 53 Coffee Major Market 24 481 425.9995 4.299131
## 54 Espresso Major Market 147 -266 -425.3773 -4.292852
## 55 Herbal Tea Major Market 96 -304 -420.0991 -4.239585
## 56 Espresso Major Market 110 -292 -419.9794 -4.238377
## 57 Herbal Tea Major Market 102 536 414.8093 4.186201
## 58 Coffee Major Market 19 465 414.2424 4.180480
## 59 Espresso Major Market 109 -269 -396.1308 -3.997700
## 60 Espresso Major Market 95 -268 -383.2506 -3.867714
## 61 Espresso Major Market 131 -236 -381.7999 -3.853074
## 62 Coffee Major Market 21 434 381.5452 3.850504
## 63 Herbal Tea Major Market 74 -280 -377.4301 -3.808975
## 64 Espresso Major Market 70 463 368.9642 3.723539
## 65 Coffee Major Market 127 511 368.5945 3.719807
## 66 Coffee Major Market 127 511 368.5945 3.719807
## 67 Coffee Major Market 127 508 365.5945 3.689532
## 68 Coffee Major Market 127 508 365.5945 3.689532
## 69 Espresso Major Market 122 -224 -362.1625 -3.654897
## 70 Coffee Major Market 124 493 353.1403 3.563845
## 71 Coffee Major Market 124 493 353.1403 3.563845
## 72 Herbal Tea Major Market 74 -252 -349.4301 -3.526403
## 73 Espresso Major Market 66 435 344.3586 3.475222
## 74 Coffee Major Market 22 397 343.6966 3.468541
## 75 Espresso Major Market 72 439 343.2671 3.464206
## 76 Espresso Major Market 113 -208 -338.5252 -3.416352
## 77 Herbal Tea Major Market 77 -238 -337.9759 -3.410808
## 78 Coffee Major Market 110 465 337.0206 3.401167
## 79 Coffee Major Market 22 390 336.6966 3.397898
## 80 Espresso Major Market 113 -205 -335.5252 -3.386076
## 81 Coffee Major Market 110 463 335.0206 3.380983
## 82 Espresso Major Market 113 -202 -332.5252 -3.355801
## 83 Espresso Major Market 110 -203 -330.9794 -3.340201
## 84 Herbal Tea Major Market 111 459 330.1720 3.332052
## 85 Espresso Major Market 109 -202 -329.1308 -3.321545
## 86 Herbal Tea Major Market 80 -226 -328.5217 -3.315398
## 87 Herbal Tea Major Market 69 -232 -325.1872 -3.281746
## 88 Espresso Major Market 110 -197 -324.9794 -3.279650
## 89 Espresso Major Market 109 -195 -322.1308 -3.250902
## 90 Coffee Major Market 78 -217 -317.8245 -3.207443
## 91 Coffee Major Market 73 -221 -317.5815 -3.204991
## 92 Coffee Major Market 23 367 312.8481 3.157221
## 93 Coffee Major Market 23 366 311.8481 3.147130
## 94 Espresso Major Market 63 392 303.9044 3.066963
## 95 Coffee Major Market 63 -209 -297.0956 -2.998250
## 96 Espresso Major Market 59 381 296.2987 2.990208
## 97 Herbal Tea Major Market 75 -197 -295.2787 -2.979914
## 98 Coffee Major Market 23 348 293.8481 2.965476
## 99 Coffee Major Market 94 408 293.5980 2.962953
## 100 Coffee Major Market 94 408 293.5980 2.962953
## 101 Coffee Major Market 99 410 291.3551 2.940317
## 102 Coffee Major Market 99 410 291.3551 2.940317
## 103 Espresso Major Market 95 -172 -287.2506 -2.898895
## 104 Coffee Major Market 66 -196 -286.6414 -2.892747
## 105 Herbal Tea Major Market 74 -189 -286.4301 -2.890615
## 106 Coffee Major Market 97 402 285.0523 2.876710
## 107 Coffee Major Market 97 402 285.0523 2.876710
## 108 Coffee Major Market 24 340 284.9995 2.876177
## 109 Coffee Major Market 64 -196 -284.9442 -2.875619
## 110 Coffee Major Market 105 407 283.2635 2.858658
## 111 Coffee Major Market 105 407 283.2635 2.858658
## 112 Coffee Major Market 64 -189 -277.9442 -2.804976
## 113 Herbal Tea Major Market 72 -181 -276.7329 -2.792752
## 114 Coffee Major Market 57 -188 -271.0041 -2.734937
## 115 Coffee Major Market 94 384 269.5980 2.720748
## 116 Coffee Major Market 94 384 269.5980 2.720748
## 117 Coffee Major Market 24 324 268.9995 2.714707
## 118 Herbal Tea Major Market 66 -178 -268.6414 -2.711094
## 119 Coffee Major Market 49 -192 -268.2153 -2.706794
## 120 Herbal Tea Major Market 66 -177 -267.6414 -2.701002
## 121 Herbal Tea Major Market 74 -170 -267.4301 -2.698870
## 122 Herbal Tea Major Market 102 388 266.8093 2.692604
## 123 Herbal Tea Major Market 80 -164 -266.5217 -2.689702
## 124 Coffee Major Market 49 -190 -266.2153 -2.686610
## 125 Herbal Tea Major Market 64 -176 -264.9442 -2.673782
## 126 Espresso Major Market 66 349 258.3586 2.607321
## 127 Coffee Major Market 78 -157 -257.8245 -2.601931
## 128 Coffee Major Market 53 -178 -257.6097 -2.599763
## 129 Coffee Major Market 50 -180 -257.0639 -2.594255
## 130 Coffee Major Market 47 -182 -256.5181 -2.588747
## 131 Coffee Major Market 91 367 255.1438 2.574878
## 132 Coffee Major Market 91 367 255.1438 2.574878
## 133 Coffee Major Market 90 364 252.9924 2.553166
## 134 Coffee Major Market 90 364 252.9924 2.553166
## 135 Coffee Major Market 50 -174 -251.0639 -2.533704
## 136 Coffee Major Market 48 -174 -249.3667 -2.516576
## 137 Herbal Tea Major Market 98 367 249.2037 2.514931
## 138 Herbal Tea Major Market 69 -156 -249.1872 -2.514764
## 139 Coffee Major Market 73 -149 -245.5815 -2.478377
## 140 Espresso Major Market 97 362 245.0523 2.473035
## 141 Herbal Tea Small Market 97 362 245.0523 2.473035
## 142 Espresso Major Market 97 362 245.0523 2.473035
## 143 Tea Small Market 97 362 245.0523 2.473035
## 144 Herbal Tea Major Market 64 -156 -244.9442 -2.471945
## 145 Herbal Tea Major Market 102 363 241.8093 2.440308
## 146 Coffee Major Market 87 350 241.5382 2.437571
## 147 Herbal Tea Major Market 75 -143 -241.2787 -2.434953
## 148 Espresso Major Market 96 357 240.9009 2.431140
## 149 Espresso Major Market 96 357 240.9009 2.431140
## 150 Coffee Major Market 87 349 240.5382 2.427480
## 151 Herbal Tea Small Market 96 356 239.9009 2.421048
## 152 Tea Small Market 96 356 239.9009 2.421048
## 153 Espresso Major Market 69 332 238.8128 2.410068
## 154 Coffee Major Market 66 -142 -232.6414 -2.347786
## 155 Coffee Major Market 64 -142 -230.9442 -2.330659
## 156 Coffee Major Market 63 -141 -229.0956 -2.312003
## 157 Coffee Major Market 96 345 228.9009 2.310037
## 158 Coffee Major Market 45 -156 -228.8210 -2.309231
## 159 Herbal Tea Major Market 100 348 228.5065 2.306057
## 160 Espresso Major Market 84 334 228.0840 2.301793
## 161 Herbal Tea Major Market 96 344 227.9009 2.299945
## 162 Coffee Major Market 127 370 227.5945 2.296854
## 163 Coffee Major Market 127 370 227.5945 2.296854
## 164 Herbal Tea Major Market 72 -131 -226.7329 -2.288159
## 165 Espresso Major Market 84 332 226.0840 2.281609
## 166 Herbal Tea Small Market 84 332 226.0840 2.281609
## 167 Tea Small Market 84 332 226.0840 2.281609
## 168 Coffee Major Market 64 -137 -225.9442 -2.280199
## 169 Coffee Major Market 127 368 225.5945 2.276670
## 170 Coffee Major Market 127 368 225.5945 2.276670
## 171 Tea Small Market 83 328 222.9325 2.249806
## 172 Espresso Major Market 89 333 222.8410 2.248882
## 173 Herbal Tea Small Market 89 333 222.8410 2.248882
## 174 Tea Small Market 89 333 222.8410 2.248882
## 175 Espresso Major Market 72 318 222.2671 2.243090
## 176 Espresso Major Market 83 326 220.9325 2.229622
## 177 Herbal Tea Small Market 83 326 220.9325 2.229622
## 178 Espresso Major Market 83 326 220.9325 2.229622
## 179 Espresso Major Market 83 326 220.9325 2.229622
## 180 Herbal Tea Small Market 83 326 220.9325 2.229622
## 181 Espresso Major Market 83 326 220.9325 2.229622
## 182 Espresso Major Market 89 331 220.8410 2.228698
## 183 Tea Small Market 83 325 219.9325 2.219530
## 184 Espresso Major Market 70 312 217.9642 2.199666
## 185 Espresso Major Market 81 321 217.6297 2.196291
## 186 Herbal Tea Small Market 81 321 217.6297 2.196291
## 187 Espresso Major Market 81 321 217.6297 2.196291
## 188 Coffee Major Market 124 357 217.1403 2.191351
## 189 Coffee Major Market 124 357 217.1403 2.191351
## 190 Espresso Major Market 77 316 216.0241 2.180087
## 191 Espresso Major Market 77 316 216.0241 2.180087
## 192 Tea Small Market 77 316 216.0241 2.180087
## 193 Tea Small Market 81 319 215.6297 2.176107
## 194 Coffee Major Market 49 -139 -215.2153 -2.171925
## 195 Herbal Tea Small Market 77 315 215.0241 2.169995
## 196 Coffee Major Market 49 -138 -214.2153 -2.161833
## 197 Herbal Tea Small Market 80 315 212.4783 2.144303
## 198 Tea Small Market 80 315 212.4783 2.144303
## 199 Herbal Tea Small Market 86 319 211.3868 2.133287
## 200 Tea Small Market 86 319 211.3868 2.133287
## 201 Herbal Tea Major Market 66 -120 -210.6414 -2.125765
## 202 Espresso Major Market 80 313 210.4783 2.124120
## 203 Espresso Major Market 80 313 210.4783 2.124120
## 204 Coffee Major Market 57 -127 -210.0041 -2.119333
## 205 Herbal Tea Major Market 66 -119 -209.6414 -2.115673
## 206 Espresso Major Market 86 317 209.3868 2.113104
## 207 Espresso Major Market 86 317 209.3868 2.113104
## 208 Herbal Tea Major Market 64 -113 -201.9442 -2.037994
## 209 Espresso Major Market 77 300 200.0241 2.018617
## 210 Tea Small Market 77 300 200.0241 2.018617
## 211 Tea Small Market 114 331 199.6262 2.014601
## 212 Coffee Major Market 53 -120 -199.6097 -2.014435
## 213 Coffee Major Market 40 -131 -199.5780 -2.014115cat("Jumlah outlier:", nrow(outliers), "\n")## Jumlah outlier: 213if(nrow(outliers) > 0){
cat("Terdapat beberapa data yang menyimpang dari pola umum, yang dapat disebabkan oleh kondisi tertentu seperti strategi marketing yang tidak efektif atau faktor eksternal lainnya.\n")
} else {
cat("Tidak ditemukan outlier yang signifikan dalam data.\n")
}## Terdapat beberapa data yang menyimpang dari pola umum, yang dapat disebabkan oleh kondisi tertentu seperti strategi marketing yang tidak efektif atau faktor eksternal lainnya.Data outlier tersebut menunjukkan adanya beberapa observasi yang memiliki karakteristik berbeda dari pola umum, yang dapat memengaruhi hasil analisis.
Berdasarkan visualisasi di atas, dapat diamati bahwa terdapat kecenderungan hubungan antara marketing dan profit yang akan diuji lebih lanjut menggunakan analisis statistik.
Analisis Data
Analisis Korelasi
Analisis korelasi dilakukan untuk mengukur kekuatan dan arah hubungan antara marketing dan profit. Pada analisis ini akan digunakan:
H0 : Tidak terdapat hubungan yang signifikan antara Marketing dan Profit. H1 : Terdapat hubungan yang signifikan antara Marketing dan Profit.
cor_test <- cor.test(dcc$Marketing, dcc$Profit, method = "spearman")## Warning in cor.test.default(dcc$Marketing, dcc$Profit, method = "spearman"):
## Cannot compute exact p-value with tiescor_test##
## Spearman's rank correlation rho
##
## data: dcc$Marketing and dcc$Profit
## S = 8228563128, p-value < 2.2e-16
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
## rho
## 0.3559468cat("=== KESIMPULAN ===\n\n")## === KESIMPULAN ===cat("Keputusan:",
ifelse(cor_test$p.value < 0.05,
"TOLAK H0 - Terdapat hubungan yang signifikan.
",
"GAGAL TOLAK H0 - Tidak Terdapat hubungan yang signifikan.
"))## Keputusan: TOLAK H0 - Terdapat hubungan yang signifikan.cat(paste0("Berdasarkan hasil uji korelasi Spearman antara marketing dan profit, diperoleh nilai koefisien korelasi (ρ) sebesar ",
round(cor_test$estimate, 3),
" dengan p-value sebesar ", cor_test$p.value,
". Hubungan ini ",
ifelse(cor_test$p.value < 0.05, "signifikan", "tidak signifikan"),
" dan bersifat ",
ifelse(cor_test$estimate > 0, "positif.\n\n", "negatif.\n\n")
))## Berdasarkan hasil uji korelasi Spearman antara marketing dan profit, diperoleh nilai koefisien korelasi (ρ) sebesar 0.356 dengan p-value sebesar 4.24481092935694e-127. Hubungan ini signifikan dan bersifat positif.Hasil analisis menunjukkan bahwa marketing memiliki hubungan positif dan signifikan terhadap profit. Artinya, peningkatan biaya marketing cenderung diikuti dengan peningkatan profit. Namun, kekuatan hubungan yang tidak terlalu besar mengindikasikan bahwa terdapat faktor lain selain marketing yang juga memengaruhi profit.
Analisis Regresi Linear
Karena hasil analisis korelasi spearman menunjukkan bahwa kekuatan hubungan antara marketing dan profit tidak terlalu besar, maka akan digunakan analisis regresi linear untuk mengetahui seberapa besar pengaruh variabel marketing terhadap profit. Pada analisis ini akan digunakan:
H0 : Marketing tidak berpengaruh signifikan terhadap Profit (Koefisien = 0). H1 : Marketing berpengaruh signifikan terhadap Profit (Koefisien ≠ 0)
model <- lm(Profit ~ Marketing, data = dcc)
summary(model)##
## Call:
## lm(formula = Profit ~ Marketing, data = dcc)
##
## Residuals:
## Min 1Q Median 3Q Max
## -769.37 -30.82 -7.97 33.00 728.94
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 34.63433 2.32197 14.92 <2e-16 ***
## Marketing 0.84859 0.05627 15.08 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 99.1 on 4246 degrees of freedom
## Multiple R-squared: 0.05083, Adjusted R-squared: 0.05061
## F-statistic: 227.4 on 1 and 4246 DF, p-value: < 2.2e-16coef_val <- coef(model)[2]
p_value <- summary(model)$coefficients["Marketing", "Pr(>|t|)"]
r_squared <- round(summary(model)$r.squared * 100, 2)
cat("=== KESIMPULAN ===\n\n")## === KESIMPULAN ===cat(paste0(
"Berdasarkan hasil uji regresi linear antara marketing dan profit, diperoleh p-value sebesar ",
p_value,
" dan koefisien variabel marketing sebesar ",
round(coef_val, 3),
".
"
))## Berdasarkan hasil uji regresi linear antara marketing dan profit, diperoleh p-value sebesar 4.26501790072002e-50 dan koefisien variabel marketing sebesar 0.849.cat(paste0(
"Maka dari itu, ",
ifelse(p_value < 0.05, "H0 DITOLAK, sehingga hal ini menunjukkan bahwa variabel marketing berpengaruh signifikan terhadap profit. ", "GAGAL TOLAK H0, sehingga hal ini menunjukkan bahwa variabel marketing tidak berpengaruh signifikan terhadap profit. ")
))## Maka dari itu, H0 DITOLAK, sehingga hal ini menunjukkan bahwa variabel marketing berpengaruh signifikan terhadap profit.cat(paste0(
"Nilai koefisien yang ",
ifelse(coef_val > 0, "positif", "negatif"),
" menunjukkan bahwa setiap kenaikan marketing sebesar 1 unit akan ",
ifelse(coef_val > 0, "meningkatkan", "menurunkan"),
" profit sebesar ",
round(abs(coef_val), 3),
".\n\n"
))## Nilai koefisien yang positif menunjukkan bahwa setiap kenaikan marketing sebesar 1 unit akan meningkatkan profit sebesar 0.849.cat(paste0(
"Namun, jika ditinjau dari sisi akurasi prediksi, nilai R-squared sebesar ",
round(r_squared, 5),
" menunjukkan bahwa variabel marketing mampu menjelaskan sekitar ",
r_squared,
"% variasi profit, sedangkan sisanya dipengaruhi oleh faktor lain di luar model."
))## Namun, jika ditinjau dari sisi akurasi prediksi, nilai R-squared sebesar 5.08 menunjukkan bahwa variabel marketing mampu menjelaskan sekitar 5.08% variasi profit, sedangkan sisanya dipengaruhi oleh faktor lain di luar model.Hasil analisis menunjukkan bahwa variabel Marketing hanya mampu menjelaskan variasi Profit sebesar 5,08%. Meskipun hubungan tersebut nyata secara statistik, rendahnya nilai ini mengisyaratkan bahwa sebagian besar variasi profit (sekitar 94,9%) dipengaruhi oleh faktor-faktor lain di luar biaya marketing yang tidak dimasukkan ke dalam model. Dengan demikian, meskipun strategi marketing terbukti efektif meningkatkan profit, model ini masih memiliki tingkat ketidakpastian yang tinggi jika digunakan sebagai satu-satunya alat prediksi tunggal.
Analisis COGS terhadap Profit
Selain marketing, faktor biaya produksi (COGS) juga dianalisis untuk mengetahui pengaruhnya terhadap profit. Pada analisis ini akan digunakan:
H0 : Tidak terdapat hubungan yang signifikan antara Biaya Produksi (COGS) dan Profit. H1 : Terdapat hubungan yang signifikan antara Biaya Produksi (COGS) dan Profit.
kor_COGS <- cor.test(dcc$COGS, dcc$Profit, method = "spearman")## Warning in cor.test.default(dcc$COGS, dcc$Profit, method = "spearman"): Cannot
## compute exact p-value with tieskor_COGS##
## Spearman's rank correlation rho
##
## data: dcc$COGS and dcc$Profit
## S = 4992928669, p-value < 2.2e-16
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
## rho
## 0.6092013cat("=== KESIMPULAN ===\n\n")## === KESIMPULAN ===cat("Keputusan:",
ifelse(kor_COGS$p.value < 0.05,
"TOLAK H0 - Terdapat hubungan yang signifikan.
",
"GAGAL TOLAK H0 - Tidak Terdapat hubungan yang signifikan.
"))## Keputusan: TOLAK H0 - Terdapat hubungan yang signifikan.cat(paste0("Berdasarkan hasil uji korelasi Spearman antara marketing dan profit, diperoleh nilai koefisien korelasi (ρ) sebesar ",
round(kor_COGS$estimate, 3),
" dengan p-value sebesar ",
kor_COGS$p.value,
". Hubungan ini ",
ifelse(kor_COGS$p.value < 0.05, "signifikan", "tidak signifikan"),
" dan bersifat ",
ifelse(kor_COGS$estimate > 0, "positif.\n\n", "negatif.\n\n")
))## Berdasarkan hasil uji korelasi Spearman antara marketing dan profit, diperoleh nilai koefisien korelasi (ρ) sebesar 0.609 dengan p-value sebesar 0. Hubungan ini signifikan dan bersifat positif.Hasil analisis menunjukkan bahwa biaya produksi (COGS) memiliki hubungan positif dan signifikan terhadap profit. Artinya, selain variabel marketing, peningkatan variabel biaya produksi (COGS) juga memengaruhi peningkatan profit. Ini menguatkan bukti bahwa peningkatan profit tidak hanya dapat dipengaruhi oleh marketing. Dari analisis sebelumnya, biaya produksi (COGS) ini merupakan salah satu faktor lain yang memengaruhi peningkatan profit.
Ringkasan Data
Untuk melengkapi pemahaman terhadap karakteristik data, dilakukan analisis deskriptif guna melihat gambaran umum nilai profit, marketing, dan biaya produksi.
dcc %>%
summarise(
Total_Profit = sum(Profit),
Rata_rata_Profit = mean(Profit),
Total_Marketing = sum(Marketing),
Rata_rata_Marketing = mean(Marketing),
Total_Biaya_Produksi = sum(COGS),
Rata_rata_Biaya_Produksi = mean(COGS)
)## Total_Profit Rata_rata_Profit Total_Marketing Rata_rata_Marketing
## 1 259543 61.09769 132474 31.18503
## Total_Biaya_Produksi Rata_rata_Biaya_Produksi
## 1 358672 84.43315Berdasarkan hasil ringkasan data, terlihat bahwa perusahaan memiliki tingkat pengeluaran marketing dan profit yang cukup konsisten. Hal ini menunjukkan bahwa aktivitas marketing merupakan bagian penting dalam operasional perusahaan.
Strategi marketing berperan penting dalam meningkatkan profit, namun perlu diimbangi dengan efisiensi biaya agar peningkatan profit dapat lebih optimal.
Kesimpulan
Berdasarkan hasil analisis yang telah dilakukan, diperoleh bahwa variabel marketing memiliki hubungan yang positif dan signifikan terhadap profit, dengan koefisien korelasi Spearman sebesar 0,356 yang menunjukkan kekuatan hubungan pada kategori sedang. Hal ini mengindikasikan bahwa peningkatan biaya marketing cenderung diikuti dengan peningkatan profit. Temuan ini diperkuat oleh analisis regresi linear yang menunjukkan bahwa marketing berpengaruh signifikan terhadap profit. Namun, nilai koefisien determinasi (R-squared) yang relatif rendah, yaitu sekitar 5,08%, menunjukkan bahwa variabel marketing hanya mampu menjelaskan sebagian kecil variasi profit, sehingga sebagian besar variasi dipengaruhi oleh faktor lain di luar model.
Analisis tambahan menunjukkan bahwa biaya produksi (COGS) juga memiliki hubungan positif dan signifikan terhadap profit, yang mengindikasikan bahwa peningkatan aktivitas operasional turut berkontribusi terhadap peningkatan profit. Selain itu, keberadaan outlier dalam data menunjukkan bahwa tidak semua observasi mengikuti pola yang sama, sehingga terdapat variasi kondisi yang tidak sepenuhnya dapat dijelaskan oleh variabel yang dianalisis. Secara keseluruhan, marketing merupakan faktor yang berperan dalam meningkatkan profit, namun bukan faktor dominan. Oleh karena itu, perusahaan perlu mengombinasikan strategi marketing dengan efisiensi biaya serta pengelolaan operasional lainnya untuk mencapai profitabilitas yang optimal.