Analisis_Data_Coffee_Chain
Muhammad Naufal Atha
2026-04-19
Load Library
library(readxl)
library(dplyr)Input Data
Data_Kopi <- read_excel("C:/Users/Lenovo/Downloads/1. Tugas SIM 2025B - Coffee Chain Datasets.xlsx")
# Lihat data
head(Data_Kopi)## # 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>str(Data_Kopi)## 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 ...Seleksi Variabel
Data_Kopi1 <- Data_Kopi[, c("Area Code", "Product", "Product Type",
"Budget COGS", "Budget Margin",
"Budget Profit", "Budget Sales")]
head(Data_Kopi1)## # A tibble: 6 × 7
## `Area Code` Product `Product Type` `Budget COGS` `Budget Margin`
## <dbl> <chr> <chr> <dbl> <dbl>
## 1 719 Amaretto Coffee 90 130
## 2 970 Colombian Coffee 80 110
## 3 970 Decaf Irish Cream Coffee 100 140
## 4 303 Green Tea Tea 30 50
## 5 303 Caffe Mocha Espresso 60 90
## 6 720 Decaf Espresso Espresso 80 130
## # ℹ 2 more variables: `Budget Profit` <dbl>, `Budget Sales` <dbl>Eksplorasi Data
summary(Data_Kopi1)## Area Code Product Product Type Budget COGS
## Min. :203.0 Length:4248 Length:4248 Min. : 0.00
## 1st Qu.:417.0 Class :character Class :character 1st Qu.: 30.00
## Median :573.0 Mode :character Mode :character Median : 50.00
## Mean :582.3 Mean : 74.83
## 3rd Qu.:772.0 3rd Qu.: 90.00
## Max. :985.0 Max. :450.00
## Budget Margin Budget Profit Budget Sales
## Min. :-210.0 Min. :-320.00 Min. : 0.0
## 1st Qu.: 50.0 1st Qu.: 20.00 1st Qu.: 80.0
## Median : 70.0 Median : 40.00 Median : 130.0
## Mean : 100.8 Mean : 60.91 Mean : 175.6
## 3rd Qu.: 130.0 3rd Qu.: 80.00 3rd Qu.: 210.0
## Max. : 690.0 Max. : 560.00 Max. :1140.0tail(Data_Kopi1)## # A tibble: 6 × 7
## `Area Code` Product `Product Type` `Budget COGS` `Budget Margin`
## <dbl> <chr> <chr> <dbl> <dbl>
## 1 425 Lemon Herbal Tea 40 70
## 2 206 Caffe Latte Espresso 20 30
## 3 509 Caffe Mocha Espresso 60 80
## 4 360 Decaf Espresso Espresso 70 100
## 5 360 Colombian Coffee 80 120
## 6 206 Decaf Irish Cream Coffee 120 170
## # ℹ 2 more variables: `Budget Profit` <dbl>, `Budget Sales` <dbl>names(Data_Kopi1)## [1] "Area Code" "Product" "Product Type" "Budget COGS"
## [5] "Budget Margin" "Budget Profit" "Budget Sales"dim(Data_Kopi1)## [1] 4248 7Produk Yang Paling Laku
produk_count <- sort(table(Data_Kopi1$`Product Type`), decreasing = TRUE)
barplot(produk_count,
main = "Produk Paling Laku",
xlab = "Product Type",
ylab = "Frekuensi",
col = "cyan",
border = "white")
# Total Sales & Profit per Product Type
Data_Kopi_Urut <- Data_Kopi %>%
group_by(`Product Type`) %>%
summarise(
total_sales = sum(Sales, na.rm = TRUE),
total_profit = sum(Profit, na.rm = TRUE)
) %>%
arrange(desc(total_sales))
Data_Kopi_Urut## # A tibble: 4 × 3
## `Product Type` total_sales total_profit
## <chr> <dbl> <dbl>
## 1 Espresso 222996 68620
## 2 Coffee 216828 74683
## 3 Herbal Tea 207214 63254
## 4 Tea 172773 52986Visualisasi Total Sales
barplot(Data_Kopi_Urut$total_sales,
names.arg = Data_Kopi_Urut$`Product Type`,
main = "Total Sales per Product Type",
xlab = "Product Type",
ylab = "Total Sales",
col = "cyan",
border = "white",
las = 2)
# Visualisasi Total Profit
Kopi_profit <- Data_Kopi_Urut %>%
arrange(desc(total_profit))
barplot(Kopi_profit$total_profit,
names.arg = Kopi_profit$`Product Type`,
main = "Total Profit per Product Type",
xlab = "Product Type",
ylab = "Total Profit",
col = "cyan",
border = "white",
las = 2)
# Ranking Produk
Data_Kopi_Urut_rank <- Data_Kopi_Urut %>%
mutate(
rank_sales = rank(-total_sales),
rank_profit = rank(-total_profit)
)
Data_Kopi_Urut_rank## # A tibble: 4 × 5
## `Product Type` total_sales total_profit rank_sales rank_profit
## <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Espresso 222996 68620 1 2
## 2 Coffee 216828 74683 2 1
## 3 Herbal Tea 207214 63254 3 3
## 4 Tea 172773 52986 4 4Uji Hipotesis
Korelasi Pearson
Korelasi <- cor.test(Data_Kopi_Urut$total_sales,
Data_Kopi_Urut$total_profit)
cat("Nilai Korelasi:", Korelasi$estimate, "\n")## Nilai Korelasi: 0.9095054cat("p-value:", Korelasi$p.value, "\n\n")## p-value: 0.09049455if (Korelasi$p.value < 0.05) {
cat("Keputusan: TOLAK H0\n")
cat("Artinya: Ada hubungan signifikan antara total sales dan total profit\n")
} else {
cat("Keputusan: GAGAL TOLAK H0\n")
cat("Artinya: Tidak ada hubungan signifikan antara total sales dan total profit\n")
}## Keputusan: GAGAL TOLAK H0
## Artinya: Tidak ada hubungan signifikan antara total sales dan total profitHasil Uji KOrelasi
## Berdasarkan hasil uji korelasi Pearson, diperoleh nilai koefisien korelasi sebesar 0.9095 dengan p-value sebesar 0.0905.
## Hal ini menunjukkan bahwa hubungan antara total sales dan total profit bersifat positif.
## Karena p-value ≥ 0,05, maka keputusan yang diambil adalah gagal menolak H0.
## Dengan demikian, dapat disimpulkan bahwa tidak terdapat hubungan yang signifikan antara total sales dan total profit.Interpretasi
Berdasarkan hasil uji korelasi Pearson, diperoleh nilai koefisien korelasi sebesar 0,9095 yang menunjukkan adanya hubungan positif sangat kuat antara total sales dan total profit. Hal ini mengindikasikan bahwa secara pola, peningkatan penjualan cenderung diikuti oleh peningkatan keuntungan.
Namun, nilai p-value sebesar 0,0905 lebih besar dari 0,05, sehingga keputusan yang diambil adalah gagal menolak H0. Dengan demikian, secara statistik hubungan tersebut tidak signifikan pada taraf signifikansi 5%.
Kondisi ini menunjukkan bahwa meskipun secara numerik hubungan terlihat sangat kuat, data yang digunakan belum cukup mendukung untuk menyimpulkan adanya hubungan yang signifikan. Hal ini dapat disebabkan oleh jumlah data yang terbatas atau variasi data yang kurang.
Secara praktis, hasil ini mengindikasikan bahwa peningkatan sales belum tentu secara konsisten diikuti oleh peningkatan profit, sehingga diperlukan analisis lebih lanjut terhadap faktor lain seperti biaya (COGS), margin, dan efisiensi operasional.