Pendahuluan

  Perkembangan industri makanan dan minuman, khususnya bisnis cafe, menunjukkan pertumbuhan yang pesat dalam beberapa tahun terakhir. Persaingan yang semakin ketat menuntut perusahaan untuk tidak hanya meningkatkan penjualan, tetapi juga mampu memaksimalkan profit. Dalam kondisi tersebut, pengambilan keputusan berbasis data menjadi hal yang sangat penting untuk menjaga keberlanjutan dan daya saing bisnis. Sehingga diperlukan analisis untuk meningkatkan profitabilitas guna mempertahankan bisnis ditengah persaingan industri makanan dan minuman.

Deskripsi Data

Dataset yang digunakan dalam penelitian ini adalah Coffee Chain Dataset, yang berisi data transaksi penjualan dari sebuah jaringan kedai kopi. Data ini mencakup periode waktu 2012-2013 dengan total 4.248 observasi dan 20 variabel.

Import Data

library(readxl)
## Warning: package 'readxl' was built under R version 4.4.3
library(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, union
library(lubridate)
## Warning: package 'lubridate' was built under R version 4.4.3
## 
## Attaching package: 'lubridate'
## The following objects are masked from 'package:base':
## 
##     date, intersect, setdiff, union
library(tidyr)
## Warning: package 'tidyr' was built under R version 4.4.3
library(ggplot2)
## Warning: package 'ggplot2' was built under R version 4.4.3
library(knitr)
## Warning: package 'knitr' was built under R version 4.4.2
library(kableExtra)
## Warning: package 'kableExtra' was built under R version 4.4.3
## 
## Attaching package: 'kableExtra'
## The following object is masked from 'package:dplyr':
## 
##     group_rows
data <- read_excel("C:/Users/acer/Documents/SEMESTER 4/SIM/Coffee Chain Datasets.xlsx")
data
## # 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>

Eksplorasi dan Analisis Data

colSums(is.na(data))
##      Area Code           Date         Market    Market Size        Product 
##              0              0              0              0              0 
##   Product Line   Product Type          State           Type    Budget COGS 
##              0              0              0              0              0 
##  Budget Margin  Budget Profit   Budget Sales           COGS      Inventory 
##              0              0              0              0              0 
##         Margin      Marketing         Profit          Sales Total Expenses 
##              0              0              0              0              0
sum(duplicated(data))
## [1] 0
summary(data)
##    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.   :190.00
str(data)
## 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 ...

Persiapan Data

data$Date <- as.Date(data$Date)
data <- data%>%
  mutate(
    Year       = format(Date, "%Y"),
    Month      = format(Date, "%Y-%m"),
    Profit_Gap = Profit - `Budget Profit`
  )
data$`Area Code` <- as.character(data$`Area Code`)
data$`Product Type` <- as.factor(data$`Product Type`)
data <- data %>%
  rename(Product_Type = `Product Type`)

Saat Penjualan Meningkat, Apakah Profit Mengikutinya?

tren_data <- data %>%
  mutate(Bulan = floor_date(Date, "month")) %>%
  group_by(Bulan) %>%
  summarise(
    Total_Sales = sum(Sales, na.rm = TRUE),
    Total_Profit = sum(Profit, na.rm = TRUE)
  )
tren_long <- tren_data %>%
  pivot_longer(
    cols = c(Total_Sales, Total_Profit),
    names_to = "Kategori",
    values_to = "Nilai"
  )
ggplot(tren_long, aes(x = Bulan, y = Nilai, color = Kategori)) +
  geom_line(size = 1) +
  geom_point(size = 2) +
  
  labs(
    title = "Tren Penjualan dan Profit",
    x = "Waktu (Bulan)",
    y = "Jumlah"
  ) +
  
  scale_color_manual(values = c("Total_Sales" = "#1f77b4", 
                                "Total_Profit" = "#BF5C08"))+ 
  theme_minimal()
## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.

Terlihat bahwa tren penjualan dan profit cenderung bergerak searah, artinya ketika penjualan meningkat, profit juga ikut meningkat.Namun, tidak semua peningkatan penjualan menghasilkan profit yang proporsional.

Wilayah Mana yang Paling Menguntungkan? Perbandingan Penjualan vs Profit

market_summary <- data %>%
  group_by(Market) %>%
  summarise(
    total_sales = sum(Sales, na.rm = TRUE),
    total_profit = sum(Profit, na.rm = TRUE),
    margin = total_profit / total_sales
  ) %>%
  arrange(desc(total_profit))
market_summary
## # A tibble: 4 × 4
##   Market  total_sales total_profit margin
##   <chr>         <dbl>        <dbl>  <dbl>
## 1 Central      265045        93852  0.354
## 2 West         272264        73996  0.272
## 3 East         178576        59217  0.332
## 4 South        103926        32478  0.313
market_long <- market_summary %>%
  pivot_longer(cols = c(total_sales, total_profit),
               names_to = "metric",
               values_to = "value")
ggplot(market_long, aes(x = Market, y = value, fill = metric)) +
  geom_bar(stat = "identity", , position = "dodge") +
  geom_text(aes(label = round(value, 0)),
            position = position_dodge(width = 0.9),
            vjust = -0.3, color = "black", size = 3) +
  labs(title = "Sales vs Profit per Wilayah")

Terdapat perbedaan yang jelas antar wilayah dalam hal kontribusi terhadap penjualan maupun profit. Wilayah dengan penjualan tinggi belum tentu memiliki profit tertinggi. Wilayah dengan profit tinggi menunjukkan kinerja yang lebih efisien dan berpotensi menjadi fokus pengembangan bisnis.Terlihat wilayah Central menghasilkan profit tertinggi dengan nilai margin 0,35 atau 35%.

Kombinasi Wilayah dan Produk Paling Menguntungkan

data_mp <- data %>%
    group_by(Market, Product_Type) %>%
    summarise(total_profit = sum(Profit, na.rm = TRUE))
## `summarise()` has grouped output by 'Market'. You can override using the
## `.groups` argument.
ggplot(data_mp, aes(x = Market, y = Product_Type, fill = total_profit)) +
  geom_tile() +
  geom_text(aes(label = round(total_profit, 0)), size = 3) +
  scale_fill_gradient(low = "#92AFD6", high = "#001E45")+
  labs(
    title = "Heatmap Profit: Wilayah vs Product Type",
    x = "Wilayah",
    y = "Product Type"
  ) +
  theme_minimal()

Visualisasi heatmap ini menunjukkan distribusi total profit berdasarkan kombinasi antara wilayah dan product type. Intensitas warna yang semakin gelap mengindikasikan nilai profit yang semakin tinggi, sedangkan warna yang lebih terang menunjukkan profit yang lebih rendah. Secara umum, terlihat bahwa tidak semua kombinasi wilayah dan jenis produk memberikan kontribusi profit yang sama. Terdapat beberapa kombinasi yang menonjol dengan warna paling gelap, yang berarti menjadi sumber utama keuntungan perusahaan. Hal ini menunjukkan bahwa performa produk sangat bergantung pada wilayah produk tersebut dijual. Terlihat produk unggulan di wilayah Central hampir semua produk, produk unggulan di wilayah East yaitu coffee, produk unggulan di wilayan South yaitu espresso, dan produk unggulan di wilayah West yaitu Herbal Tea. Hal ini menunjukkan bahwa kombinasi wilayah dan jenis produk memberikan kontribusi profit yang berbeda-beda.

Profit Gap per Tahun

data %>%
  group_by(Year) %>%
  summarise(
    N           = n(),
    Mean_Profit         = mean(Profit),
    Mean_Budget_Profit  = mean(`Budget Profit`),
    Mean_Profit_Gap     = mean(Profit_Gap),
    Total_Profit_Gap    = sum(Profit_Gap)
  )%>%
  kable(caption = "Profit Gap per Tahun") %>%
  kable_styling(full_width = FALSE, position = "center")
Profit Gap per Tahun
Year N Mean_Profit Mean_Budget_Profit Mean_Profit_Gap Total_Profit_Gap
2012 2124 49.82392 60.91337 -11.08945 -23554
2013 2124 72.37147 60.91337 11.45810 24337

Pada tahun 2012, rata-rata Profit Gap adalah −11,09 USD (perusahaan merugi dari target), sedangkan pada 2013 berbalik menjadi 11,5 USD. Perubahan drastis ini menunjukkan adanya perbaikan operasional atau peningkatan permintaan yang signifikan.

Profit Gap per Tipe Produk

data %>%
  group_by(Product_Type) %>%
  summarise(
    N               = n(),
    Mean_Profit     = mean(Profit),
    Mean_Budget     = mean(`Budget Profit`),
    Mean_Gap        = mean(Profit_Gap),
    Pct_Above_Budget = mean(Profit_Gap > 0) * 100
  ) %>%
  arrange(Mean_Gap)%>%
  kable(caption = "Profit Gap per Tipe Produk") %>%
  kable_styling(full_width = FALSE, position = "center")
Profit Gap per Tipe Produk
Product_Type N Mean_Profit Mean_Budget Mean_Gap Pct_Above_Budget
Coffee 1056 70.72254 79.43182 -8.709280 22.82197
Espresso 1176 58.35034 61.13946 -2.789116 35.54422
Herbal Tea 1056 59.89962 55.60606 4.293561 41.95076
Tea 960 55.19375 46.10417 9.089583 57.60417

Coffee adalah produk dengan profit aktual tertinggi (USD 70,72), namun sekaligus yang paling jauh di bawah target budget-nya (gap = −8,71). Ini mengindikasikan bahwa anggaran untuk Coffee terlalu tinggi, atau ada inefisiensi biaya. Sebaliknya, Tea menjadi produk “star performer” dengan gap tertinggi (+9,09) meskipun profit nominalnya paling rendah.

Statistik Deskriptif Profit per Tipe Produk

data %>%
  group_by(Product_Type) %>%
  summarise(
    N      = n(),
    Mean   = mean(Profit),
    Median = median(Profit),
    SD     = sd(Profit),
    Min    = min(Profit),
    Max    = max(Profit)
  )%>%
  kable(caption = "Statistik Deskriptif Profit per Tipe Produk") %>%
  kable_styling(full_width = FALSE, position = "center")
Statistik Deskriptif Profit per Tipe Produk
Product_Type N Mean Median SD Min Max
Coffee 1056 70.72254 39 118.83545 -221 778
Espresso 1176 58.35034 40 91.23054 -392 646
Herbal Tea 1056 59.89962 40 85.36225 -420 536
Tea 960 55.19375 44 109.15530 -638 362

Analisis Pengaruh Wilayah terhadap Profit

\[H_0: \mu_{\text{ }} = \mu_{\text{Central}} = \mu_{\text{East}} = \mu_{\text{South}} = \mu_{\text{West}}\] \[H_1: \text{Minimal terdapat satu rata-rata berbeda}\] \[\alpha = 0.05\]

anova_market <- aov(Profit ~ Market, data = data)
summary(anova_market)
##               Df   Sum Sq Mean Sq F value   Pr(>F)    
## Market         3   288811   96270   9.361 3.64e-06 ***
## Residuals   4244 43644825   10284                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Kesimpulan: p-value = 0,0033 < \(\alpha\) maka \(H_0\) ditolak. Terdapat perbedaan profit yang signifikan antar wilayah. Dengan kata lain, kondisi wilayah memiliki pengaruh yang nyata terhadap besar kecilnya profit yang dihasilkan perusahaan.

Karena \(H_0\) ditolak maka lanjut Uji Tukey

TukeyHSD(anova_market)
##   Tukey multiple comparisons of means
##     95% family-wise confidence level
## 
## Fit: aov(formula = Profit ~ Market, data = data)
## 
## $Market
##                     diff        lwr        upr     p adj
## East-Central   -3.144546 -14.415515  8.1264225 0.8903657
## South-Central -21.500000 -33.813493 -9.1865072 0.0000438
## West-Central  -14.773810 -24.827734 -4.7198847 0.0009266
## South-East    -18.355454 -31.681197 -5.0297102 0.0022850
## West-East     -11.629263 -22.900232 -0.3582944 0.0401115
## West-South      6.726190  -5.587302 19.0396833 0.4969307

Kesimpulan: Berdasarkan uji tukey terlihat perbedaan profit yang signifikan di wilayah South VS Central, West VS Central, South VS East dan West VS East. Hasil ini menunjukkan bahwa wilayah Central dan East memiliki rata-rata profit yang berbeda secara signifikan dibandingkan dengan wilayah South dan West. Dengan kata lain, terdapat ketimpangan kinerja profit antar wilayah, di mana tidak semua market memberikan kontribusi keuntungan yang sama.

Analisis Pengaruh Tipe Produk terhadap Profit

\[H_0: \mu_{\text{Coffee}} = \mu_{\text{Tea}} = \mu_{\text{Espresso}} = \mu_{\text{Herbal Tea}}\] \[H_1: \text{Minimal satu rata-rata berbeda}\] \[\alpha = 0.05\]

anova_product <- aov(Profit ~ Product_Type, data = data)
summary(anova_product)
##                Df   Sum Sq Mean Sq F value  Pr(>F)   
## Product_Type    3   141680   47227   4.577 0.00333 **
## Residuals    4244 43791957   10319                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Kesimpulan: p-value = 0,0033 < \(\alpha\) maka \(H_0\) ditolak. Terdapat perbedaan profit yang signifikan antar tipe produk. Dengan kata lain, jenis produk memiliki pengaruh yang nyata terhadap besar kecilnya profit yang dihasilkan perusahaan.

Karena \(H_0\) ditolak maka lanjut Uji Tukey

TukeyHSD(anova_product)
##   Tukey multiple comparisons of means
##     95% family-wise confidence level
## 
## Fit: aov(formula = Profit ~ Product_Type, data = data)
## 
## $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 0.7265871

Kesimpulan: Berdasarkan uji tukey terlihat perbedaan profit yang signifikan yaitu Espressi VS Coffee dan Tea VS Coffee. Hal ini menunjukkan bahwa produk kategori Coffee memiliki rata-rata profit yang berbeda secara signifikan dibandingkan dengan Espresso dan Tea. Dengan kata lain, kinerja profit pada produk Coffee tidak sama dengan kedua kategori tersebut.

Analisis Pengaruh Market dan Product Type terhadap Profit

\[H_0: \mu_{\text{ }} = \mu_{\text{Central}} = \mu_{\text{East}} = \mu_{\text{South}} = \mu_{\text{West}}\] \[H_1: \text{Minimal terdapat satu rata-rata berbeda}\]

\[H_0: \mu_{\text{Coffee}} = \mu_{\text{Tea}} = \mu_{\text{Espresso}} = \mu_{\text{Herbal Tea}}\] \[H_1: \text{Minimal terdapat satu rata-rata berbeda}\]

\[H_0: \text{Tidak terdapat interaksi antara Market dan Product Type terhadap profit (artinya pengaruh product type sama di semua market)}\] \[H_1:\text{Terdapat interaksi antara Market dan Product Type terhadap profit (artinya pengaruh product type berbeda di semua market)}\] \[\alpha = 0.05\]

anova_2way <- aov(Profit ~ Market * Product_Type, data = data)
summary(anova_2way)
##                       Df   Sum Sq Mean Sq F value   Pr(>F)    
## Market                 3   288811   96270  10.233 1.04e-06 ***
## Product_Type           3   170636   56879   6.046 0.000419 ***
## Market:Product_Type    8  3651726  456466  48.521  < 2e-16 ***
## Residuals           4233 39822463    9408                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

p-value = 0,000001 < \(\alpha\) maka \(H_0\) ditolak artinya terdapat perbedaan profit yang signifikan antar wilayah (market).p-value = 0,000417 < \(\alpha\) maka \(H_0\) artinya ditolak terdapat perbedaan profit yang signifikan antar tipe produk. p-value = 0,0000001 < \(\alpha\) maka \(H_0\) ditolak artinya terdapat interaksi signifikan antara market dan product type. Berdasarkan hasil uji ANOVA dua arah, diperoleh bahwa faktor market dan product type memiliki pengaruh terhadap profit. Selain itu, terdapat interaksi antara market dan product type dalam memengaruhi profit. Hal ini menunjukkan bahwa perbedaan profit tidak hanya dipengaruhi oleh masing-masing faktor secara terpisah, tetapi juga oleh kombinasi keduanya. Dengan kata lain, kinerja suatu produk dalam menghasilkan profit bergantung pada market tempat produk tersebut dipasarkan.

Kesimpulan

  1. Berdasarkan hasil analisis data, dapat disimpulkan bahwa secara umum penjualan dan profit memiliki tren yang searah, tetapi profit yang diperoleh belum optimal.
  2. Terdapat perbedaan profit yang signifikan antar wilayah. Hal ini mengindikasikan bahwa tidak semua wilayah memberikan kontribusi profit yang sama, sehingga terdapat wilayah yang lebih unggul dibandingkan yang lain.
  3. Dari sisi product type, hasil uji ANOVA menunjukkan bahwa terdapat perbedaan profit yang signifikan antar jenis produk (p-value = 0,0033 < α = 0,05). Uji lanjut Tukey mengungkapkan bahwa perbedaan signifikan terjadi antara Coffee dengan Espresso serta Coffee dengan Tea, yang menunjukkan bahwa kategori Coffee memiliki performa profit yang berbeda dibandingkan produk lainnya.
  4. Berdasarkan hasil ANOVA dua arah, diketahui bahwa market dan product type secara bersama-sama memengaruhi profit, serta terdapat indikasi bahwa kombinasi keduanya berperan dalam menentukan tingkat keuntungan. Hal ini menunjukkan bahwa performa suatu produk dalam menghasilkan profit dapat berbeda tergantung pada market tempat produk tersebut dijual.
  5. Secara keseluruhan, dapat disimpulkan bahwa profit perusahaan dipengaruhi oleh faktor market, jenis produk, serta interaksi di antara keduanya, sehingga strategi bisnis yang efektif perlu mempertimbangkan kombinasi antara wilayah dan jenis produk untuk memaksimalkan keuntungan.