Pendahuluan

Pemahaman terhadap faktor-faktor yang memengaruhi profit menjadi hal pokok dalam dunia bisnis. Salah satu indikator utama yang sering dianalisis adalah hubungan antara tingkat penjualan dengan profit margin yang dihasilkan. Dalam hal ini, profit margin merupakan tingkat keuntungan yang diperoleh dari setiap transaksi penjualan. Selain itu, sales atau tingkat penjualan dapat didefinisikan sebagai performa pasar terhadap suatu produk.

Dataset coffee chain memuat informasi terkait margin dan sales dari berbagai produk yang dipasarkan. melalui analisis ini, akan dikaji apakah terdapat hubungan yang singnifikan antara margin dan tingkat penjualan. dengan analisis ini diharapkan dapat memberikan gambaran mengenai strategi penetapan harga dan pengelolaan serta pemasaran produk yang optimal, sehingga keputusan yang diambil murni, sesuai dengan data.

Preview Data

Dataset Coffee chain memuat 4.248 observasi yang terbagi dalam 2 tahun, 2012 dan 2013. Selain itu, dataset ini terbagi menjadi 3 tabel yaitu acttable, location, dan product. Jumlah variabel dataset ini adalah 20, dengan 2 variabel diantaranya merupakan foreign key (productId dan areaCode).

Pada analisis ini, data yang digunakan difokuskan pada tahun 2013 dengan 2 variabel utama (margin dan sales). Dataset diambil melalui koneksi R dengan MySQL menggunakan fungsi dbConnect().

# memanggil library
library(DBI)
library(odbc)
library (ggplot2)

# mengoneksikan MySQL
cch = dbConnect(odbc(),
                  Driver = "MySQL ODBC 8.0 ANSI Driver",
                  Server = "127.0.0.1",
                  UID = "root",
                  PWD = "jgnlupa1",
                  Port = 3306,
                  database = "coffeechain")

Analisis Uji

Pengujian diawali dengan mengambil data yang dibutuhkan (produk, margin, sales) menggunakan dbGetQuery(). Setelah itu, untuk mengetahui hitungan statistik pada data tersebut, maka digunakan summary().

Sebelum melakukan uji statistik, langkah awal yang penting untuk dilakukan adalah menguji normalitas data tersebut menggunakan shapiro.test. Jika p-value hasil uji tersebut lebih besar dari 0.05 maka data tersebut berdistribusi normal. Sebaliknya, jika p-value lebih kecil dari 0.05 maka data tersebut tidak berdistribusi normal.

Dari hasil uji normalitas tersebut, maka dapat ditentukan metode yang akan digunakan untuk uji statistik ini.

Distribusi Normal -> Lakukan Uji pearson

Distribusi Tidak Normal -> Lakukan Uji Spearman

Dan sebagai kesimpulan dari hasil uji statistik, maka dilakukan otomatisasi interpretasi agar dapat dilihat dengan lebih rapi.

Rumusan Uji Hipotesis

H0: tidak ada hubungan antara margin dan sales (rho=0)

H1: ada hubungan antara margin dan sales (rho!=0)

# mengambil data
query <- "SELECT 
    Product, 
    AVG(Margin) as rata_margin, 
    SUM(Sales) as total_sales
FROM facttable f
JOIN product USING (ProductId)
GROUP BY Product"

data <- dbGetQuery(cch, query)
data
##              Product rata_margin total_sales
## 1           Amaretto     67.4479       26269
## 2          Colombian    160.9417      128311
## 3  Decaf Irish Cream     81.6927       62248
## 4          Green Tea     43.2083       32850
## 5        Caffe Mocha     93.9250       84904
## 6     Decaf Espresso    105.7892       78162
## 7          Chamomile    110.8125       75578
## 8              Lemon    109.2042       95926
## 9               Mint     78.2813       35710
## 10        Darjeeling    106.9375       73151
## 11         Earl Grey    127.7292       66772
## 12  Regular Espresso    181.9722       24031
## 13       Caffe Latte     91.7778       35899
# rigkasan statistik
summary(data)
##    Product           rata_margin      total_sales    
##  Length:13          Min.   : 43.21   Min.   : 24031  
##  Class :character   1st Qu.: 81.69   1st Qu.: 35710  
##  Mode  :character   Median :105.79   Median : 66772  
##                     Mean   :104.59   Mean   : 63062  
##                     3rd Qu.:110.81   3rd Qu.: 78162  
##                     Max.   :181.97   Max.   :128311
# uji normalitas
shap_margin <- shapiro.test(data$rata_margin)
shap_sales <- shapiro.test(data$total_sales)

# otomatisasi metode uji statistik
if (shap_margin$p.value > 0.05 & shap_sales$p.value > 0.05) {
  hasil_cor <- cor.test(data$rata_margin, data$total_sales, method = "pearson")
  metode <- "Pearson"
} else {
  hasil_cor <- cor.test(data$rata_margin, data$total_sales, method = "spearman")
  metode <- "Spearman"
}

print(hasil_cor)
## 
##  Pearson's product-moment correlation
## 
## data:  data$rata_margin and data$total_sales
## t = 1.3166, df = 11, p-value = 0.2148
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.2284824  0.7645193
## sample estimates:
##       cor 
## 0.3689502
# interpretasi hasil uji statistik
if (hasil_cor$p.value < 0.05) {
  signif <- "signifikan"
} else {
  signif <- "tidak signifikan"
}

if (hasil_cor$estimate > 0) {
  arah <- "positif"
} else {
  arah <- "negatif"
}

cat( "Hasil uji korelasi", metode, "menunjukkan hubungan", arah, "yang", signif, 
    "antara profit margin dan sales.\n")
## Hasil uji korelasi Pearson menunjukkan hubungan positif yang tidak signifikan antara profit margin dan sales.

Berdasarkan hasil uji korelasi Pearson, diperoleh nilai koefisien korelasi sebesar 0,3689 yang menunjukkan hubungan positif dengan kekuatan lemah hingga sedang antara profit margin dan sales. Namun, nilai p-value sebesar 0,2148 (> 0,05) menunjukkan bahwa hubungan tersebut tidak signifikan secara statistik. Dengan demikian, H0 gagal ditolak, yang berarti tidak terdapat bukti yang cukup untuk menyatakan adanya hubungan yang signifikan antara profit margin dan tingkat penjualan. Hal ini mengindikasikan bahwa peningkatan profit margin tidak secara nyata diikuti oleh peningkatan sales, sehingga kemungkinan terdapat faktor lain yang lebih berpengaruh terhadap tingkat penjualan dalam dataset tersebut.

Visualisasi Data

ggplot(data, aes(x = rata_margin, y = total_sales)) +
  geom_point(aes(color = Product), size=4) +
  geom_smooth(method = "lm", col = "darkred") + # Garis tren
  labs(title = "Hubungan Profit Margin vs Sales Penjualan",
       x = "Rata-Rata Margin",
       y = "Total Penjualan")
## `geom_smooth()` using formula = 'y ~ x'

Secara umum, terdapat korelasi positif yang ditunjukkan oleh garis regresi berwarna merah, yang mengindikasikan bahwa produk dengan margin keuntungan lebih tinggi cenderung mencatatkan total penjualan yang lebih besar. Sebagian besar produk berkumpul di rentang margin 80 hingga 120 dengan angka penjualan di kisaran 50.000 hingga 100.000, menunjukkan area performa yang cukup stabil.

Meskipun tren menunjukkan arah positif, terdapat variasi yang signifikan di antara produk-produk tertentu. Colombian merupakan produk paling unggul dengan margin tinggi (sekitar 160) dan angka penjualan tertinggi yang jauh melampaui produk lainnya. Sementara, Regular Espresso menjadi outlier karena memiliki margin tertinggi (sekitar 180) namun justru berada di total penjualan yang sangat rendah.

Area abu-abu di sekitar garis regresi (area kepercayaan) yang melebar di ujung kanan mencerminkan ketidakpastian yang lebih besar pada produk bermargin tinggi, sehingga strategi harga ke depan perlu mempertimbangkan apakah margin yang sangat besar justru dapat menghambat performa penjualan.

Kesimpulan

Berdasarkan analisis data dari Coffee Chain yang berfokus pada data tahun 2013, dilakukan uji statistik untuk mengetahui hubungan antara profit margin dan sales pada setiap unit produk.

Uji statistik yang digunakan adalah Korelasi Pearson. Dengan perolehan nilai p-value sebesar 0,2148 (> 0,05) yang menunjukkan bahwa hubungan tersebut tidak signifikan secara statistik (H0 gagal ditolak) serta nilai korelasi sebesar 0,3689 yang menunjukkan hubungan positif antara profit margin dan sales.

Sementara itu, hasil visualisasi memberikan gambaran secara umum bahwa produk dengan margin keuntungan lebih tinggi cenderung memiliki total penjualan yang lebih besar. Namun begitu, masih terdapat variasi yang signifikan di antara produk-produk tertentu.

Dalam konteks bisnis, hal ini mengindikasikan bahwa menetapkan harga premium untuk mengejar profit margin tinggi tidak selalu menjamin performa penjualan yang stabil di seluruh lini produk. Ketidaksignifikanan ini dapat disimpulkan bahwa keputusan pembelian konsumen kemungkinan besar lebih dipengaruhi oleh variabel eksternal—seperti loyalitas merek, lokasi gerai, atau efektivitas promosi—daripada sekadar struktur harga dan margin. Oleh karena itu, strategi pertumbuhan ke depan sebaiknya tidak hanya berfokus pada optimasi margin per produk, tetapi juga harus mengintegrasikan analisis perilaku konsumen yang lebih komprehensif untuk memastikan keberlanjutan pendapatan di pasar yang kompetitif.