1 Pendahuluan

Di era bisnis saat ini, data menjadi salah satu hal penting dalam membantu perusahaan mengambil keputusan yang tepat. Melalui data penjualan, biaya, dan keuntungan, perusahaan dapat mengetahui kondisi usahanya serta menentukan strategi yang lebih efektif untuk meningkatkan profit.

Dataset Coffee Chain berisi informasi penjualan berbagai produk minuman, seperti kopi, teh, espresso, dan herbal tea, yang dipasarkan di beberapa wilayah di Amerika Serikat. Dataset ini memuat variabel penting seperti Sales, Profit, COGS, Margin, Marketing, Inventory, serta waktu penjualan. Dengan data tersebut, perusahaan dapat dianalisis dari sisi penjualan maupun keuntungan.

Pada analisis ini, fokus utama adalah melihat hubungan antar variabel finansial, mengetahui faktor-faktor yang memengaruhi Profit, serta menganalisis perubahan profit dari waktu ke waktu. Metode yang digunakan meliputi Exploratory Data Analysis (EDA), analisis korelasi, regresi linear berganda, dan analisis tren waktu.

Hasil analisis ini diharapkan dapat memberikan informasi yang berguna bagi perusahaan dalam meningkatkan kinerja bisnis dan menyusun strategi yang lebih tepat di masa mendatang.

2 Deskripsi Data

Dataset Coffee Chain terdiri dari 4.248 observasi dan 20 variabel yang berisi informasi penjualan, biaya, keuntungan, persediaan, serta target anggaran perusahaan. Data ini digunakan untuk menganalisis performa bisnis berdasarkan aspek keuangan, wilayah penjualan, dan waktu.

2.1 Penjelasan Variabel

  • Area Code : Kode area penjualan.
  • Date : Tanggal pencatatan data.
  • Market : Daerah atau wilayah pemasaran.
  • Market Size : Ukuran dari wilayah pasar.
  • Product : Nama produk yang dijual.
  • Product Line : Bentuk atau kelompok produk.
  • Product Type : Tipe dari produk.
  • State : Negara bagian di Amerika Serikat.
  • Type : Jenis produk, berkafein atau tanpa kafein.
  • Budget COGS : Estimasi biaya pokok penjualan.
  • Budget Margin : Estimasi margin keuntungan.
  • Budget Profit : Estimasi keuntungan.
  • Budget Sales : Estimasi total penjualan.
  • COGS : Biaya pokok penjualan aktual.
  • Inventory : Jumlah stok barang yang tersedia.
  • Margin : Margin keuntungan aktual.
  • Marketing : Biaya pemasaran.
  • Profit : Keuntungan aktual.
  • Sales : Total penjualan aktual.
  • Total Expense : Total seluruh biaya yang dikeluarkan.

3 Persiapan Data

3.1 Import Dataset

library(readxl)      # import Excel

df <- read_excel("1. Tugas SIM 2025B - Coffee Chain Datasets.xlsx")

head(df)

Dataset diimpor menggunakan library readxl dari file Excel yang berisi data penjualan coffee chain. Data kemudian ditampilkan sebagian menggunakan fungsi head() untuk memastikan struktur dan isi data sudah terbaca dengan benar.

3.2 Pembersihan dan Persiapan Data

# Konversi tipe data
df$Date <- as.Date(df$Date, format="%d %B %Y")

factor_cols <- c("State","Product Type","Product Line",
                 "Market","Market Size","Type")

df[factor_cols] <- lapply(df[factor_cols], as.factor)

# Cek kualitas data
cat("Missing Values :", sum(is.na(df)), "\n")
## Missing Values : 0
cat("Data Duplikat  :", sum(duplicated(df)), "\n")
## Data Duplikat  : 0
# Statistik deskriptif
library(dplyr)

for(col in c("Sales","COGS","Profit","Margin","Marketing","Total Expenses")) {
  
  kolom <- df[[col]]
  
  cat("\n### Statistik deskriptif untuk", col, "\n")
  cat("- Mean             :", round(mean(kolom, na.rm = TRUE), 2), "\n")
  cat("- Median           :", round(median(kolom, na.rm = TRUE), 2), "\n")
  cat("- Standar Deviasi  :", round(sd(kolom, na.rm = TRUE), 2), "\n")
  cat("- Variansi         :", round(var(kolom, na.rm = TRUE), 2), "\n")
}
## 
## ### Statistik deskriptif untuk Sales 
## - Mean             : 192.99 
## - Median           : 138 
## - Standar Deviasi  : 151.13 
## - Variansi         : 22841.22 
## 
## ### Statistik deskriptif untuk COGS 
## - Mean             : 84.43 
## - Median           : 60 
## - Standar Deviasi  : 67.25 
## - Variansi         : 4522.53 
## 
## ### Statistik deskriptif untuk Profit 
## - Mean             : 61.1 
## - Median           : 40 
## - Standar Deviasi  : 101.71 
## - Variansi         : 10344.63 
## 
## ### Statistik deskriptif untuk Margin 
## - Mean             : 104.29 
## - Median           : 76 
## - Standar Deviasi  : 94.34 
## - Variansi         : 8900.51 
## 
## ### Statistik deskriptif untuk Marketing 
## - Mean             : 31.19 
## - Median           : 22 
## - Standar Deviasi  : 27.02 
## - Variansi         : 730.26 
## 
## ### Statistik deskriptif untuk Total Expenses 
## - Mean             : 54.06 
## - Median           : 46 
## - Standar Deviasi  : 32.35 
## - Variansi         : 1046.69
table(df$Market)
## 
## Central    East   South    West 
##    1344     888     672    1344
prop.table(table(df$Market))
## 
##   Central      East     South      West 
## 0.3163842 0.2090395 0.1581921 0.3163842

  • Konversi Tipe Data Variabel Date dikonversi menjadi format tanggal agar dapat digunakan dalam analisis berbasis waktu. Selain itu, beberapa variabel kategorik seperti State, Product Type, Product Line, Market, Market Size, dan Type diubah menjadi tipe faktor untuk mempermudah analisis statistik dan pemodelan.

  • Pengecekan Kualitas Data Dilakukan pengecekan terhadap nilai yang hilang (missing values) dan data duplikat. Hal ini penting untuk memastikan bahwa data yang digunakan bersih dan tidak menimbulkan bias dalam analisis selanjutnya.

  • Statistik Deskriptif Statistik deskriptif dihitung untuk variabel numerik seperti Sales, COGS, Profit, Margin, Marketing, dan Total Expenses. Analisis ini memberikan gambaran umum mengenai karakteristik data, khususnya nilai rata-rata, median, serta tingkat penyebaran data melalui standar deviasi dan variansi.

  • Distribusi Data Kategorik Distribusi frekuensi untuk variabel Market dianalisis menggunakan fungsi table() dan prop.table(). Analisis ini bertujuan untuk mengetahui sebaran dan proporsi data pada masing-masing kategori, sehingga dapat memberikan gambaran mengenai dominasi market tertentu dalam dataset.

4 Analisis Korelasi

Analisis korelasi dilakukan untuk mengukur kekuatan dan arah hubungan linear antar variabel finansial sebelum membangun model regresi.

4.1 Heatmap Korelasi

Variabel yang digunakan dalam analisis korelasi difokuskan pada indikator finansial utama yang relevan terhadap profitabilitas.

library(corrplot)
# Subset variabel numerik yang relevan
df_num <- df %>%
  select(Sales, COGS, Profit, Margin, Marketing, `Total Expenses`,
         `Budget Sales`, `Budget Profit`, `Budget Margin`, Inventory)

# Hitung matriks korelasi
mat_cor <- cor(df_num, use = "complete.obs")

# Plot heatmap
corrplot(mat_cor,
         method      = "color",
         type        = "upper",
         addCoef.col = "black",
         number.cex  = 0.7,
         tl.cex      = 0.85,
         tl.col      = "black",
         col         = colorRampPalette(c("#D73027", "white", "#1A9850"))(200),
         title       = "Matriks Korelasi Variabel Finansial Coffee Chain",
         mar         = c(0, 0, 2, 0))

Heatmap menunjukkan bahwa variabel-variabel finansial dalam dataset ini memiliki pola korelasi yang cukup beragam. Sales dan variabel Budget secara umum memiliki hubungan yang kuat dengan Profit, sementara variabel biaya seperti COGS dan Total Expenses juga berkorelasi positif meski tidak sekuat Sales. Yang menarik, perencanaan keuangan perusahaan tampak cukup akurat karena nilai Budget dan realisasinya bergerak sangat berdekatan. Adapun Inventory menjadi satu-satunya variabel yang hubungannya dengan Profit sangat lemah dibandingkan variabel lainnya.

4.2 Korelasi Terhadap Profit

cor_profit <- sort(mat_cor[, "Profit"], decreasing = TRUE)
data.frame(
  Variabel                = names(cor_profit),
  Korelasi_dengan_Profit  = round(cor_profit, 3)
)

Berdasarkan hasil analisis korelasi terhadap variabel Profit, diketahui bahwa Profit memiliki korelasi sempurna dengan dirinya sendiri (r = 1,000), yang merupakan kondisi yang wajar.

Variabel yang memiliki hubungan paling kuat dengan Profit adalah Budget Profit (r = 0,938), diikuti oleh Margin (r = 0,921) dan Budget Margin (r = 0,877). Hal ini menunjukkan bahwa baik perencanaan keuntungan maupun tingkat margin memiliki keterkaitan yang sangat erat dengan realisasi profit perusahaan.

Selanjutnya, Sales (r = 0,797) dan Budget Sales (r = 0,759) juga menunjukkan korelasi positif yang kuat terhadap Profit. Temuan ini mengindikasikan bahwa peningkatan penjualan merupakan faktor penting yang berkontribusi terhadap peningkatan keuntungan.

Sementara itu, variabel biaya seperti COGS (r = 0,465) memiliki hubungan positif dengan kekuatan sedang terhadap Profit. Adapun Marketing (r = 0,225) dan Total Expenses (r = 0,200) menunjukkan korelasi yang relatif lemah, sehingga pengaruhnya terhadap profit tidak terlalu dominan dalam data ini.

Di sisi lain, variabel Inventory memiliki korelasi negatif yang sangat lemah (r = -0,092) terhadap Profit. Hal ini menunjukkan bahwa peningkatan persediaan cenderung tidak berhubungan secara signifikan dengan peningkatan keuntungan, bahkan berpotensi berlawanan arah meskipun sangat kecil.

5 Regresi Linear Berganda

Setelah mengetahui pola korelasi, regresi linear berganda digunakan untuk memodelkan pengaruh simultan beberapa prediktor terhadap Profit.

5.1 Membangun Model

library(car)
model_reg <- lm(Profit ~ Sales + COGS + Marketing, data = df)
vif(model_reg)
##     Sales      COGS Marketing 
##  4.691130  7.029865  3.036006
summary(model_reg)
## 
## Call:
## lm(formula = Profit ~ Sales + COGS + Marketing, data = df)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -123.137  -11.828   -0.518    9.241  101.270 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -22.801081   0.521941  -43.69   <2e-16 ***
## Sales         1.193813   0.004503  265.12   <2e-16 ***
## COGS         -1.195341   0.012388  -96.49   <2e-16 ***
## Marketing    -1.461141   0.020260  -72.12   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 20.48 on 4244 degrees of freedom
## Multiple R-squared:  0.9595, Adjusted R-squared:  0.9595 
## F-statistic: 3.351e+04 on 3 and 4244 DF,  p-value: < 2.2e-16
  • Hasil Uji Multikolinearitas (VIF) Berdasarkan hasil perhitungan Variance Inflation Factor (VIF), diperoleh nilai VIF untuk variabel Sales sebesar 4,69, COGS sebesar 7,03, dan Marketing sebesar 3,04. Seluruh nilai VIF berada di bawah batas umum 10, sehingga dapat disimpulkan bahwa tidak terdapat masalah multikolinearitas yang serius dalam model regresi yang digunakan.
  • Persamaan Model Regresi Berdasarkan hasil estimasi, diperoleh persamaan regresi sebagai berikut: \[ Profit = -22.80 + 1.19⋅Sales - 1.20⋅COGS - 1.46⋅Marketing \]

Interpretasi koefisien :

  • Sales memiliki koefisien sebesar 1,19 dan berpengaruh positif signifikan terhadap Profit. Artinya, setiap peningkatan Sales sebesar 1 unit akan meningkatkan Profit sebesar 1,19 unit, dengan asumsi variabel lain konstan.

  • COGS memiliki koefisien sebesar -1,20 dan berpengaruh negatif signifikan terhadap Profit. Hal ini menunjukkan bahwa peningkatan biaya produksi akan menurunkan Profit.

  • Marketing memiliki koefisien sebesar -1,46 dan juga berpengaruh negatif signifikan terhadap Profit. Ini mengindikasikan bahwa peningkatan biaya pemasaran dalam jangka pendek cenderung menurunkan profit.

  • Uji Signifikansi (Uji t) Seluruh variabel independen memiliki nilai p-value < 0,001, yang berarti bahwa Sales, COGS, dan Marketing berpengaruh signifikan secara parsial terhadap Profit.

  • Koefisien Determinasi (R²) Nilai R-squared sebesar 0,9595 menunjukkan bahwa sekitar 95,95% variasi Profit dapat dijelaskan oleh variabel Sales, COGS, dan Marketing dalam model ini. Sisanya sebesar 4,05% dijelaskan oleh faktor lain di luar model.

  • Uji Simultan (Uji F) Hasil uji F menunjukkan nilai p-value < 2,2e-16, yang berarti bahwa model regresi secara keseluruhan signifikan. Dengan kata lain, variabel independen secara bersama-sama berpengaruh terhadap Profit.

Model regresi yang dibangun memiliki kemampuan yang sangat baik dalam menjelaskan variasi Profit. Variabel Sales menjadi faktor utama yang meningkatkan profit, sementara COGS dan Marketing berperan sebagai faktor biaya yang menekan profit. Secara keseluruhan, model ini layak digunakan untuk analisis dan prediksi profitabilitas.

5.2 Tabel Koefisien Regresi

library(broom)

tidy(model_reg) %>%
  mutate(across(where(is.numeric), ~ round(., 4))) %>%
  rename(
    Variabel  = term,
    Koefisien = estimate,
    Std_Error = std.error,
    t_value   = statistic,
    p_value   = p.value
  )

Tabel koefisien regresi memperlihatkan hasil estimasi parameter model secara lebih terstruktur.

5.3 Visualisasi: Nilai Aktual vs Prediksi

library(ggplot2)

df_pred <- df %>%
  mutate(Profit_Prediksi = fitted(model_reg))

ggplot(df_pred, aes(x = Profit_Prediksi, y = Profit)) +
  geom_point(alpha = 0.3, color = "#2196F3", size = 1.5) +
  geom_abline(intercept = 0, slope = 1, color = "red",
              linewidth = 1, linetype = "dashed") +
  labs(
    title    = "Nilai Aktual vs Prediksi Profit",
    subtitle = "Garis merah = kondisi prediksi sempurna (aktual = prediksi)",
    x        = "Profit Prediksi",
    y        = "Profit Aktual"
  ) +
  theme_minimal(base_size = 12)

Plot aktual vs prediksi menunjukkan bahwa sebagian besar titik berada di sekitar garis diagonal, yang menandakan bahwa model memiliki akurasi prediksi yang baik. Penyimpangan yang terjadi relatif kecil dan tidak membentuk pola tertentu, sehingga model dinilai mampu merepresentasikan hubungan antara variabel dengan cukup baik.

Penyebaran titik-titik yang relatif konsisten di sepanjang garis menunjukkan bahwa model memiliki varians error yang cukup stabil (homoskedastisitas), sehingga prediksi dapat diandalkan baik pada level nilai rendah maupun tinggi.

5.4 Visualisasi: Koefisien Regresi

coef_df <- tidy(model_reg) %>%
  filter(term != "(Intercept)") %>%
  mutate(signifikan = ifelse(p.value < 0.05,
                             "Signifikan (p < 0.05)",
                             "Tidak Signifikan"))

ggplot(coef_df, aes(x = reorder(term, estimate), y = estimate, fill = signifikan)) +
  geom_bar(stat = "identity") +
  geom_errorbar(aes(ymin = estimate - std.error,
                    ymax = estimate + std.error), width = 0.3) +
  coord_flip() +
  scale_fill_manual(values = c("Signifikan (p < 0.05)" = "#2196F3",
                               "Tidak Signifikan"       = "#BDBDBD")) +
  labs(
    title = "Koefisien Regresi terhadap Profit",
    x     = "Variabel Prediktor",
    y     = "Nilai Koefisien",
    fill  = ""
  ) +
  theme_minimal(base_size = 12)

Plot koefisien regresi menunjukkan bahwa Sales memiliki pengaruh positif terbesar terhadap Profit, sedangkan COGS dan Marketing berpengaruh negatif. Seluruh variabel signifikan secara statistik, dan error bar yang kecil menunjukkan bahwa estimasi koefisien cukup stabil.

Dominasi pengaruh Sales dibandingkan variabel lain menunjukkan bahwa strategi peningkatan pendapatan lebih efektif dalam mendorong profit dibandingkan sekadar pengendalian biaya.

5.5 Uji Asumsi: Residual Plot

par(mfrow = c(1, 2))
plot(model_reg, which = 1, main = "Residuals vs Fitted")
plot(model_reg, which = 2, main = "Normal Q-Q Plot")

par(mfrow = c(1, 1))

Berdasarkan plot diagnostik, grafik Residuals vs Fitted menunjukkan penyebaran residual di sekitar nol tanpa pola ekstrem, sehingga asumsi linearitas dan homoskedastisitas dapat dianggap terpenuhi.

Pada Normal Q-Q Plot, titik-titik mengikuti garis diagonal, yang menunjukkan bahwa residual berdistribusi mendekati normal, meskipun terdapat sedikit penyimpangan pada bagian ujung yang masih dapat ditoleransi.

5.6 Interpretasi Regresi

r2     <- summary(model_reg)$r.squared
adj_r2 <- summary(model_reg)$adj.r.squared
cat("R-squared          :", round(r2,     4), "\n")
## R-squared          : 0.9595
cat("Adjusted R-squared :", round(adj_r2, 4), "\n")
## Adjusted R-squared : 0.9595

6 Analisis Tren Waktu

Analisis tren waktu dilakukan untuk melihat dinamika profit dari bulan ke bulan di setiap wilayah dan secara keseluruhan.

6.1 Agregasi Data per Bulan dan Wilayah

library(lubridate)

df_trend <- df %>%
  mutate(YearMonth = floor_date(Date, "month")) %>%
  group_by(YearMonth, Market) %>%
  summarise(
    Total_Profit = sum(Profit, na.rm = TRUE),
    Total_Sales  = sum(Sales,  na.rm = TRUE),
    .groups      = "drop"
  )

head(df_trend, 12)

Data diolah dengan mengelompokkan berdasarkan bulan (YearMonth) dan wilayah (Market) untuk memperoleh total Profit dan Sales pada setiap periode. Proses agregasi ini bertujuan untuk memudahkan analisis tren waktu serta membandingkan kinerja antar wilayah.

Berdasarkan hasil agregasi, terlihat bahwa setiap wilayah memiliki kontribusi yang berbeda terhadap total profit dan penjualan. Secara umum, wilayah seperti Central dan West menunjukkan nilai profit dan sales yang relatif lebih tinggi dibandingkan wilayah lainnya, sedangkan wilayah South cenderung memiliki nilai yang lebih rendah.

6.2 Tren Profit Bulanan per Wilayah

library(scales)

ggplot(df_trend, aes(x = YearMonth, y = Total_Profit, color = Market)) +
  geom_line(linewidth = 1) +
  geom_point(size = 1.5, alpha = 0.7) +
  scale_y_continuous(labels = comma) +
  scale_x_date(date_labels = "%b %Y", date_breaks = "3 months") +
  labs(
    title    = "Tren Total Profit Bulanan per Wilayah",
    subtitle = "Coffee Chain Dataset",
    x        = "Bulan",
    y        = "Total Profit",
    color    = "Wilayah"
  ) +
  theme_minimal(base_size = 12) +
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  scale_color_brewer(palette = "Set1")

Tren profit bulanan menunjukkan perbedaan kinerja yang signifikan antar wilayah, di mana wilayah Central dan West secara konsisten mencatatkan profit tertinggi, sementara wilayah South berada di posisi terendah.

Secara keseluruhan, profit di seluruh wilayah menunjukkan fluktuasi yang stabil pada tahun 2012, namun terdapat lonjakan profit yang sangat tajam di awal tahun 2013. Setelah lonjakan tersebut, profit di tiap wilayah menetap pada level yang lebih tinggi dibandingkan tahun sebelumnya. Hal ini mengindikasikan adanya faktor eksternal atau strategi bisnis baru yang berhasil meningkatkan profitabilitas secara kolektif di semua wilayah.

6.3 Tren Sales vs Profit Keseluruhan

df_trend_total <- df %>%
  mutate(YearMonth = floor_date(Date, "month")) %>%
  group_by(YearMonth) %>%
  summarise(
    Total_Profit = sum(Profit, na.rm = TRUE),
    Total_Sales  = sum(Sales,  na.rm = TRUE),
    .groups      = "drop"
  )

ggplot(df_trend_total, aes(x = YearMonth)) +
  geom_line(aes(y = Total_Sales,  color = "Total Sales"),
            linewidth = 1) +
  geom_line(aes(y = Total_Profit, color = "Total Profit"),
            linewidth = 1, linetype = "dashed") +
  scale_y_continuous(labels = comma) +
  scale_x_date(date_labels = "%b %Y", date_breaks = "3 months") +
  scale_color_manual(values = c("Total Sales"  = "#1976D2",
                                "Total Profit" = "#E53935")) +
  labs(
    title = "Tren Total Sales vs Total Profit (Keseluruhan)",
    x     = "Bulan",
    y     = "Nilai",
    color = ""
  ) +
  theme_minimal(base_size = 12) +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Tren menunjukkan bahwa Total Sales dan Total Profit bergerak searah, di mana peningkatan penjualan diikuti oleh peningkatan profit. Hal ini menegaskan adanya hubungan positif antara keduanya. Selisih antara Sales dan Profit mencerminkan besarnya biaya operasional yang mempengaruhi tingkat keuntungan perusahaan.

6.4 Profit per Kuartal per Wilayah

df_kuartal <- df %>%
  mutate(Kuartal = paste0(year(Date), " Q", quarter(Date))) %>%
  group_by(Kuartal, Market) %>%
  summarise(Total_Profit = sum(Profit, na.rm = TRUE), .groups = "drop")

ggplot(df_kuartal, aes(x = Kuartal, y = Total_Profit, fill = Market)) +
  geom_bar(stat = "identity", position = "dodge") +
  scale_y_continuous(labels = comma) +
  labs(
    title = "Total Profit per Kuartal per Wilayah",
    x     = "Kuartal",
    y     = "Total Profit",
    fill  = "Wilayah"
  ) +
  theme_minimal(base_size = 12) +
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  scale_fill_brewer(palette = "Set2")

Analisis profit per kuartal kembali menegaskan bahwa wilayah Central dan West secara konsisten menjadi kontributor keuntungan terbesar, sementara South mencatatkan profit terendah sepanjang periode pengamatan. Tidak terlihat pola musiman yang mencolok dalam satu tahun, namun memasuki 2013 terjadi peningkatan profit yang cukup signifikan di seluruh wilayah dan kemudian bertahan stabil, mengindikasikan bahwa perusahaan berhasil mempertahankan kinerja pada level yang lebih tinggi.

7 Kesimpulan

Korelasi: Variabel yang memiliki hubungan paling kuat dengan Profit adalah Budget Profit (r = 0,938), Margin (r = 0,921), dan Budget Margin (r = 0,877). Sales juga menunjukkan korelasi positif yang kuat (r = 0,797), mengindikasikan bahwa peningkatan penjualan merupakan faktor kunci pendorong profit. Sebaliknya, Inventory memiliki korelasi paling lemah dan bahkan sedikit negatif (r = −0,092), menunjukkan bahwa tingkat persediaan tidak berkontribusi signifikan terhadap profitabilitas.

Regresi Linear Berganda: Model regresi mampu menjelaskan sekitar 95.9% variasi Profit. Variabel Sales berpengaruh positif signifikan (koefisien = 1,19), artinya setiap kenaikan penjualan sebesar 1 unit mendorong profit naik 1,19 unit. Sebaliknya, COGS (−1,20) dan Marketing (−1,46) berpengaruh negatif signifikan, di mana biaya produksi dan pemasaran yang tinggi menekan keuntungan. Seluruh variabel signifikan secara statistik (p-value < 0,001), dan tidak ditemukan masalah multikolinearitas serius (VIF < 10).

Tren Waktu: Wilayah Central dan West secara konsisten mencatatkan profit tertinggi sepanjang periode pengamatan, sementara wilayah South berada di posisi terendah. Profit di semua wilayah bergerak relatif stabil pada tahun 2012, kemudian mengalami lonjakan signifikan di awal 2013 dan bertahan pada level yang lebih tinggi. Total Sales dan Total Profit bergerak searah, menegaskan hubungan positif antara keduanya, dengan selisih antar keduanya mencerminkan besarnya beban operasional perusahaan. Tidak ditemukan pola musiman yang kuat dalam data ini.

Rekomendasi: Berdasarkan ketiga analisis di atas, manajemen Coffee Chain sebaiknya memprioritaskan peningkatan Sales sebagai strategi utama mendorong profit, sekaligus melakukan efisiensi pada COGS dan biaya Marketing yang terbukti menekan keuntungan. Investasi dan ekspansi sebaiknya difokuskan pada wilayah Central dan West yang menunjukkan tren profit positif dan konsisten, serta perlu dilakukan evaluasi lebih lanjut terhadap wilayah South untuk mengidentifikasi penyebab rendahnya profitabilitas di wilayah tersebut.