Pendahuluan

Laporan ini merupakan hasil analisis data penjualan produk UMKM binaan yang dipasarkan di Mall Lippo, periode Januari–Juni. Data dikumpulkan oleh tim magang Dinas UMKM sebagai bagian dari monitoring dan evaluasi kinerja produk UMKM di lokasi pemasaran ritel modern.

Tujuan analisis:

  1. Merekap produk dengan penjualan terbanyak dan penjualan terendah.
  2. Menganalisis produk olahan makanan apa yang paling laku di mall.
  3. Memberikan saran/rekomendasi untuk Dinas UMKM dan pelaku UMKM.

Persiapan Paket dan Data

# install.packages(c("tidyverse","readr","knitr","scales","forcats")) # jalankan sekali jika belum terpasang
library(tidyverse)
library(readr)
library(knitr)
library(scales)
library(forcats)

Import Data

Struktur file CSV asli memiliki 3 baris judul/header gabungan sebelum data mulai, sehingga kita lewati (skip = 3) dan beri nama kolom secara manual.

df_raw <- read_csv(
  "Penjualan_Produk_UMKM_di_Mall_Lippo.csv",
  skip = 4,
  col_names = c("Produk", "Januari", "Februari", "Maret", "April", "Mei", "Juni"),
  show_col_types = FALSE
)

glimpse(df_raw)
## Rows: 151
## Columns: 7
## $ Produk   <chr> "IEC KOPI LUWAK BALI POWDER 100GR", "IEC KOPI LUWAK SUMATRA W…
## $ Januari  <dbl> 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0…
## $ Februari <dbl> 0, 0, 0, 0, 0, 0, 2, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0…
## $ Maret    <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 2, 0, 1, 0, 0, 0, 0…
## $ April    <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 2, 3, 0…
## $ Mei      <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 1, 1, 0…
## $ Juni     <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 2, 0, 0, 1, 0, 0, 1, 0…

Pembersihan Data

df <- df_raw %>%
  filter(!is.na(Produk)) %>%
  mutate(across(Januari:Juni, ~replace_na(.x, 0))) %>%
  mutate(Total_Terjual = Januari + Februari + Maret + April + Mei + Juni) %>%
  distinct()

cat("Jumlah produk terdata:", nrow(df), "\n")
## Jumlah produk terdata: 151
cat("Total unit terjual (semua produk, Jan-Jun):", sum(df$Total_Terjual), "\n")
## Total unit terjual (semua produk, Jan-Jun): 1516
cat("Jumlah produk yang TIDAK LAKU sama sekali (total = 0):", sum(df$Total_Terjual == 0), "\n")
## Jumlah produk yang TIDAK LAKU sama sekali (total = 0): 58

1. Rekap Penjualan Terbanyak dan Terendah

1.1 Top 10 Produk Terlaris

top10 <- df %>%
  arrange(desc(Total_Terjual)) %>%
  slice_head(n = 10) %>%
  select(Produk, Januari:Juni, Total_Terjual)

kable(top10, caption = "10 Produk dengan Penjualan Tertinggi (Jan-Jun)")
10 Produk dengan Penjualan Tertinggi (Jan-Jun)
Produk Januari Februari Maret April Mei Juni Total_Terjual
ANTE KRIPIK SINGKONG BALADO 200G 59 32 14 27 30 33 195
BWANG BAWANG GORENG 100 GR 8 24 30 26 12 21 121
TOKEZI CHEESE STICK ORIGINAL 70GR 26 17 2 26 37 8 116
BNJ KERUPUK BANGKA 225 G 20 11 12 19 25 24 111
ANTE KRIPIK SINGKONG BALADO 430G 12 11 16 7 3 15 64
BNJ KERUPUK OVEN BANGKA 185 G 4 10 4 8 19 12 57
BNJ GETAS BULAT BANGKA 225 G 7 6 6 10 6 3 38
PAWON JUNA KENTANG MUSTOFA 100 GR 8 2 9 3 4 10 36
EL S DRIP COFEE JAVA MOCHA 10GRX5 S 0 8 5 2 5 8 28
BASO CUANKI INSTANT ORIGINAL 3 1 6 6 4 6 26 
top10 %>%
  mutate(Produk = fct_reorder(Produk, Total_Terjual)) %>%
  ggplot(aes(x = Produk, y = Total_Terjual)) +
  geom_col(fill = "#0884F5") +
  geom_text(aes(label = Total_Terjual), hjust = -0.15, size = 3.3) +
  coord_flip() +
  labs(
    title = "10 Produk UMKM Terlaris di Mall Lippo (Jan-Jun)",
    x = NULL, y = "Total Unit Terjual"
  ) +
  theme_minimal(base_size = 11) +
  theme(plot.title = element_text(face = "bold")) +
  expand_limits(y = max(top10$Total_Terjual) * 1.1)

Ini 10 produk paling laku selama Januari–Juni. Kesimpulannya secara umum:

  • Kripik singkong balado paling laris, jauh di atas produk lain (195 unit).
  • Camilan gurih (bawang goreng, cheese stick, kerupuk) mendominasi daftar teratas — bukan kopi atau madu.
  • Cuma ada 1 produk kopi yang masuk top 10, dan itupun jauh di bawah (28 unit), jadi camilan/snack jauh lebih laku dibanding minuman/kopi di mall ini.
  • Penjualannya naik-turun tiap bulan, nggak stabil terus naik atau turun — jadi kemungkinan tergantung musim atau promo.

1.2 10 Produk dengan Penjualan Terendah (tapi masih laku, > 0)

Produk dengan total penjualan 0 dipisah ke bagian 1.3 karena jumlahnya cukup banyak dan perlu perhatian khusus (produk yang sama sekali belum terjual).

bottom10 <- df %>%
  filter(Total_Terjual > 0) %>%
  arrange(Total_Terjual) %>%
  slice_head(n = 10) %>%
  select(Produk, Januari:Juni, Total_Terjual)

kable(bottom10, caption = "10 Produk dengan Penjualan Terendah (namun > 0 unit)")
10 Produk dengan Penjualan Terendah (namun > 0 unit)
Produk Januari Februari Maret April Mei Juni Total_Terjual
AL WALIY MADU ANGKAK 350 GR 0 1 0 0 0 0 1
KOPI SIHOLTA ROBUSTA KOPI KAPSUL 10 X 7 GR 0 0 1 0 0 0 1
KOPI SIHOLTA ROBUSTA ROASTED BEAN 70 GR 0 0 1 0 0 0 1
KOPI SIHOLTA ROBUSTA BUBUK 70 GR 0 0 0 0 1 0 1
SAMU BALI ROBUSTA COFFE 250 GR 0 0 0 1 0 0 1
SAMU BALI ROASTED BEANS KINTAMANI ARABICA 250 G 1 0 0 0 0 0 1
AGRO SWEET NATURAL SUGAR 250GR 0 1 0 0 0 0 1
WATU CASHEW NUT SALTED 100GR 0 0 0 0 1 0 1
MALIKA S CHEESESTICK 80GR 0 1 0 0 0 0 1
MALIKA S KAPIT ORIGINAL 80GR 0 0 0 0 0 1 1

Ini 10 produk yang paling sedikit lakunya (tapi masih ada yang beli, bukan nol sama sekali):

  • Semuanya cuma laku 1 unit selama 6 bulan — sangat minim.
  • Hampir semua produk di sini kopi dan madu, sejalan dengan temuan sebelumnya bahwa kategori minuman kalah jauh dibanding camilan/snack.
  • Tiap produk cuma laku di 1 bulan saja dari 6 bulan, sisanya 0 — artinya bukan produk yang dibeli rutin, lebih ke sesekali/insidental.

1.3 Produk yang Tidak Terjual Sama Sekali (0 unit, Jan-Jun)

zero_sales <- df %>%
  filter(Total_Terjual == 0) %>%
  select(Produk)

cat("Jumlah produk dengan penjualan 0 selama 6 bulan:", nrow(zero_sales),
    "dari", nrow(df), "produk (", percent(nrow(zero_sales)/nrow(df)), ")\n")
## Jumlah produk dengan penjualan 0 selama 6 bulan: 58 dari 151 produk ( 38% )
kable(zero_sales, caption = "Daftar Produk Tanpa Penjualan (Jan-Jun)")
Daftar Produk Tanpa Penjualan (Jan-Jun)
Produk
IEC KOPI LUWAK BALI POWDER 100GR
IEC KOPI LUWAK SUMATRA WHOLEBEAN 100GR
IEC KOPI LUWAK SUMATRA POWDER 100GR
IEC KOPI LUWAK BALI WHOLEBEAN 100GR
AL WALIY MADU MIX FOOD 250 GR
AL WALIY MADU HITAM 470 GR
KOPI SIHOLTA ARABICA ROASTED BEAN 70 GR
MANDAILING PREMIUM COFFEE HOMELAND BEAN 200G
SAMU BALI ARABIKA COFFE 500 GR
SAMU BALI ROBUSTA COFFE 500 GR
EL S 1 MINUTE COFFEE BASE 600ML
EL S COFFEE LUWAK BOX 100G
EL S COFFEE LUWAK 100G
EL S COFFEE TURKISH 5X10G
RENGGINANG UDGTRSBWANG
PAWON BUMBON BAWANG GORENG 150 GR
PAWON KERIPIK CIRENG ORI 65GR
PAWON KERIPIK CIRENG SEBLAK 65GR
PAWON OSH SERBUK JAHE SECANG 150 G
PAWON MAK KERIPIK TAHU ORIGINAL 70 GR
PAWON MAK KERIPIK TAHU PEDES 70 GR
PAWON ARA RENGGINANG KUPANG 125 GR
PAWON LILY KERING TEMPE KACANG 180 GR
PAWON LILY SURENDENG MAWUT 180 GR
PAWON ENTIN ONWAJEN 300GR
PAWON ASAP KERIPIK KULIT AYAM
PAWON DE KISS SARI JAHE INSTANT 140 ML
ING PAWON BANDREK 75 ML
NEW ACEH FISH SKIN SALTED EGG ORI 40 G
NEW ACEH FISH SKIN SALTED EGG SPICY 40 G
KRIWAK KERIPIK WADER PEDAS
KRIWAK KERIPIK WADER RASA ORIGINAL
NEW KRIWAK KERIPIK WADER BLACK PAPER
NEW KRIWAK KEONG KRISPY SPICY
KRIWAK KERIPIK PATIN ORIGINAL 80GR
KRIWAK KERIPIK PATIN SPICY 80GR
KRIWAK KERANG ORIGINAL 100GR
KRIWAK KERANG SPICY 100GR
WATU CASHEW BUTTER 180GR
WATU CASHEW NUT ESPRESSO 35GR
WATU CASHEW NUT ORIGINAL 35GR
WATU CASHEW NUT ESPRESSO 100GR
WATU KUANSING 200 GR
WATU HONEY BANGKA 400 GR
WATU HONEY LUWU 200 GR
WATU HONEY CALLIANDRA 400 GR
WATU HONEY KAPUAS HULU 200 GR
WATU CASHEW NUT BUTTER CHUNKY 180 GR
WATU CASHEW NUT CARAMEL 35GR
MALIKA S KAPIT PANDAN 80GR
MALIKA S KAPIT TARO 80GR
CHEESE TOKEZI CORNED 70 GR
CHEESE TOKEZI ORIGINAL 70 GR
DAPUR SITI SEROJA MINI ASIN GURIH 80 GR
ANTE KRIPIK PISANG COKLAT 100G
ANTE KRIPIK PISANG SUSU 100G
ANTE PILUS IKAN BALADO 150G
ANTE TALAS BALADO 100G

1.4 Tren Penjualan Bulanan (Keseluruhan)

tren_bulanan <- df %>%
  summarise(across(Januari:Juni, sum)) %>%
  pivot_longer(everything(), names_to = "Bulan", values_to = "Total") %>%
  mutate(Bulan = factor(Bulan, levels = c("Januari","Februari","Maret","April","Mei","Juni")))

ggplot(tren_bulanan, aes(x = Bulan, y = Total, group = 1)) +
  geom_line(color = "#0884F5", linewidth = 1.1) +
  geom_point(color = "#0884F5", size = 3) +
  geom_text(aes(label = Total), vjust = -1, size = 3.5) +
  labs(title = "Tren Total Penjualan Produk UMKM per Bulan",
       x = NULL, y = "Total Unit Terjual") +
  theme_minimal(base_size = 11) +
  theme(plot.title = element_text(face = "bold")) +
  expand_limits(y = max(tren_bulanan$Total) * 1.15)

Ini tren total penjualan semua produk per bulan:

  • Januari–Februari stabil di sekitar 230-an.
  • Maret turun paling rendah (197) — bulan paling sepi.
  • April-Mei naik tajam, puncaknya di Mei (340 unit) — bulan paling laris.
  • Juni sedikit turun tapi masih tinggi (255).

Jadi ada pola naik-turun, bukan tren yang terus naik. Maret bisa jadi bulan yang perlu dievaluasi (kenapa sepi), sedangkan Mei bisa dicontoh strateginya (apa yang beda di bulan itu, misal ada promo atau musim liburan).

2. Analisis Kategori Produk Olahan Makanan Paling Laku

Nama produk dikelompokkan ke dalam kategori berdasarkan kata kunci pada nama produk. Kategori minuman/bahan minuman (kopi, madu, gula, herbal) dipisahkan dari makanan olahan/camilan agar pertanyaan “produk olahan makanan apa yang paling laku” bisa dijawab spesifik pada kelompok makanan.

Catatan: aturan kata kunci di bawah ini bisa disesuaikan tim jika ada kategori yang kurang tepat.

df_kat <- df %>%
  mutate(
    Kelompok_Besar = case_when(
      str_detect(Produk, regex("KOPI|COFFEE|COFEE", ignore_case = TRUE)) ~ "Minuman - Kopi",
      str_detect(Produk, regex("MADU|HONEY", ignore_case = TRUE)) ~ "Minuman/Bahan - Madu",
      str_detect(Produk, regex("SUGAR|GULA", ignore_case = TRUE)) ~ "Bahan - Gula",
      str_detect(Produk, regex("JAHE|BANDREK|SECANG", ignore_case = TRUE)) ~ "Minuman Herbal",
      TRUE ~ "Makanan Olahan"
    ),
    Kategori_Makanan = case_when(
      Kelompok_Besar != "Makanan Olahan" ~ NA_character_,
      str_detect(Produk, regex("KERUPUK|KEMPLANG|GETAS|RENGGINANG", ignore_case = TRUE)) ~ "Kerupuk & Sejenisnya",
      str_detect(Produk, regex("KERIPIK|KRIPIK|KRIWAK|WADER|PATIN|KERANG|KULIT AYAM|KULIT BELUT|RAJUNGAN|CUMI|KEONG|FISH SKIN", ignore_case = TRUE)) ~ "Keripik & Kerupuk Ikan/Umbi",
      str_detect(Produk, regex("CASHEW|KUANSING", ignore_case = TRUE)) ~ "Kacang Olahan",
      str_detect(Produk, regex("TERI|KANANORI|ABON", ignore_case = TRUE)) ~ "Ikan Olahan (Teri/Abon)",
      str_detect(Produk, regex("BAWANG|BUMBU|MUSTOFA", ignore_case = TRUE)) ~ "Bumbu Dapur",
      str_detect(Produk, regex("EGGROLL|KAPIT|CHEESESTICK|CHEESE STICK|CHEESE|SOES", ignore_case = TRUE)) ~ "Camilan Manis/Renyah",
      str_detect(Produk, regex("CUANKI|BASRENG|BATAGOR|TEMPE|TAHU|ONWAJEN|SURENDENG", ignore_case = TRUE)) ~ "Makanan Siap Saji/Kudapan",
      TRUE ~ "Lainnya"
    )
  )

table(df_kat$Kelompok_Besar, useNA = "ifany")
## 
##         Bahan - Gula       Makanan Olahan       Minuman - Kopi 
##                    4                  104                   31 
##       Minuman Herbal Minuman/Bahan - Madu 
##                    4                    8

Ini hasil pengelompokan semua produk ke kategori besar:

  • Mayoritas produk (104 dari 151) adalah Makanan Olahan (camilan/snack) — jauh lebih banyak variannya dibanding minuman.
  • Minuman - Kopi ada 31 varian, cukup banyak juga.
  • Madu, Gula, dan Herbal masing-masing cuma sedikit (4-8 varian).

Jadi dari segi jumlah produk yang dijual, mall ini didominasi camilan/makanan olahan. Tapi ingat ini baru jumlah jenis produk, bukan jumlah terjual — makanya di bagian selanjutnya (2.1) baru kelihatan apakah banyaknya varian makanan olahan ini sebanding dengan tingginya penjualan atau tidak.

2.1 Perbandingan Minuman vs Makanan Olahan

ringkas_besar <- df_kat %>%
  group_by(Kelompok_Besar) %>%
  summarise(Total_Terjual = sum(Total_Terjual), Jumlah_SKU = n(), .groups = "drop") %>%
  arrange(desc(Total_Terjual))

kable(ringkas_besar, caption = "Total Penjualan per Kelompok Besar")
Total Penjualan per Kelompok Besar
Kelompok_Besar Total_Terjual Jumlah_SKU
Makanan Olahan 1279 104
Minuman - Kopi 200 31
Bahan - Gula 27 4
Minuman Herbal 6 4
Minuman/Bahan - Madu 4 8 
ggplot(ringkas_besar, aes(x = fct_reorder(Kelompok_Besar, Total_Terjual), y = Total_Terjual)) +
  geom_col(fill = "#0884F5") +
  coord_flip() +
  geom_text(aes(label = Total_Terjual), hjust = -0.15, size = 3.3) +
  labs(title = "Total Penjualan: Minuman vs Makanan Olahan", x = NULL, y = "Total Unit Terjual") +
  theme_minimal(base_size = 11) +
  expand_limits(y = max(ringkas_besar$Total_Terjual) * 1.1)

Grafik ini menunjukkan bahwa Makanan Olahan mendominasi penjualan secara signifikan, dengan total 1.279 unit terjual, jauh melampaui kategori lainnya. Kopi berada di posisi kedua dengan 200 unit, sementara Gula, Herbal, dan Madu masing-masing hanya terjual dalam jumlah yang sangat kecil (di bawah 30 unit).

Temuan ini sekaligus menegaskan hasil sebelumnya: baik dari segi jumlah varian produk maupun jumlah unit terjual, kategori makanan olahan konsisten menjadi yang paling diminati pengunjung mall, sedangkan kategori minuman selain kopi (madu, gula, herbal) memiliki kontribusi penjualan yang sangat minim dan perlu menjadi perhatian dalam evaluasi strategi UMKM.

2.2 Kategori Makanan Olahan Paling Laku

ringkas_makanan <- df_kat %>%
  filter(Kelompok_Besar == "Makanan Olahan") %>%
  group_by(Kategori_Makanan) %>%
  summarise(Total_Terjual = sum(Total_Terjual), Jumlah_SKU = n(), .groups = "drop") %>%
  arrange(desc(Total_Terjual))

kable(ringkas_makanan, caption = "Total Penjualan per Kategori Makanan Olahan")
Total Penjualan per Kategori Makanan Olahan
Kategori_Makanan Total_Terjual Jumlah_SKU
Keripik & Kerupuk Ikan/Umbi 405 29
Kerupuk & Sejenisnya 240 7
Bumbu Dapur 186 5
Camilan Manis/Renyah 153 11
Ikan Olahan (Teri/Abon) 150 12
Makanan Siap Saji/Kudapan 74 10
Lainnya 62 19
Kacang Olahan 9 11 
ggplot(ringkas_makanan, aes(x = fct_reorder(Kategori_Makanan, Total_Terjual), y = Total_Terjual)) +
  geom_col(fill = "#14B8A6") +
  coord_flip() +
  geom_text(aes(label = Total_Terjual), hjust = -0.15, size = 3.3) +
  labs(title = "Kategori Makanan Olahan Paling Laku di Mall Lippo", x = NULL, y = "Total Unit Terjual") +
  theme_minimal(base_size = 11) +
  expand_limits(y = max(ringkas_makanan$Total_Terjual) * 1.1)

Grafik ini merinci kategori makanan olahan yang paling diminati. Keripik & Kerupuk Ikan/Umbi menjadi kategori dengan penjualan tertinggi, yaitu 405 unit, diikuti oleh Kerupuk & Sejenisnya dengan 240 unit dan Bumbu Dapur dengan 186 unit. Sementara itu, Kacang Olahan menjadi kategori dengan penjualan paling rendah, hanya 9 unit.

Temuan ini menunjukkan bahwa produk berbasis keripik dan kerupuk secara konsisten menjadi favorit pengunjung, sehingga dapat menjadi fokus utama dalam strategi pengembangan dan promosi produk UMKM. Sebaliknya, kategori kacang olahan perlu dievaluasi lebih lanjut, baik dari sisi penempatan produk, harga, maupun kesesuaian dengan preferensi pasar di mall tersebut.

2.3 Produk Makanan Olahan (Non-Minuman) Terlaris

top_makanan <- df_kat %>%
  filter(Kelompok_Besar == "Makanan Olahan") %>%
  arrange(desc(Total_Terjual)) %>%
  slice_head(n = 10) %>%
  select(Produk, Kategori_Makanan, Total_Terjual)

kable(top_makanan, caption = "10 Produk Olahan Makanan (Non-Minuman) dengan Penjualan Tertinggi")
10 Produk Olahan Makanan (Non-Minuman) dengan Penjualan Tertinggi
Produk Kategori_Makanan Total_Terjual
ANTE KRIPIK SINGKONG BALADO 200G Keripik & Kerupuk Ikan/Umbi 195
BWANG BAWANG GORENG 100 GR Bumbu Dapur 121
TOKEZI CHEESE STICK ORIGINAL 70GR Camilan Manis/Renyah 116
BNJ KERUPUK BANGKA 225 G Kerupuk & Sejenisnya 111
ANTE KRIPIK SINGKONG BALADO 430G Keripik & Kerupuk Ikan/Umbi 64
BNJ KERUPUK OVEN BANGKA 185 G Kerupuk & Sejenisnya 57
BNJ GETAS BULAT BANGKA 225 G Kerupuk & Sejenisnya 38
PAWON JUNA KENTANG MUSTOFA 100 GR Bumbu Dapur 36
BASO CUANKI INSTANT ORIGINAL Makanan Siap Saji/Kudapan 26
GUE KRIPIK TEMPE SAGU 100 GR Keripik & Kerupuk Ikan/Umbi 26

Interpretasi:

  • Produk terlaris: ANTE KRIPIK SINGKONG BALADO 200G (195 unit), jauh mengungguli produk lain.
  • Kategori Kerupuk & Sejenisnya paling banyak muncul di top 10 (3 produk: BNJ Kerupuk Bangka, BNJ Kerupuk Oven Bangka, BNJ Getas Bulat).
  • Brand BNJ dan ANTE mendominasi daftar teratas, masing-masing punya lebih dari 1 produk laris.
  • Kategori Bumbu Dapur juga kuat, masuk 2 kali (Bawang Goreng dan Kentang Mustofa).
  • Hanya 1 produk dari kategori Camilan Manis/Renyah dan Makanan Siap Saji yang masuk daftar, menandakan kategori ini kurang menonjol dibanding keripik/kerupuk.
  • Kesenjangan cukup besar antara peringkat 1 (195 unit) dan peringkat 10 (26 unit) — menunjukkan penjualan terkonsentrasi pada beberapa produk unggulan saja.

3. Kesimpulan

Penjualan Keseluruhan

  • Total 1.516 unit terjual dari 151 produk selama Januari–Juni.
  • Produk terlaris: ANTE KRIPIK SINGKONG BALADO 200G (195 unit).
  • 58 dari 151 produk (±38%) tidak terjual sama sekali selama 6 bulan.

Tren Bulanan

  • Penjualan tidak stabil: turun ke titik terendah di Maret (197 unit), lalu melonjak ke puncaknya di Mei (340 unit).
  • Pola naik-turun ini mengindikasikan adanya faktor musiman atau promosi tertentu yang memengaruhi penjualan bulan Mei.

Kategori Produk

  • Makanan olahan mendominasi baik dari jumlah varian (104 dari 151 SKU) maupun total penjualan (1.279 unit vs 200 unit kopi dan <30 unit madu/gula/herbal).
  • Di dalam makanan olahan, kategori Keripik & Kerupuk Ikan/Umbi paling laku (405 unit), disusul Kerupuk & Sejenisnya (240 unit) dan Bumbu Dapur (186 unit).
  • Kategori Kacang Olahan paling lemah (hanya 9 unit).

Produk Unggulan

  • Brand ANTE dan BNJ paling banyak mendominasi daftar 10 besar terlaris, masing-masing dengan lebih dari satu produk.
  • Kesenjangan penjualan cukup tajam: produk peringkat 1 (195 unit) vs peringkat 10 (26 unit), artinya penjualan terkonsentrasi pada segelintir produk unggulan.

Benang Merah

Preferensi pengunjung Mall Lippo condong ke camilan gurih siap makan (keripik, kerupuk, bawang goreng) dibanding produk minuman/bahan seperti kopi, madu, dan gula. Temuan ini menjadi dasar penting untuk rekomendasi strategi UMKM pada bagian selanjutnya.

4. Saran dan Rekomendasi

1. Prioritaskan Kategori Unggulan

  • Perbanyak stok dan varian produk keripik singkong, kerupuk, dan bumbu dapur (bawang goreng) karena terbukti paling laku.
  • Dorong UMKM produsen ANTE dan BNJ untuk menambah kapasitas produksi mengingat permintaan konsisten tinggi.

2. Evaluasi Produk yang Tidak Laku

  • Lakukan investigasi terhadap 58 produk (38%) yang tidak terjual sama sekali — cek faktor harga, kemasan, posisi display, dan kesesuaian dengan selera pengunjung mall.
  • Pertimbangkan untuk mengganti/menarik produk yang secara konsisten tidak laku agar ruang display lebih efisien untuk produk potensial.

3. Perbaiki Penempatan dan Promosi Kategori Lemah

  • Kategori Kacang Olahan, Madu, Gula, dan Herbal memiliki penjualan sangat rendah — perlu strategi khusus seperti bundling dengan produk laris, sampling gratis, atau reposisi ke area yang lebih strategis.
  • Evaluasi apakah kategori ini memang kurang diminati pasar mall atau hanya kurang terlihat oleh pengunjung.

4. Manfaatkan Pola Musiman

  • Pelajari faktor penyebab lonjakan penjualan di bulan Mei (promo, momen tertentu, dsb.) untuk direplikasi di bulan lain.
  • Siapkan strategi khusus untuk bulan Maret yang secara historis paling sepi, misalnya diskon atau event tematik.

5. Perkuat Diversifikasi Produk Unggulan

  • Tambahkan variasi ukuran/rasa pada produk terlaris (keripik singkong, cheese stick, kerupuk) untuk memperluas pasar (misalnya kemasan kecil untuk oleh-oleh, kemasan besar untuk keluarga).

6. Pendampingan UMKM Berkinerja Rendah

  • Berikan pelatihan pemasaran dan desain kemasan bagi UMKM dengan produk penjualan sangat rendah/nol agar lebih kompetitif.

7. Monitoring Berkelanjutan

  • Lakukan pencatatan dan analisis data penjualan secara rutin (bulanan) agar tren dan efektivitas kebijakan dapat dipantau secara berkelanjutan dan intervensi dapat dilakukan lebih cepat.

Laporan ini disusun oleh tim magang Dinas UMKM: Dadan Ramdan Hidayat, M. Rizki Ragil Mulya, dan Isnaini Nur Hasanah, berdasarkan data penjualan produk UMKM di Mall Lippo periode Januari-Juni.