UTS - Week 8
Muhammad Rahman Pasyha
2026-10-16
BELAJAR DATA SCIENCE MENYENANGKAN
SOAL UTS
# Memuat pustaka utama
library(dplyr)
# Membaca dataset ke dalam objek df_penjualan dan menyesuaikan tipe Tanggal
df_penjualan <- read.csv("D:/lab/datasets/raw/data_penjualan.csv")
df_penjualan$Tanggal <- as.Date(df_penjualan$Tanggal)
# Menampilkan 10 baris pertama
head(df_penjualan, 10)## ID_Transaksi Tanggal Cabang Admin Kategori Produk
## 1 TRX0001 2025-01-01 Jakarta Maya Elektronik Smartwatch Fit
## 2 TRX0002 2025-01-01 Semarang Budi Alat Kantor Kertas A4 (Rim)
## 3 TRX0003 2025-01-02 Bandung Putri Aksesori Power Bank 20000
## 4 TRX0004 2025-01-05 Bandung Wawan Elektronik Earbuds Pro
## 5 TRX0005 2025-01-05 Semarang Budi Alat Kantor Kertas A4 (Rim)
## 6 TRX0006 2025-01-09 Surabaya Lestari Elektronik Smartwatch Fit
## 7 TRX0007 2025-01-10 Jakarta Sari Alat Kantor Paket Alat Tulis
## 8 TRX0008 2025-01-12 Bandung Putri Alat Kantor Kertas A4 (Rim)
## 9 TRX0009 2025-01-12 Jakarta Sari Elektronik Earbuds Pro
## 10 TRX0010 2025-01-13 Surabaya Lestari Elektronik Smartphone X5
## Harga_Satuan Jumlah Diskon_Persen Total_Penjualan Metode_Pembayaran
## 1 1800000 2 0 3600000 E-Wallet
## 2 55000 3 15 140250 Kartu Kredit
## 3 280000 6 5 1596000 Tunai
## 4 650000 5 15 2762500 E-Wallet
## 5 55000 9 0 495000 Tunai
## 6 1800000 1 0 1800000 Transfer
## 7 120000 1 10 108000 E-Wallet
## 8 55000 10 0 550000 Transfer
## 9 650000 2 0 1300000 Transfer
## 10 4200000 3 0 12600000 Kartu Kredit
## Segmen_Pelanggan Rating
## 1 Baru 5
## 2 Baru 4
## 3 Lama 5
## 4 Baru 5
## 5 Lama 5
## 6 Lama 5
## 7 Baru 5
## 8 Lama 3
## 9 Lama 5
## 10 Lama 5## [1] 300## 'data.frame': 300 obs. of 13 variables:
## $ ID_Transaksi : chr "TRX0001" "TRX0002" "TRX0003" "TRX0004" ...
## $ Tanggal : Date, format: "2025-01-01" "2025-01-01" ...
## $ Cabang : chr "Jakarta" "Semarang" "Bandung" "Bandung" ...
## $ Admin : chr "Maya" "Budi" "Putri" "Wawan" ...
## $ Kategori : chr "Elektronik" "Alat Kantor" "Aksesori" "Elektronik" ...
## $ Produk : chr "Smartwatch Fit" "Kertas A4 (Rim)" "Power Bank 20000" "Earbuds Pro" ...
## $ Harga_Satuan : int 1800000 55000 280000 650000 55000 1800000 120000 55000 650000 4200000 ...
## $ Jumlah : int 2 3 6 5 9 1 1 10 2 3 ...
## $ Diskon_Persen : int 0 15 5 15 0 0 10 0 0 0 ...
## $ Total_Penjualan : int 3600000 140250 1596000 2762500 495000 1800000 108000 550000 1300000 12600000 ...
## $ Metode_Pembayaran: chr "E-Wallet" "Kartu Kredit" "Tunai" "E-Wallet" ...
## $ Segmen_Pelanggan : chr "Baru" "Baru" "Lama" "Baru" ...
## $ Rating : num 5 4 5 5 5 5 5 3 5 5 ...## ID_Transaksi Tanggal Cabang Admin
## Length :300 Min. :2025-01-01 Length :300 Length :300
## N.unique :300 1st Qu.:2025-04-12 N.unique : 4 N.unique : 9
## N.blank : 0 Median :2025-06-29 N.blank : 0 N.blank : 0
## Min.nchar: 7 Mean :2025-07-02 Min.nchar: 7 Min.nchar: 4
## Max.nchar: 7 3rd Qu.:2025-09-24 Max.nchar: 8 Max.nchar: 7
## Max. :2025-12-29
##
## Kategori Produk Harga_Satuan Jumlah
## Length :300 Length :300 Min. : 55000 Min. : 1.00
## N.unique : 4 N.unique : 12 1st Qu.: 240000 1st Qu.: 2.00
## N.blank : 0 N.blank : 0 Median : 650000 Median : 3.00
## Min.nchar: 8 Min.nchar: 11 Mean :1502267 Mean : 4.16
## Max.nchar: 11 Max.nchar: 18 3rd Qu.:1500000 3rd Qu.: 6.00
## Max. :9500000 Max. :10.00
##
## Diskon_Persen Total_Penjualan Metode_Pembayaran Segmen_Pelanggan
## Min. : 0.000 Min. : 41250 Length :300 Length :300
## 1st Qu.: 0.000 1st Qu.: 607750 N.unique : 4 N.unique : 2
## Median : 5.000 Median : 2100000 N.blank : 0 N.blank : 0
## Mean : 8.817 Mean : 3616210 Min.nchar: 5 Min.nchar: 4
## 3rd Qu.:15.000 3rd Qu.: 4200000 Max.nchar: 12 Max.nchar: 4
## Max. :25.000 Max. :28500000
##
## Rating
## Min. :2.000
## 1st Qu.:4.000
## Median :4.000
## Mean :4.096
## 3rd Qu.:5.000
## Max. :5.000
## NAs :8# Contoh awalan filter dan agregasi (Kategori Elektronik per Cabang)
hasil_awal <- df_penjualan %>%
filter(Kategori == "Elektronik") %>%
group_by(Cabang) %>%
summarise(total = sum(Total_Penjualan, na.rm = TRUE)) %>%
arrange(desc(total))
hasil_awal## # A tibble: 4 × 2
## Cabang total
## <chr> <int>
## 1 Surabaya 262002500
## 2 Jakarta 249015000
## 3 Semarang 192975000
## 4 Bandung 1207425001. Produk dengan Total Penjualan Terbesar vs Jumlah Unit Terbanyak
# Ringkasan agregasi per produk
ringkasan_produk <- df_penjualan %>%
group_by(Produk) %>%
summarise(
total_nilai_penjualan = sum(Total_Penjualan, na.rm = TRUE),
total_unit_terjual = sum(Jumlah, na.rm = TRUE),
jumlah_transaksi = n()
)
# A. Produk dengan nilai Total_Penjualan paling besar
produk_omzet_terbesar <- ringkasan_produk %>%
slice_max(total_nilai_penjualan, n = 3)
# B. Produk dengan jumlah unit (Jumlah) terjual paling banyak
produk_unit_terbanyak <- ringkasan_produk %>%
slice_max(total_unit_terjual, n = 3)
produk_omzet_terbesar## # A tibble: 3 × 4
## Produk total_nilai_penjualan total_unit_terjual jumlah_transaksi
## <chr> <int> <int> <int>
## 1 Smartphone X5 314160000 79 39
## 2 Laptop Ultra 14 281675000 34 14
## 3 Earbuds Pro 158340000 270 48## # A tibble: 3 × 4
## Produk total_nilai_penjualan total_unit_terjual jumlah_transaksi
## <chr> <int> <int> <int>
## 1 Kertas A4 (Rim) 14789500 289 50
## 2 Earbuds Pro 158340000 270 48
## 3 Tas Ransel Laptop 47162500 146 262. Total Penjualan Kategori Elektronik (Diskon >= 10%) per Cabang
elektronik_diskon_cabang <- df_penjualan %>%
filter(Kategori == "Elektronik", Diskon_Persen >= 10) %>%
group_by(Cabang) %>%
summarise(
jumlah_transaksi = n(),
total_penjualan = sum(Total_Penjualan, na.rm = TRUE),
rata_penjualan = mean(Total_Penjualan, na.rm = TRUE)
) %>%
arrange(desc(total_penjualan))
elektronik_diskon_cabang## # A tibble: 4 × 4
## Cabang jumlah_transaksi total_penjualan rata_penjualan
## <chr> <int> <int> <dbl>
## 1 Surabaya 16 155022500 9688906.
## 2 Jakarta 14 92865000 6633214.
## 3 Semarang 15 52305000 3487000
## 4 Bandung 9 32017500 35575003. Analisis Metode Pembayaran di Cabang Jakarta
# Rekapitulasi seluruh metode pembayaran di Cabang Jakarta (Menjawab 3a & 3b)
jakarta_metode <- df_penjualan %>%
filter(Cabang == "Jakarta") %>%
group_by(Metode_Pembayaran) %>%
summarise(
jumlah_transaksi = n(),
rata_rata_penjualan = mean(Total_Penjualan, na.rm = TRUE),
total_penjualan = sum(Total_Penjualan, na.rm = TRUE)
) %>%
arrange(desc(rata_rata_penjualan))
# Menampilkan tabel lengkap (3b) dan memfilter baris E-Wallet (3a)
jakarta_metode## # A tibble: 4 × 4
## Metode_Pembayaran jumlah_transaksi rata_rata_penjualan total_penjualan
## <chr> <int> <dbl> <int>
## 1 Kartu Kredit 10 4906550 49065500
## 2 E-Wallet 38 3793776. 144163500
## 3 Transfer 25 3194140 79853500
## 4 Tunai 17 2838809. 48259750## # A tibble: 1 × 4
## Metode_Pembayaran jumlah_transaksi rata_rata_penjualan total_penjualan
## <chr> <int> <dbl> <int>
## 1 E-Wallet 38 3793776. 1441635004. Performa Admin pada Transaksi Grosir Berdiskon
admin_grosir_diskon <- df_penjualan %>%
filter(Jumlah >= 5, Diskon_Persen > 0) %>%
group_by(Admin) %>%
summarise(
total_penjualan = sum(Total_Penjualan, na.rm = TRUE),
jumlah_transaksi = n(),
total_unit = sum(Jumlah, na.rm = TRUE)
) %>%
arrange(desc(total_penjualan))
# Menampilkan tabel urutan semua admin dan mengambil peringkat 1
admin_grosir_diskon## # A tibble: 9 × 4
## Admin total_penjualan jumlah_transaksi total_unit
## <chr> <int> <int> <int>
## 1 Rina 24523750 9 68
## 2 Lestari 24267500 7 49
## 3 Agus 23678250 9 74
## 4 Doni 22571250 9 64
## 5 Maya 20709000 9 60
## 6 Wawan 19378750 7 48
## 7 Sari 13395500 10 73
## 8 Putri 7640500 5 37
## 9 Budi 6723750 6 42## # A tibble: 1 × 4
## Admin total_penjualan jumlah_transaksi total_unit
## <chr> <int> <int> <int>
## 1 Rina 24523750 9 685. Analisis Eksplorasi Bebas (EDA) & Rekomendasi Strategis Manajemen
(i) Kebocoran Margin Akibat Diskon Tanpa Syarat Kuantitas
# Menghitung potongan diskon dan mengecek transaksi eceran (<= 2 unit) yang mendapat diskon besar (>= 10%)
evaluasi_diskon <- df_penjualan %>%
mutate(
Harga_Kotor = Harga_Satuan * Jumlah,
Nominal_Diskon = Harga_Kotor - Total_Penjualan
)
# Ringkasan efektivitas per tingkat diskon
ringkasan_diskon <- evaluasi_diskon %>%
group_by(Diskon_Persen) %>%
summarise(
transaksi = n(),
rata_unit_beli = round(mean(Jumlah), 2),
rata_omzet_bersih = round(mean(Total_Penjualan)),
total_potongan = sum(Nominal_Diskon),
rata_rating = round(mean(Rating, na.rm = TRUE), 2)
)
# Audit kebocoran diskon pada pembelian jumlah kecil (<= 2 unit tetapi diskon >= 10%)
kebocoran_eceran <- evaluasi_diskon %>%
filter(Jumlah <= 2, Diskon_Persen >= 10) %>%
group_by(Kategori) %>%
summarise(
jumlah_trx = n(),
total_potongan = sum(Nominal_Diskon),
omzet_bersih = sum(Total_Penjualan)
)
ringkasan_diskon## # A tibble: 6 × 6
## Diskon_Persen transaksi rata_unit_beli rata_omzet_bersih total_potongan
## <int> <int> <dbl> <dbl> <int>
## 1 0 122 3.99 4411352 0
## 2 5 37 4.59 2764628 5383750
## 3 10 36 4.5 3049625 12198500
## 4 15 40 4.12 2697475 19041000
## 5 20 25 3.88 3080800 19255000
## 6 25 40 4.18 3742031 49893750
## # ℹ 1 more variable: rata_rating <dbl>## # A tibble: 4 × 4
## Kategori jumlah_trx total_potongan omzet_bersih
## <chr> <int> <int> <int>
## 1 Aksesori 4 371000 1519000
## 2 Alat Kantor 15 2759750 10495250
## 3 Elektronik 24 22385000 107565000
## 4 Furnitur 7 1972500 10177500(ii) Risiko Ketergantungan Portofolio dan Masalah Kualitas Layanan Alat Kantor/Furnitur
eda_kategori_cabang <- df_penjualan %>%
group_by(Kategori) %>%
summarise(
transaksi = n(),
total_unit = sum(Jumlah),
total_omzet = sum(Total_Penjualan),
pangsa_omzet = round(sum(Total_Penjualan) / sum(df_penjualan$Total_Penjualan) * 100, 2),
rata_rating = round(mean(Rating, na.rm = TRUE), 2),
rating_rendah = sum(Rating <= 3, na.rm = TRUE)
) %>%
arrange(desc(total_omzet))
eda_kategori_cabang## # A tibble: 4 × 7
## Kategori transaksi total_unit total_omzet pangsa_omzet rata_rating
## <chr> <int> <int> <int> <dbl> <dbl>
## 1 Elektronik 122 425 824735000 76.0 4.23
## 2 Furnitur 37 151 111552500 10.3 4.14
## 3 Alat Kantor 99 448 82051000 7.56 3.88
## 4 Aksesori 42 224 66524500 6.13 4.19
## # ℹ 1 more variable: rating_rendah <int>(iii) Ketimpangan Produktivitas Admin dan Kualitas Layanan Antar-Cabang
eda_admin <- df_penjualan %>%
group_by(Cabang, Admin) %>%
summarise(
transaksi = n(),
total_omzet = sum(Total_Penjualan),
aov_per_trx = round(mean(Total_Penjualan)),
rata_diskon = round(mean(Diskon_Persen), 2),
rata_rating = round(mean(Rating, na.rm = TRUE), 2),
.groups = "drop"
) %>%
arrange(Cabang, desc(total_omzet))
eda_admin## # A tibble: 9 × 7
## Cabang Admin transaksi total_omzet aov_per_trx rata_diskon rata_rating
## <chr> <chr> <int> <int> <dbl> <dbl> <dbl>
## 1 Bandung Wawan 31 109446500 3530532 8.87 4.29
## 2 Bandung Putri 26 60075000 2310577 8.08 4.04
## 3 Jakarta Maya 28 163549000 5841036 9.82 4.11
## 4 Jakarta Doni 29 93570250 3226560 8.1 4.11
## 5 Jakarta Sari 33 64223000 1946152 10.3 4.03
## 6 Semarang Budi 38 127323500 3350618 7.89 3.89
## 7 Semarang Rina 37 123945750 3349885 10 4.06
## 8 Surabaya Agus 36 185566750 5154632 8.75 4.25
## 9 Surabaya Lestari 42 157163250 3741982 7.74 4.1(iv) Pola Siklus Musiman pada Arus Kas Tahunan
eda_bulanan <- df_penjualan %>%
mutate(Bulan = format(Tanggal, "%Y-%m")) %>%
group_by(Bulan) %>%
summarise(
transaksi = n(),
total_unit = sum(Jumlah),
total_omzet = sum(Total_Penjualan),
rata_rating = round(mean(Rating, na.rm = TRUE), 2)
)
eda_bulanan## # A tibble: 12 × 5
## Bulan transaksi total_unit total_omzet rata_rating
## <chr> <int> <int> <int> <dbl>
## 1 2025-01 24 111 79103000 4.21
## 2 2025-02 22 107 86825750 3.95
## 3 2025-03 21 74 88939750 4.05
## 4 2025-04 27 106 116030250 4.31
## 5 2025-05 26 125 134131250 4.19
## 6 2025-06 32 125 76403000 4.12
## 7 2025-07 22 103 64659750 4
## 8 2025-08 35 145 94509250 4.06
## 9 2025-09 22 77 74597000 3.9
## 10 2025-10 22 104 98395750 4.18
## 11 2025-11 17 62 88967500 4.06
## 12 2025-12 30 109 82300750 4.03(v) Retensi Pelanggan Lintas Cabang
eda_segmen <- df_penjualan %>%
group_by(Cabang, Segmen_Pelanggan) %>%
summarise(
transaksi = n(),
total_omzet = sum(Total_Penjualan),
rata_belanja = round(mean(Total_Penjualan)),
rata_diskon = round(mean(Diskon_Persen), 2),
rata_rating = round(mean(Rating, na.rm = TRUE), 2),
.groups = "drop"
)
eda_segmen## # A tibble: 8 × 7
## Cabang Segmen_Pelanggan transaksi total_omzet rata_belanja rata_diskon
## <chr> <chr> <int> <int> <dbl> <dbl>
## 1 Bandung Baru 28 90830750 3243955 9.46
## 2 Bandung Lama 29 78690750 2713474 7.59
## 3 Jakarta Baru 32 108313000 3384781 9.38
## 4 Jakarta Lama 58 213029250 3672918 9.48
## 5 Semarang Baru 34 104907750 3085522 10.3
## 6 Semarang Lama 41 146361500 3569793 7.8
## 7 Surabaya Baru 31 129958250 4192202 6.61
## 8 Surabaya Lama 47 212771750 4527059 9.26
## # ℹ 1 more variable: rata_rating <dbl>