Database System

Tugas Kelompok

1 Anggota Kelompok

1. Nikita Indriyani ~ 20194920009
2. Putri Angelina Windjaya ~ 20194920010
3. Sherly Taurin Siridion ~ 20194920011
4. Jeffry Wijaya ~ 20194920016

2 Package yang diperlukan

library(DBI)
library(RMySQL)
library(DT)
library(tidyverse)
library(plotly)
library(skimr)
library(scales)
library(glue)
library(dplyr)
library(tidyverse)
library(lubridate)
library(ggplot2)

3 Buat Database dan Konfigurasi Database

# Koneksikan dengan Database, sesuaikan juga nama database yang digunakan.
conn <- dbConnect(MySQL(),
                  user="root",
                  password="",
                  dbname="data_factory",  # gunakan nama database yang kamu gunakan
                  host="localhost")

4 Join Tabel

SELECT *
FROM suppliers s
LEFT JOIN products p
USING(SupplierID)
LEFT JOIN categories c
USING(CategoryID)
LEFT JOIN orderdetails od
USING(ProductID)
LEFT JOIN orders o
USING(OrderID);

datatable(suppliers_data)

4.1 Memasukkan suppliers_data ke dalam database

CREATE TABLE suppliers_data AS
SELECT *
FROM suppliers s
LEFT JOIN products p
USING(SupplierID)
LEFT JOIN categories c
USING(CategoryID)
LEFT JOIN orderdetails od
USING(ProductID)
LEFT JOIN orders o
USING(OrderID);

5 Membersihkan data

5.1 Perbaiki struktur data tanggal

ALTER TABLE suppliers_data
CHANGE OrderDate OrderDate DATE NULL;

5.2 Menghapus Kolom yang tidak diperlukan

ALTER TABLE suppliers_data
DROP COLUMN CustomerID,
DROP COLUMN OrderID,
DROP COLUMN ProductID,
DROP COLUMN CategoryID,
DROP COLUMN OrderDetailID,
DROP COLUMN EmployeeID,
DROP COLUMN ShipperID;

6 Analisis Statistik Deskriptif (RFM)

SELECT *
FROM suppliers_data

# Data Summary
skim(suppliers_data)

Data summary

Name	suppliers_data
Number of rows	518
Number of columns	15
_______________________
Column type frequency:
character	12
numeric	3
________________________
Group variables	None

Variable type: character

skim_variable	n_missing	complete_rate	min	max	empty	n_unique	whitespace
SupplierName	0	1	8	38	0	29	0
ContactName	0	1	10	26	0	29	0
Address	0	1	12	45	0	29	0
City	0	1	4	13	0	29	0
PostalCode	0	1	3	8	0	29	0
Country	0	1	2	11	0	16	0
Phone	0	1	8	15	0	29	0
ProductName	0	1	4	32	0	77	0
Unit	0	1	5	20	0	70	0
CategoryName	0	1	7	14	0	8	0
Description	0	1	7	58	0	8	0
OrderDate	0	1	10	10	0	160	0

Variable type: numeric

skim_variable	n_missing	complete_rate	mean	sd	p0	p25	p50	p75	p100	hist
SupplierID	0	1	14.52	8.10	1.0	8	14	21.00	29.0	▅▇▆▅▆
Price	0	1	29.21	33.90	2.5	13	20	34.80	263.5	▇▁▁▁▁
Quantity	0	1	24.60	18.38	1.0	10	20	32.75	120.0	▇▃▂▁▁

6.1 Recency

6.1.1 Supplier

Recency_Supplier <- suppliers_data[,c("OrderDate","SupplierID","SupplierName")] %>%
  filter(OrderDate >= "1997-01-12") %>%
  distinct()

supplier1 <- Recency_Supplier$SupplierName %>% unique()

plots1 <- Recency_Supplier %>%
  group_by(SupplierName) %>%
  summarise(LastOrder=max(OrderDate)) %>%
  ggplot() +
  aes(x = LastOrder, y=SupplierName) +
  geom_tile(size = 1) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
          theme(axis.title = element_text(size = 16),
                axis.text = element_text(size = 10)
                )
plots1

24 Nama di atas merupakan supplier yang memenuhi standard recency, yaitu melakukan transaksi dalam sebulan terakhir, sehingga memiliki kemungkinan lebih besar untuk melakukan transaksi lagi.

6.1.2 Negara

Recency_Country <- suppliers_data[,c("OrderDate", "Country")] %>%
  filter(OrderDate >= "1997-01-12") %>%
  distinct()

country1 <- Recency_Country$Country %>% unique()

plotc1 <- ggplotly(Recency_Country %>%
  group_by(Country) %>%
  summarise(LastOrder=max(OrderDate)) %>%
  ggplot() +
  aes(x = LastOrder, y = Country, fill = Country) +
  geom_tile(size = 1) +
  theme_minimal() +
  theme(legend.position = "none",
        axis.text.x = element_text(angle = 45, hjust = 1)) +
          theme(axis.title = element_text(size = 16),
                axis.text = element_text(size = 10)
                ))
plotc1

14 negara di atas merupakan negara yang memenuhi standard recency, yaitu melakukan transaksi dalam sebulan terakhir, sehingga supplier dari negara terkait memiliki kemungkinan lebih besar untuk melakukan transaksi lagi.

6.1.3 Product

Recency_Product <- suppliers_data[,c("OrderDate", "ProductName")] %>%
  filter(OrderDate >= "1997-01-12") %>%
  distinct()

product1 <- Recency_Product$ProductName %>% unique()

plotp1 <- ggplotly(Recency_Product %>%
  group_by(ProductName) %>%
  summarise(LastOrder=max(OrderDate)) %>%
  ggplot() +
  aes(x = LastOrder, y = ProductName, fill=ProductName) +
  geom_tile(size = 1) +
  theme_minimal() +
  theme(legend.position = "none",
        axis.text.x = element_text(angle = 45, hjust = 1)) +
          theme(axis.title = element_text(size = 16),
                axis.text = element_text(size = 10)
                ))
plotp1

46 produk di atas merupakan produk yang memenuhi standard recency, yaitu dibeli dalam sebulan terakhir, sehingga produk terkait memiliki kemungkinan lebih besar untuk memproduksi lagi.

6.2 Frequency

6.2.1 Supplier

SELECT SupplierName, COUNT(Quantity) AS Quantity 
  FROM suppliers_data
    GROUP BY SupplierName

summary(freq_supp[,"Quantity"])

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    4.00   11.00   17.00   17.86   20.00   42.00

Kuartil ketiga dari total transaksi supplier adalah 20 kali transaksi.

Supplier dengan total transaksi di atas 20 adalah

Frequency_Supplier <- freq_supp %>%
  filter(Quantity >= 20)

supplier2 <- Frequency_Supplier$SupplierName

plots2 <- ggplotly(ggplot(Frequency_Supplier)+
                     aes(x = SupplierName, fill = Quantity, weight = Quantity) +
                     geom_bar() +
                     scale_fill_distiller(palette = "YlGnBu", direction = 1) +
                     labs(y = "Quantity") +
                     coord_flip() +
                     theme_minimal() +
                        theme(axis.title = element_text(size = 18),
                              axis.text  = element_text(size = 10)
                              ))
plots2

9 Nama di atas merupakan supplier yang memenuhi standard frequency, yaitu memiliki total transaksi diatas 20 transaksi, sehingga memiliki kemungkinan lebih besar untuk melakukan transaksi lagi.

6.2.2 Negara

SELECT Country, COUNT(Quantity) AS Quantity 
  FROM suppliers_data
    GROUP BY Country

summary(freq_coun[,"Quantity"])

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    4.00   15.50   30.50   32.38   51.75   65.00

Kuartil ketiga dari total transaksi tiap negara adalah 51.75 kali transaksi.

Negara dengan total transaksi di atas 51.75 adalah

Frequency_Country <- freq_coun %>%
  filter(Quantity >= 51.75)

country2 <- Frequency_Country$Country

plotc2 <- ggplotly(ggplot(Frequency_Country)+
                     aes(x = Country, fill = Quantity, weight = Quantity) +
                     geom_bar() +
                     scale_fill_distiller(palette = "YlGnBu", direction = 1) +
                     labs(y = "Quantity") +
                     coord_flip() +
                     theme_minimal() +
                        theme(axis.title = element_text(size = 18),
                              axis.text  = element_text(size = 10)
                              ))
plotc2

4 Negara di atas merupakan negara yang memenuhi standard frequency, yaitu memiliki total transaksi diatas 51.75 transaksi, sehingga memiliki kemungkinan lebih besar untuk melakukan transaksi lagi.

6.2.3 Product

SELECT ProductName, COUNT(Quantity) AS Quantity 
  FROM suppliers_data
    GROUP BY ProductName

summary(freq_prod[,"Quantity"])

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   1.000   3.000   7.000   6.727   9.000  14.000

Kuartil ketiga dari total transaksi tiap produk adalah 9 kali transaksi.

produk dengan total transaksi di atas 9 adalah

Frequency_Product <- freq_prod %>%
  filter(Quantity >= 9)

product2 <- Frequency_Product$ProductName

plotp2 <- ggplotly(ggplot(Frequency_Product)+
                     aes(x = ProductName, fill = Quantity, weight = Quantity) +
                     geom_bar() +
                     scale_fill_distiller(palette = "YlGnBu", direction = 1) +
                     labs(y = "Quantity") +
                     coord_flip() +
                     theme_minimal() +
                        theme(axis.title = element_text(size = 18),
                              axis.text  = element_text(size = 10)
                              ))
plotp2

25 produk di atas merupakan produk yang memenuhi standard frequency, yaitu memiliki total transaksi diatas 9, sehingga produk terkait memiliki kemungkinan lebih besar untuk diproduksi lagi.

6.3 Monetary

6.3.1 Supplier

suppliers_data[,c("SupplierID", "SupplierName", "Quantity")] %>%
  group_by(SupplierID) %>%
  summarise(Quantity=sum(Quantity)) %>%
  summary()

##    SupplierID    Quantity     
##  Min.   : 1   Min.   : 155.0  
##  1st Qu.: 8   1st Qu.: 209.0  
##  Median :15   Median : 431.0  
##  Mean   :15   Mean   : 439.4  
##  3rd Qu.:22   3rd Qu.: 518.0  
##  Max.   :29   Max.   :1148.0

Kuartil ketiga dari total unit produksi supplier adalah 518 unit.

Supplier dengan total unit produksi diatas 518

Quantity_Supplier <- suppliers_data[,c("SupplierName", "Quantity")] %>%
  group_by(SupplierName) %>%
  summarise(Quantity=sum(Quantity)) %>%
  filter(Quantity >=518)

supplier3 <- Quantity_Supplier$SupplierName

plots3 <- ggplotly(ggplot(Quantity_Supplier)+
                     aes(x = SupplierName, fill = Quantity, weight = Quantity) +
                     geom_bar() +
                     scale_fill_distiller(palette = "YlGnBu", direction = 1) +
                     labs(y = "Quantity") +
                     coord_flip() +
                     theme_minimal() +
                        theme(axis.title = element_text(size = 18),
                              axis.text  = element_text(size = 10)
                              ))
plots3

8 Nama di atas merupakan supplier yang memenuhi standard Monetary, yaitu memiliki total unit produksi diatas 518 unit, sehingga memiliki kemungkinan lebih besar untuk melakukan transaksi lagi.

SELECT SupplierID, SupplierName, (Quantity*Price) Total 
  FROM suppliers_data

supp_total$Total %>% summary()

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##     9.2   182.1   431.0   746.0   822.2 13175.0

Kuartil ketiga dari total jumlah produksi supplier adalah 822.2

Supplier dengan total jumlah produksi di atas $822.2 adalah

Total_Supplier <- supp_total %>%
  filter(Total >= 822.2)

supplier4 <- Total_Supplier$SupplierName

plots4 <- suppliers_data %>%
              group_by(SupplierID,SupplierName) %>%
              summarise(income = sum(Price*Quantity)) %>%
              ungroup()%>%
              filter(income >= 822.2) %>%
              mutate(Supplier = as.factor(SupplierName),
                     detail = glue("Profit : ${income}")) %>%
              ggplot(aes(x = Supplier,
                         y = income)) +
              geom_bar(aes(fill = income,
                           text = detail),
                       show.legend = T,
                       stat = "identity") +
              labs(title = "",
                   x = NULL,
                   y = "Income") +
              coord_flip()+
              theme_minimal()+
              scale_fill_gradient(low = "#afeeee", high = "#191970")

ggplotly(plots4, tooltip = "detail")

6.3.2 Negara

SELECT Country, SUM(Quantity) AS Quantity
  FROM suppliers_data
    GROUP BY Country

summary(coun_quan[,"Quantity"])

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   158.0   345.5   698.0   796.4  1247.5  1610.0

Kuartil ketiga dari total unit produksi negara adalah 1247.5 unit.

Negara dengan total unit produksi diatas 1247.5

Quantity_Country <- suppliers_data[,c("Country", "Quantity")] %>%
  group_by(Country) %>%
  summarise(Quantity=sum(Quantity)) %>%
  filter(Quantity >=1247.5)

country3 <- Quantity_Country$Country

plotc3 <- ggplotly(ggplot(Quantity_Country)+
                     aes(x = Country, fill = Quantity, weight = Quantity) +
                     geom_bar() +
                     scale_fill_distiller(palette = "YlGnBu", direction = 1) +
                     labs(y = "Quantity") +
                     coord_flip() +
                     theme_minimal() +
                        theme(axis.title = element_text(size = 18),
                              axis.text  = element_text(size = 10)
                              ))
plotc3

4 Negara di atas merupakan negara yang memenuhi standard Monetary, yaitu memiliki total unit produksi diatas 1247.5 unit, sehingga memiliki kemungkinan lebih besar untuk melakukan transaksi lagi.

SELECT Country, sum(Quantity*Price) Total 
  FROM suppliers_data
    GROUP BY Country

coun_total$Total %>% summary()

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##     711    6698   12773   24152   30681  103468

Kuartil ketiga dari total jumlah produksi negara adalah 30681

Supplier dengan total jumlah produksi di atas $30681 adalah

Total_Country <- coun_total %>%
  filter(Total >= 30681)

country4 <- Total_Country$Country

plotc4 <- suppliers_data %>%
              group_by(Country) %>%
              summarise(income = sum(Price*Quantity)) %>%
              ungroup()%>%
              filter(income >= 30681) %>%
              mutate(Country = as.factor(Country),
                     detail = glue("Profit : ${income}")) %>%
              ggplot(aes(x = Country,
                         y = income)) +
              geom_bar(aes(fill = income,
                           text = detail),
                       show.legend = T,
                       stat = "identity") +
              labs(title = "",
                   x = NULL,
                   y = "Income") +
              coord_flip()+
              theme_minimal()+
              scale_fill_gradient(low = "#afeeee", high = "#191970")

ggplotly(plotc4, tooltip = "detail")

4 Negara di atas merupakan negara yang memenuhi standard Monetary, yaitu memiliki total jumlah pembelian di atas 30681, sehingga memiliki kemungkinan lebih besar untuk melakukan transaksi lagi.

6.3.3 Produk

SELECT ProductName, SUM(Quantity) Quantity
  FROM suppliers_data
    GROUP BY ProductName

summary(prod_quan[,"Quantity"])

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##     5.0    90.0   159.0   165.5   209.0   458.0

Kuartil ketiga dari total unit produk adalah 209.0 unit.

produk dengan total unit produksi diatas 209.0

Quantity_Product <- suppliers_data[,c("ProductName", "Quantity")] %>%
  group_by(ProductName) %>%
  summarise(Quantity=sum(Quantity)) %>%
  filter(Quantity >=209.0)

product3 <- Quantity_Product$ProductName

plotp3 <- ggplotly(ggplot(Quantity_Product)+
                     aes(x = ProductName, fill = Quantity, weight = Quantity) +
                     geom_bar() +
                     scale_fill_distiller(palette = "YlGnBu", direction = 1) +
                     labs(y = "Quantity") +
                     coord_flip() +
                     theme_minimal() +
                        theme(axis.title = element_text(size = 18),
                              axis.text  = element_text(size = 10)
                              ))
plotp3

20 produk di atas merupakan produk yang memenuhi standard Monetary, yaitu memiliki total unit pembelian di atas 20, sehingga produk terkait memiliki kemungkinan lebih besar untuk diproduksi lagi.

6.4 RFM

Selanjutnya kita akan menggabungkan seluruh hasil analisis kita.

6.4.1 Supplier

supplierRFM <- c(supplier1, supplier2, supplier3, supplier4) %>% unique()
data.frame(Supplier=supplierRFM)

##                                  Supplier
## 1                                Mayumi's
## 2                           Exotic Liquid
## 3                        Forêts d'érables
## 4                               Karkki Oy
## 5                Specialty Biscuits, Ltd.
## 6                         Norske Meierier
## 7                           Pavlova, Ltd.
## 8                             G'day, Mate
## 9                    Pasta Buttini s.r.l.
## 10             Aux joyeux ecclésiastiques
## 11                             Lyngbysild
## 12      Plutzer Lebensmittelgroßmärkte AG
## 13                    Zaanse Snoepfabriek
## 14                          Tokyo Traders
## 15                           Gai pâturage
## 16                      Svensk Sjöföda AB
## 17            Heli Süßwaren GmbH & Co. KG
## 18                Formaggi Fortini s.r.l.
## 19                      Bigfoot Breweries
## 20                              Ma Maison
## 21            New England Seafood Cannery
## 22     Cooperativa de Quesos 'Las Cabras'
## 23                       PB Knäckebröd AB
## 24             New Orleans Cajun Delights
## 25 Nord-Ost-Fisch Handelsgesellschaft mbH
## 26                           Leka Trading
## 27              Grandma Kelly's Homestead
## 28                     Escargots Nouveaux

6.4.2 Country

countryRFM <- c(country1, country2, country3, country4) %>% unique()
data.frame(Country=countryRFM)

##        Country
## 1        Japan
## 2           UK
## 3       Canada
## 4      Finland
## 5       Norway
## 6    Australia
## 7        Italy
## 8       France
## 9      Denmark
## 10     Germany
## 11 Netherlands
## 12      Sweden
## 13         USA
## 14       Spain

6.4.3 Product

productRFM <- c(product1, product2, product3) %>% unique()
data.frame(product=productRFM)

##                             product
## 1                              Tofu
## 2                             Chais
## 3                    Tarte au sucre
## 4                      Lakkalikööri
## 5        Teatime Chocolate Biscuits
## 6                           Geitost
## 7                      Alice Mutton
## 8                     Perth Pasties
## 9                    Ravioli Angelo
## 10                    Côte de Blaye
## 11                        Spegesild
## 12              Scottish Longbreads
## 13  Original Frankfurter grüne Soße
## 14                            Chang
## 15                    Zaanse koeken
## 16                   Sirop d'érable
## 17                    Longlife Tofu
## 18                Camembert Pierrot
## 19                 Gudbrandsdalsost
## 20                  Mishi Kobe Niku
## 21                            Konbu
## 22                    Outback Lager
## 23                       Röd Kaviar
## 24              Gumbär Gummibärchen
## 25                Gorgonzola Telino
## 26             Raclette Courdavault
## 27                   Steeleye Stout
## 28                     Pâté chinois
## 29           Gnocchi di nonna Alice
## 30        Wimmers gute Semmelknödel
## 31                 Valkoinen suklaa
## 32                     Vegie-spread
## 33              Sir Rodney's Scones
## 34                 Boston Crab Meat
## 35                        Tourtière
## 36                   Queso Cabrales
## 37              Gustaf's Knäckebröd
## 38           Mozzarella di Giovanni
## 39             Rhönbräu Klosterbier
## 40                    Sasquatch Ale
## 41        Queso Manchego La Pastora
## 42                          Pavlova
## 43          Thüringer Rostbratwurst
## 44               Schoggi Schokolade
## 45        Louisiana Hot Spiced Okra
## 46                Rössle Sauerkraut
## 47                      Fløtemysost
## 48               Guaraná Fantástica
## 49                      Inlagd Sill
## 50  Jack's New England Clam Chowder
## 51 Louisiana Fiery Hot Pepper Sauce
## 52                 Chartreuse verte

7 Statistik Inferensial (Regresi dan Klasifikasi)

7.1

7.1.1 Pengaruh kuantitas penjualan terhadap total Keuntungan per negara.

SELECT Country, SUM(Quantity) AS Quantity, SUM(Quantity*Price) AS Total 
  FROM suppliers_data
    GROUP BY Country

si1 <- ggplotly(ggplot(stat_iferensial_1, aes(x = Quantity, y = Total))+
                    geom_point() +
                geom_smooth(se = FALSE, method = 'lm') +
                labs(x = 'Kuantitas', y='Keuntungan') +
                theme_light() +
                theme(axis.title = element_text(size = 18),
                      axis.text = element_text(size = 12))
)
si1

7.1.2 Pengaruh harga produk terhadap kuantitas penjualan

si2 <- ggplotly(ggplot(suppliers_data, aes(x = Price, y = Quantity))+
                    geom_point() +
                labs(x = 'Keuntungan ($)', y='Kuantitas') +
                theme_light() +
                theme(axis.title = element_text(size = 18),
                      axis.text = element_text(size = 12))
)
si2

7.1.3 Pengaruh jumlah supplier dengan kuantitas pembelian per negara.

SELECT  Country, COUNT(SupplierName) AS Total_Supplier_Per_Country, Quantity
  FROM suppliers_data
    GROUP BY Country

si3 <- ggplotly(ggplot(stat_iferensial_3, aes(x = Total_Supplier_Per_Country, y = Quantity))+
                    geom_point() +
                geom_smooth(se = FALSE, method = 'lm') +
                labs(x = 'Jumlah Supplier', y='Kuantitas') +
                theme_light() +
                theme(axis.title = element_text(size = 18),
                      axis.text = element_text(size = 12))
)
si3

7.2 Estimasi Regresi Linier

SELECT  Country, Quantity, Price, (Quantity*Price) AS Total, COUNT(SupplierName) AS Total_Supplier_Per_Country
  FROM suppliers_data
    GROUP BY Country

data_total

##        Country Quantity Price   Total Total_Supplier_Per_Country
## 1    Australia       40 53.00 2120.00                         59
## 2       Brazil       15  4.50   67.50                         11
## 3       Canada       21 24.00  504.00                         34
## 4      Denmark       15 12.00  180.00                          8
## 5      Finland       40 20.00  800.00                         19
## 6       France       40 34.00 1360.00                         45
## 7      Germany       12 13.00  156.00                         65
## 8        Italy        5 34.80  174.00                         51
## 9        Japan        9 23.25  209.25                         29
## 10 Netherlands       16  9.50  152.00                          4
## 11      Norway       25  2.50   62.50                         32
## 12   Singapore       10 14.00  140.00                         17
## 13       Spain       12 21.00  252.00                         11
## 14      Sweden        6 21.00  126.00                         20
## 15          UK       40 81.00 3240.00                         54
## 16         USA       10  9.65   96.50                         59

7.2.1 Pengaruh kuantitas penjualan terhadap total Keuntungan per negara.

lm1 <- lm(Total~Quantity, data = data_total)
summary(lm1)

## 
## Call:
## lm(formula = Total ~ Quantity, data = data_total)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -905.3 -253.8    0.3  212.3 1534.7 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  -473.13     265.74  -1.780 0.096706 .  
## Quantity       54.46      11.33   4.807 0.000279 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 573.4 on 14 degrees of freedom
## Multiple R-squared:  0.6227, Adjusted R-squared:  0.5958 
## F-statistic: 23.11 on 1 and 14 DF,  p-value: 0.0002789

p-value dari model linier di atas lebih kecil dari 0.05 (tingkat kesalahan 5%), yang membuktikan bahwa terdapat hubungan linier antara Kuantitas dan jumlah total produksi. Model liniernya adalah sebagai berikut:

\[Total = -473.13+54.46 \times Quantity\]

7.2.2 Pengaruh harga produk terhadap kuantitas pemesanan

lm2 <- lm(Quantity~Price, data = data_total)
summary(lm2)

## 
## Call:
## lm(formula = Quantity ~ Price, data = data_total)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -18.8733  -6.3756  -0.6712   4.0530  21.5632 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)  
## (Intercept)  11.0901     4.4201   2.509   0.0250 *
## Price         0.3673     0.1451   2.532   0.0239 *
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 11.2 on 14 degrees of freedom
## Multiple R-squared:  0.3141, Adjusted R-squared:  0.2651 
## F-statistic: 6.412 on 1 and 14 DF,  p-value: 0.02393

p-value dari model linier di atas lebih kecil dari 0.05 (tingkat kesalahan 5%), yang membuktikan bahwa terdapat hubungan linier antara Kuantitas dan harga produksi. Model liniernya adalah sebagai berikut:

\[Quantity = 11.0901+0.3673 \times Price\]

7.2.3 Pengaruh jumlah supplier dengan kuantitas penjualan per negara.

lm3 <- lm(Quantity~Total_Supplier_Per_Country, data = data_total)
summary(lm3)

## 
## Call:
## lm(formula = Quantity ~ Total_Supplier_Per_Country, data = data_total)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -17.742 -10.596  -1.075   7.976  22.399 
## 
## Coefficients:
##                            Estimate Std. Error t value Pr(>|t|)  
## (Intercept)                 14.5485     6.2414   2.331   0.0352 *
## Total_Supplier_Per_Country   0.1607     0.1642   0.979   0.3444  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 13.09 on 14 degrees of freedom
## Multiple R-squared:  0.06402,    Adjusted R-squared:  -0.002835 
## F-statistic: 0.9576 on 1 and 14 DF,  p-value: 0.3444

p-value dari model linier di atas lebih besar dari 0.05 (tingkat kesalahan 5%), yang membuktikan bahwa tidak terdapat hubungan linier antara jumlah supplier pada suatu negara dan kuantitas penjualan.

8 Kesimpulan dan Saran

8.1 Kesimpulan

Dari data RFM yang kita peroleh diatas, dapat kita lihat terdapat ada supplier, negara, dan produk yang memenuhi standard Recency Frequency dan Monetary yaitu kuartil 3 diatas dimana berarti seorang supplier dan negara diharapkan untuk memproduksi lebih banyak barang dan ada barang yang diharapkan lebih banyak di produksi. Terdapat 28 Supplier, 14 Negara, dan 52 produk yang memenuhi standard RFM.

8.2 Saran

Dari sisi 28 supplier yang memenuhi standar RFM maka mereka dapat meningkatkan produksi dan penyaluran suatu barang kepada konsumen. 14 negara yang memiliki nilai diatas standart RFM juga dapat melakukan impor barang untuk mencari informasi kelarisan produk negaranya di negara lain. 52 produk yang memenuhi standard RFM dapat dipertimbangkan harganya kembali untuk mencari keuntungan semaksimal mungkin.