email         : ?_?
ntraktir       : https://trakteer.id/contekansial
nyawer       : https://saweria.co/contekansial
github       : https://bit.ly/origin-AL-GitHub
youtube         : https://bit.ly/origin-AL-youtube

1 Introduction

1.1 Latar Belakang

AL.Finance merupakan perusahaan finance yang sudah mempunyai banyak cabang tersebar dimana-mana. Sejak berdiri pada Januari 2020, AL.Finance konsisten menyalurkan pembiayaan untuk masyarakat dan semakin berkembang setiap bulannya dengan membuka cabang baru.

Walaupun berumur kurang dari 1 tahun, AL.Finance sudah mempunyai banyak cabang, oleh karena itu perlu dipantau bagaimana performa dari cabang - cabang tersebut.

Pada masing-masing cabang, terdapat agen-agen yang bertugas mencari dan mendata calon mitra yang akan mengajukan pinjaman kepada AL.Finance. Lalu jika sudah disetujui, agen juga yang akan memberikan uang tersebut kepada mitra.

1.2 Tugas dan Langkah

Sebagai seorang data analyst, kamu diminta untuk menganalisis performa dari cabang-cabang yang ada di AL.Finance.

Pada tugas kali ini, kamu akan menganalisis bagaimana performa cabang pada bulan lalu, yakni Mei 2020.

Langkah yang akan dilakukan adalah:

Menyaring data untuk bulan Mei 2020
Membuat summary per cabang untuk melihat data 5 cabang terbaik dan terburuk
Karena cabang bertambah setiap bulannya, maka perlu dicek umur cabang dan performa Mei
Mencari cabang terburuk untuk masing - masing kelompok umur

2 Library dan Data yang Digunakan

2.1 Library yang Digunakan

Pada analisis kali ini, akan digunakan beberapa package yang membantu kita dalam melakukan analisis data:

Package dplyr, merupakan package yang paling sering digunakan dalam analisis data, sangat membantu dalam manipulasi data, fungsi yang paling sering digunakan adalah :

mutate() = membuat variabel baru berdasarkan variabel yang ada
select() = memilih variabel berdasarkan namannya
filter() = menyaring data berdasarkan nilai dari variabel
summarise() = mengubah beberapa nilai menjadi satu ringkasan nilai
arrange() = mengurutkan baris data

Package ggplot2, merupakan package yang digunakan untuk membuat plot dengan syntax yang konsisten. Secara umum, untuk membuat plot dengan memanggil fungsi:

ggplot(data) + geom_type(aes(x,y,fill,color))

geom_type diganti dengan fungsi sesuai dengan jenis plot yang diharapkan, misalnya geom_line, geom_bar, geom_point, geom_boxplot dan lainnya.

Packages scales, digunakan untuk memformat nilai data numerik menjadi format yang mudah dibaca. Tidak terlalu sering digunakan, tapi membantu ketika eksplorasi data. Fungsi yang biasa dipakai adalah:

comma() = mengubah numerik menjadi ada simbol ribuan, misalnya 9000000000 diubah menjadi 9,000,000,000
percent() = mengubah numerik menjadi ada format persen, misalnya 0.49139 diubah menjadi 49%

2.2 Data yang Digunakan

Dataset yang digunakan sudah disediakan dalam format rds sehingga bisa langsung dibaca di R.

Begini :

#membuat variabel dataset
AL.pinjam <- read.csv('https://storage.googleapis.com/dqlab-dataset/loan_disbursement.csv', stringsAsFactors = F)

#melihat gambaran dataset
head(AL.pinjam)

  loan_id tanggal_cair cabang agen amount
1       1   2020-01-06     AA AA-1 320000
2       2   2020-01-06     AA AA-1 440000
3       3   2020-01-06     AA AA-1 200000
4       4   2020-01-06     AA AA-2 430000
5       5   2020-01-06     AA AA-2 360000
6       6   2020-01-06     AA AA-2 220000

stringsAsFactors ini berguna agar data-data yang bertipe character (seperti nama cabang, agen dan tanggal) tidak diubah menjadi factor.

Untuk melihat datanya, bisa juga menggunakan fungsi glimpse dari package dplyr. Karena hanya menggunakan 1 fungsi, kamu bisa memanggilnya tanpa load package, yakni dengan menggunakan simbol :: dan format package::fungsi()

Begini :

#cara lain untuk melihat dataset
dplyr::glimpse(AL.pinjam)

Rows: 9,754
Columns: 5
$ loan_id      <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17…
$ tanggal_cair <chr> "2020-01-06", "2020-01-06", "2020-01-06", "2020-01-06", "…
$ cabang       <chr> "AA", "AA", "AA", "AA", "AA", "AA", "AB", "AB", "AB", "AB…
$ agen         <chr> "AA-1", "AA-1", "AA-1", "AA-2", "AA-2", "AA-2", "AB-1", "…
$ amount       <int> 320000, 440000, 200000, 430000, 360000, 220000, 320000, 4…

Terlihat bahwa ada 9,754 baris data (observations) dan ada 5 kolom (variables):

loan_id = identitas unik dari data ini
tanggal_cair = tanggal uang diberikan kepada mitra
cabang = lokasi agen bekerja dan tempat mitra terdaftar
agen = petugas lapangan yang melakukan pencairan
amount = jumlah uang yang dicairkan

3 Summary Data Bulan Lalu (Mei 2020)

3.1 Memfilter Data Bulan Mei 2020, dan Menjumlahkan Data per Cabang

Untuk melihat data bulan Mei 2020, gunakan fungsi filter() untuk menyaring data untuk tanggal dari awal Mei ‘2020-05-01’ sampai dengan akhir Mei ‘2020-05-31’.

Lalu hitung total.amount untuk masing - masing cabang menggunakan group_by() dan summarise() kemudian simpan hasilnya menjadi AL.pinjam.Mei.

Jangan lupa load package dplyr.

Lalu gunakan pipe %>% untuk menyambungkan fungsi.

Terakhir, jalankan AL.pinjam.Mei supaya datanya tampil.

Begini :

#set library yang dibutuhkan
library("dplyr")

#filter data
AL.pinjam.Mei <- AL.pinjam %>% 
  filter(tanggal_cair >= '2020-05-01', tanggal_cair <= '2020-05-31') %>% 
  group_by(cabang) %>% 
  summarise(total.amount = sum(amount))

#menampilkan hasil
AL.pinjam.Mei

# A tibble: 22 × 2
   cabang total.amount
   <chr>         <int>
 1 AA         75710000
 2 AB         81440000
 3 AC         83990000
 4 AD         76080000
 5 AE         54200000
 6 AF         68040000
 7 AG         74080000
 8 AH         73840000
 9 AI         46640000
10 AJ         43580000
# … with 12 more rows

3.2 Menampilkan Data 5 Cabang dengan Total Amount Paling Besar

Tampilkan 5 cabang terbesar dari data AL.pinjam.Mei.

Urutkan dengan fungsi arrange(), pakai desc untuk mengurutkan dari yang paling besar.

Tampilkan 5 data teratas menggunakan fungsi head().

Gunakan fungsi comma dari package scales untuk menampilkan total.amount agar lebih mudah dibandingkan.

Sebelumnya load package scales.

Jangan lupa gunakan pipe %>% untuk menyambungkan fungsi.

Begini :

#set library yang dibutuhkan
library("dplyr")
library("scales")

#menampilkan 5 cabang dengan total.amount terbesar
AL.pinjam.Mei %>% 
  arrange(desc(total.amount)) %>% 
  mutate(total.amount = comma(total.amount)) %>% 
  head(5)

# A tibble: 5 × 2
  cabang total.amount
  <chr>  <chr>       
1 AC     83,990,000  
2 AB     81,440,000  
3 AD     76,080,000  
4 AA     75,710,000  
5 AG     74,080,000

3.3 Menampilkan Data 5 Cabang dengan Total Amount Paling Kecil

Tampilkan 5 cabang terkecil dari data AL.pinjam.Mei.

Urutkan dengan fungsi arrange()dari yang paling kecil.

Tampilkan 5 data teratas menggunakan fungsi head().

Gunakan fungsi comma dari package scales untuk menampilkan total.amount agar lebih mudah dibandingkan.

Sebelumnya load package scales.

Jangan lupa gunakan pipe %>% untuk menyambungkan fungsi.

Begini :

#set library yang dibutuhkan
library("dplyr")
library("scales")

#menampilkan 5 cabang dengan total.amount terkecil
AL.pinjam.Mei %>% 
  arrange(total.amount) %>% 
  mutate(total.amount = comma(total.amount)) %>% 
  head(5)

# A tibble: 5 × 2
  cabang total.amount
  <chr>  <chr>       
1 AV     30,280,000  
2 AS     31,740,000  
3 AT     34,840,000  
4 AU     35,610,000  
5 AO     39,120,000

3.4 Kesimpulan

Terjadi perbedaan yang signifikan antara top 5 dengan bottom 5. Hal ini mungkin karena umur cabang yang berbeda-beda (ada pertumbuhan cabang baru setiap bulannya).

Selanjutnya perlu dicek apakah ada perbedaan total.amount untuk umur cabang yang berbeda-beda.

4 Melihat Hubungan Umur Cabang dengan Total Amount

4.1 Menghitung Umur Cabang (dalam Bulan)

Karena tidak tersedia data umur cabang, maka perlu dihitung terlebih dahulu, yakni dengan menghitung sudah berapa lama sejak tanggal cair pertama sampai dengan bulan Mei.

Gunakan data AL.pinjam yang berisi semua tanggal_cair dari awal lalu cari tanggal_cair pertama kali per cabang dan simpan sebagai pertama.cair.

Kemudian hitung umur dengan rumus.

umur = as.numeric(as.Date('2020-05-15') - as.Date(pertama_cair)) %/% 30`

Untuk memudahkan, cara perhitungan umur dilakukan dengan membagi jumlah selisih hari dengan 30. Karena itu tanggal batas nya menggunakan tanggal tengah bulan (2020-05-15), agar tidak terlalu mempengaruhi presisi perhitungan.

Lalu simpan sebagai data.cabang.umur.

Terakhir tampilkan data.cabang.umur.

Jangan lupa gunakan pipe %>% untuk menyambungkan fungsi.

Begini :

#set library yang dibutuhkan
library("dplyr")

#menghitung umur cabang (bulan)
data.cabang.umur <- AL.pinjam %>%
  group_by(cabang) %>% 
  summarise(pertama.cair = min(tanggal_cair)) %>% 
  mutate(umur = as.numeric(as.Date('2020-05-15') - as.Date(pertama.cair)) %/% 30) 

#menampilkan hasil
data.cabang.umur

# A tibble: 22 × 3
   cabang pertama.cair  umur
   <chr>  <chr>        <dbl>
 1 AA     2020-01-06       4
 2 AB     2020-01-06       4
 3 AC     2020-01-06       4
 4 AD     2020-01-06       4
 5 AE     2020-02-03       3
 6 AF     2020-02-03       3
 7 AG     2020-02-03       3
 8 AH     2020-02-03       3
 9 AI     2020-03-02       2
10 AJ     2020-03-02       2
# … with 12 more rows

4.2 Menggabungkan Data Umur dan Performa Mei

Selanjutnya untuk membandingkan data umur dan performa di bulan Mei, terlebih dahulu perlu digabungkan dulu data-data yang sudah dibuat sebelumnya dengan menggunakan fungsi inner_join(), lalu simpan sebagai data.pinjam.mei.umur.

Jangan lupa gunakan pipe %>% untuk menyambungkan fungsi.

Begini :

#set library yang dibutuhkan
library("dplyr")

#menggabungkan data
data.pinjam.mei.umur <- data.cabang.umur %>%
  inner_join(AL.pinjam.Mei, by = 'cabang')
  
#menampilkan hasil  
data.pinjam.mei.umur

# A tibble: 22 × 4
   cabang pertama.cair  umur total.amount
   <chr>  <chr>        <dbl>        <int>
 1 AA     2020-01-06       4     75710000
 2 AB     2020-01-06       4     81440000
 3 AC     2020-01-06       4     83990000
 4 AD     2020-01-06       4     76080000
 5 AE     2020-02-03       3     54200000
 6 AF     2020-02-03       3     68040000
 7 AG     2020-02-03       3     74080000
 8 AH     2020-02-03       3     73840000
 9 AI     2020-03-02       2     46640000
10 AJ     2020-03-02       2     43580000
# … with 12 more rows

4.3 Plot Relasi Umur dan Performa Mei

Untuk membuat plot, akan digunakan package ggplot2 agar script yang digunakan lebih konsisten ketika nanti ada perubahan dan supaya bisa lebih bisa dicustomisasi nantinya.

Gunakan data data.pinjam.mei.umur yang sudah dibuat sebelumnya.

Pada project kali ini, tidak perlu ubah theme. Silakan bisa diperlajari lagi diluar project ini.

Begini :

#set library yang dibutuhkan
library("ggplot2")

#membuat grafik hubungan
ggplot(data.pinjam.mei.umur, aes(x = umur, y = total.amount)) +
  geom_point() +
  scale_y_continuous(labels = scales::comma) +
  labs(title = "Semakin berumur, performa cabang akan semakin baik",
       x = "Umur (bulan)",
       y = "Total Amount")

4.4 Kesimpulan

Terlihat bahwa ada pola semakin tua cabang, maka performa nya semakin baik. Hal ini karena cabang tersebut masih berkembang sehingga belum sampai pada performa maksimal.

Akan tetapi pada masing-masing umur itu juga ada cabang yang performa nya dibawah yang lain.

Selanjutnya akan dianalisis cabang yang performanya lebih rendah dari yang lain pada umur yang sama.

5 Cabang dengan Performa Rendah pada Kelompok Umur

5.1 Mencari Cabang yang Performa Rendah untuk Setiap Umur

Selanjutnya Untuk mencari cabang yang performanya rendah pada setiap kelompok umur, akan digunakan nilai Quartile dan Inter Quartile Range dari setiap umur.

Dikatakan rendah jika performanya kurang dari (Q1 - IQR). Untuk itu perlu dicari dulu nilai Q1, Q3 dan IQR untuk setiap umur dengan menggunakan data data.pinjam.mei.umur. Untuk membuat variabel ini, gunakan group_by() dan mutate() karena variabel ini akan digunakan lagi oleh semua data.

Setelah itu buat variabel baru flag yang akan berisi ‘rendah’ jika performanya kurang dari (Q1 - IQR) dan ‘baik’ untuk selain itu dan simpan hasilnya sebagai data.pinjam.mei.flag.

Lalu filter data.pinjam.mei.flag hanya untuk flag rendah, agar terlihat cabang mana saja yang masuk kelompok ini, dan ubah kolom numeric menjadi comma dengan fungsi mutate_if()

Jangan lupa gunakan pipe %>% untuk menyambungkan fungsi.

Begini :

#set library yang dibutuhkan
library("dplyr")
library("scales")

#mencari performa rendah
data.pinjam.mei.flag <- data.pinjam.mei.umur %>%
  group_by(umur) %>%
  mutate(Q1 = quantile(total.amount, 0.25),
       Q3 = quantile(total.amount, 0.75),
      IQR = (Q3-Q1)) %>%
  mutate(flag = ifelse(total.amount < (Q1 - IQR), 'rendah','baik'))

#filter untuk flag rendah
data.pinjam.mei.flag %>% 
  filter(flag == 'rendah') %>% 
  mutate_if(is.numeric, funs(comma))

# A tibble: 2 × 8
# Groups:   umur [2]
  cabang pertama.cair  umur total.amount Q1         Q3         IQR       flag  
  <chr>  <chr>        <dbl> <chr>        <chr>      <chr>      <chr>     <chr> 
1 AE     2020-02-03       3 54,200,000   64,580,000 73,900,000 9,320,000 rendah
2 AL     2020-03-02       2 40,650,000   43,580,000 44,590,000 1,010,000 rendah

5.2 Membuat Scatterplot Lagi dan Memberi Warna Merah pada Cabang yang Rendah Sebelumnya

Untuk memperjelas bagaimana performa cabang yang rendah ini, plot lagi seperti sebelumnya. Sekarang menggunakan data yang baru, yakni data.pinjam.mei.flag. Lalu beri warna biru untuk cabang dengan flag 'baik' dan merah untuk yang 'rendah'.

Begini :

#set library yang dibutuhkan
library("ggplot2")

#membuat scatterplot
ggplot(data.pinjam.mei.flag, aes(x = umur, y = total.amount)) +
  geom_point(aes(color = flag)) +
  scale_color_manual(breaks = c("baik", "rendah"),
                     values = c("blue", "red")) +
  scale_y_continuous(labels = scales::comma) +
  labs(title = "Ada cabang berperforma rendah padahal tidak termasuk bottom 5 nasional",
       color = "",
       x = "Umur (bulan)",
       y = "Total Amount")

6 Analisis Cabang dengan Performa Rendah

6.1 Melihat Perbandingan Performa Cabang di Umur yang Sama

Selanjutnya akan dianalisis lebih lanjut kenapa cabang itu bisa performanya rendah di Mei.

Untuk kali ini akan dilihat hanya untuk yang umur 3 bulan saja, dilihat detail performa pada bulan Mei dengan menghitung:

jumlah hari pencairan dalam 1 bulan,
jumlah agen yang aktif,
total loan yang cair,
rata-rata amount cair per loan.

dan ubah kolom numeric menjadi comma dengan fungsi mutate_if()

Jangan lupa gunakan pipe %>% untuk menyambungkan fungsi.

Begini :

#set library yang dibutuhkan
library("dplyr")
library("scales")

data.pinjam.mei.flag %>% 
  filter(umur == 3) %>% 
  inner_join(AL.pinjam, by = 'cabang') %>% 
  filter(tanggal_cair >= '2020-05-01', tanggal_cair <= '2020-05-31') %>% 
  group_by(cabang, flag) %>% 
  summarise(jumlah_hari = n_distinct(tanggal_cair),
            agen_aktif = n_distinct(agen),
            total.pinjam.cair = n_distinct(loan_id),
            rataan_amount = mean(amount), 
            total.amount = sum(amount)) %>% 
  arrange(total.amount) %>% 
  mutate_if(is.numeric, funs(comma))

# A tibble: 4 × 7
# Groups:   cabang [4]
  cabang flag   jumlah_hari agen_aktif total.pinjam.cair rataan_amount total.a…¹
  <chr>  <chr>  <chr>       <chr>      <chr>             <chr>         <chr>    
1 AE     rendah 21          3          175               309,714       54,200,0…
2 AF     baik   21          3          225               302,400       68,040,0…
3 AH     baik   21          3          241               306,390       73,840,0…
4 AG     baik   21          3          241               307,386       74,080,0…
# … with abbreviated variable name ¹total.amount

6.2 Melihat Perbandingan Performa Agen pada Cabang yang Rendah

Dari hasil eksplorasi sebelumnya, terlihat bahwa yang berbeda jauh hanya total.pinjam.cair saja. Jumlah hari dan jumlah agen dalam 1 bulan sama semua.

Selanjutnya perlu dilihat bagaimana perbandingan nya per agent.

Untuk melanjutkan tadi, dilihat untuk yang umur 3 bulan dan flag nya rendah dilihat detail performa pada bulan Mei per agen dengan mengihitung:

jumlah hari pencairan dalam 1 bulan,
total loan yang cair,
rata-rata amount cair per loan
total amount cair

dan ubah kolom numeric menjadi comma dengan fungsi mutate_if()

Jangan lupa gunakan pipe %>% untuk menyambungkan fungsi.

Begini :

#set library yang dibutuhkan
library("dplyr")
library("scales")

data.pinjam.mei.flag %>%
  filter(umur == 3, flag == 'rendah') %>% 
  inner_join(AL.pinjam, by = 'cabang') %>% 
  filter(tanggal_cair >= '2020-05-01', tanggal_cair <= '2020-05-31') %>% 
  group_by(cabang, agen) %>% 
  summarise(jumlah_hari = n_distinct(tanggal_cair),
            total.pinjam.cair = n_distinct(loan_id),
            rataan.amount = mean(amount), 
            total.amount = sum(amount)) %>% 
  arrange(total.amount) %>% 
  mutate_if(is.numeric, funs(comma))

# A tibble: 3 × 6
# Groups:   cabang [1]
  cabang agen  jumlah_hari total.pinjam.cair rataan.amount total.amount
  <chr>  <chr> <chr>       <chr>             <chr>         <chr>       
1 AE     AE-3  4           16                310,625       4,970,000   
2 AE     AE-2  18          73                320,274       23,380,000  
3 AE     AE-1  21          86                300,581       25,850,000

6.3 Melihat Perbandingan Performa Agen pada Cabang yang Paling Baik Umur 3 Bulan

Pada tabel sebelumnya, terlihat pula bahwa ada cabang yang punya 3 agen, tapi performa nya jauh diatas cabang AE. Bahkan yang paling tinggi diantara cabang lain pada umur tersebut, lebih tinggi dari yang mempunya 4 agen. Cabang tersebut adalah cabang AH.

Dengan cara yang hampir sama, akan dilihat bagaimana performa masing-masing agen dari cabang AH tersebut. Hanya saja untuk ini bisa langsung pakai data AL.pinjam lalu filter() nama cabang nya saja.

Begini :

#set library yang dibutuhkan
library("dplyr")
library("scales")

AL.pinjam %>% 
  filter(cabang == 'AH') %>% 
  filter(tanggal_cair >= '2020-05-01', tanggal_cair <= '2020-05-31') %>% 
  group_by(cabang, agen) %>% 
  summarise(jumlah_hari = n_distinct(tanggal_cair),
            total.pinjam.cair = n_distinct(loan_id),
            rataan.amount = mean(amount), 
            total.amount = sum(amount)) %>% 
  arrange(total.amount) %>% 
  mutate_if(is.numeric, funs(comma))

# A tibble: 3 × 6
# Groups:   cabang [1]
  cabang agen  jumlah_hari total.pinjam.cair rataan.amount total.amount
  <chr>  <chr> <chr>       <chr>             <chr>         <chr>       
1 AH     AH-3  19          74                303,649       22,470,000  
2 AH     AH-1  21          81                301,358       24,410,000  
3 AH     AH-2  21          86                313,488       26,960,000

6.4 Kesimpulan

Berdasarkan analisis tersebut, dapat disimpulkan bahwa rendahnya performa dari cabang AE adalah karena salah satu agen yang melakukan pencairan hanya 4 hari dalam 1 bulan, padahal agen lain bisa aktif 21 hari.

Hal ini membuat total.amount dari agen tersebut hanya 20% dibandingkan agen yang lainnya.

Sedangkan pada cabang AH, performanya sangat baik karena ketiga agen melakukan pencairan hampir / selalu setiap hari kerja. 2 orang full 21 hari, 1 orang 19 hari. Sehingga performa nya terjaga dengan baik.

Perlu diperhatikan juga bahwa untuk membandingkan performa cabang itu sebaiknya di kelompokkan dulu berdasarkan karakteristik yang sama. Tidak langsung semua cabang dibandingkan tanpa mengetahui karakteristik nya.

Apalagi ketika dalam real world nanti, cabang ini bisa terletak di berbeda wilayah (pulau misalnya) yang mempunyai kultur yang berbeda.

Selanjutnya perlu dianalisis lebih lanjut kenapa ada agen yang hanya aktif beberapa hari saja dalam sebulan.

Untuk kedepannya setiap agen agar dipastikan untuk bisa aktif setiap hari nya, sehingga bisa menjaga performa cabang.

Project Data Analysis for Finance : Performa Cabang

@AL.

February 21, 2023

1 Introduction

1.1 Latar Belakang

1.2 Tugas dan Langkah

2 Library dan Data yang Digunakan

2.1 Library yang Digunakan

2.2 Data yang Digunakan

3 Summary Data Bulan Lalu (Mei 2020)

3.1 Memfilter Data Bulan Mei 2020, dan Menjumlahkan Data per Cabang

3.2 Menampilkan Data 5 Cabang dengan Total Amount Paling Besar

3.3 Menampilkan Data 5 Cabang dengan Total Amount Paling Kecil

3.4 Kesimpulan

4 Melihat Hubungan Umur Cabang dengan Total Amount

4.1 Menghitung Umur Cabang (dalam Bulan)

4.2 Menggabungkan Data Umur dan Performa Mei

4.3 Plot Relasi Umur dan Performa Mei

4.4 Kesimpulan

5 Cabang dengan Performa Rendah pada Kelompok Umur

5.1 Mencari Cabang yang Performa Rendah untuk Setiap Umur

5.2 Membuat Scatterplot Lagi dan Memberi Warna Merah pada Cabang yang Rendah Sebelumnya

6 Analisis Cabang dengan Performa Rendah

6.1 Melihat Perbandingan Performa Cabang di Umur yang Sama

6.2 Melihat Perbandingan Performa Agen pada Cabang yang Rendah

6.3 Melihat Perbandingan Performa Agen pada Cabang yang Paling Baik Umur 3 Bulan

6.4 Kesimpulan