Forum_​Pertemuan10

SOAL 1

Hasil Analisis:

• Outlier berhasil dideteksi menggunakan metode IQR.

• Nilai Revenue yang sangat tinggi menyebabkan rata-rata

menjadi bias.

• Setelah outlier dihapus, rata-rata Revenue menjadi lebih

representatif terhadap kondisi mayoritas data.

Interpretasi:

• Outlier dapat menyebabkan analisis bisnis menjadi tidak akurat.

• Prediksi penjualan dan evaluasi kinerja dapat terdistorsi.

• Penghapusan outlier membantu menghasilkan insight yang lebih stabil.

Dampak Bisnis:

1. Analisis menjadi lebih realistis.

2. Mengurangi bias pada pengambilan keputusan.

3. Membantu estimasi penjualan yang lebih akurat.

SOAL 2

Hasil Analisis:

• Analisis korelasi digunakan untuk mengetahui fitur

yang paling mempengaruhi Performance.

• Fitur dengan nilai korelasi > |0,7| dianggap memiliki

hubungan kuat.

Interpretasi:

• Experience memiliki korelasi positif yang kuat terhadap Performance.

• Projects juga menunjukkan hubungan positif terhadap Performance.

• Training_Hours memiliki pengaruh lebih kecil dibanding Experience.

Pemanfaatan:

1. Fitur berkorelasi tinggi dapat digunakan sebagai predictor.

2. Membantu meningkatkan akurasi model prediksi kinerja.

3. Menjadi dasar dalam evaluasi dan pengembangan karyawan.

SOAL 3

Hasil Analisis:

• Pelanggan berhasil dikelompokkan menjadi 3 klaster.

• Segmentasi dilakukan berdasarkan Age, Income,

dan Spending_Score.

Interpretasi Klaster:

Klaster 1:

• Pendapatan rendah

• Spending score tinggi

• Pelanggan aktif berbelanja

Klaster 2:

• Pendapatan menengah

• Pengeluaran sedang

• Pelanggan reguler

Klaster 3:

• Pendapatan tinggi

• Spending score rendah

• Pelanggan potensial yang belum optimal

Rekomendasi:

1. Berikan promosi khusus pada Klaster 1.

2. Pertahankan loyalitas Klaster 2.

3. Tingkatkan engagement Klaster 3.

SOAL 4

Hasil Analisis:

• Data dibagi menjadi 70% training dan 30% testing.

• Model regresi linear digunakan untuk memprediksi

harga rumah berdasarkan Size_m2, Rooms,

dan Distance_to_City.

Hasil Evaluasi:

• R² = 0.821

• RMSE = 25.804

Interpretasi:

• Nilai R² sebesar 0.821 menunjukkan bahwa

sekitar 82,1% variasi harga rumah dapat

dijelaskan oleh model.

• Nilai RMSE sebesar 25.804 menunjukkan bahwa

rata-rata kesalahan prediksi model sekitar

25,8 satuan harga.

• Hasil ini menunjukkan bahwa model memiliki

performa yang baik dalam memprediksi harga rumah.

Pengaruh Variabel:

• Size_m2 berpengaruh positif terhadap harga rumah.

• Semakin banyak Rooms, harga rumah cenderung meningkat.

• Distance_to_City juga mempengaruhi harga rumah

sesuai pola yang dipelajari model.

Kesimpulan:

1. Model regresi memiliki akurasi yang baik.

2. Nilai R² > 0.8 menunjukkan kemampuan prediksi yang kuat.

3. Model dapat digunakan untuk estimasi harga rumah

pada data yang serupa.

SOAL 5

Hasil Analisis:

• Profit awal dihitung dari Revenue - Cost.

• Setelah biaya naik 10%, profit seluruh produk menurun.

• Total profit awal = 2500.

• Total profit setelah simulasi = 2120.

• Terjadi penurunan profit sebesar 380 atau 15,2%.

Interpretasi:

• Kenaikan biaya bahan baku berdampak langsung

terhadap penurunan laba perusahaan.

• Margin keuntungan menjadi lebih kecil.

• Produk dengan biaya tinggi mengalami dampak terbesar.

Rekomendasi Efisiensi:

1. Evaluasi pemasok bahan baku.

2. Kurangi pemborosan selama proses produksi.

3. Tingkatkan efisiensi operasional.

4. Fokus pada produk dengan margin tinggi.

5. Pertimbangkan penyesuaian harga jual.