analitik_​pertemuan10

Soal 1

Perhitungan IQR Manual

Data Revenue diurutkan: 250, 300, 320, 1500, 1800, 7200, 9000
Q1 (kuartil bawah) = 300  |  Q3 (kuartil atas) = 7200
IQR = Q3 − Q1 = 6900
Batas bawah = Q1 − 1.5×IQR = 300 − 10350 = −10050
Batas atas = Q3 + 1.5×IQR = 7200 + 10350 = 17550
Tidak ada outlier dengan IQR standar

Soal 2

seluruh variabel input memiliki hubungan yang kuat terhadap Performance karena memiliki nilai korelasi absolut lebih besar dari 0.7 (|r| > 0.7). Variabel Age memiliki korelasi tertinggi sebesar 0.969, diikuti Projects sebesar 0.968, Experience sebesar 0.940, dan Training_Hours sebesar -0.904.

korelasi positif pada Age, Experience, dan Projects menunjukkan bahwa peningkatan nilai variabel tersebut cenderung meningkatkan Performance. Sementara itu, Training_Hours memiliki korelasi negatif yang menunjukkan bahwa karyawan dengan performa tinggi atau pengalaman lebih banyak cenderung membutuhkan pelatihan yang lebih sedikit.

Soal 3

Hasil Segmentasi 3 Klaster

Klaster 1 — Young Spenders (ID 1, 2, 6)

Usia muda (22–25), pendapatan rendah (20–25K), Spending Score tinggi (60–85). Segmen impulsif, suka belanja meski pendapatan rendah. Cocok untuk promosi produk trendi dan cicilan.

Klaster 2 — Middle Ground (ID 3)

Usia menengah (30), pendapatan sedang (35K), Spending Score moderat (40). Pembeli selektif yang mempertimbangkan value for money. Cocok untuk loyalty program.

Klaster 3 — Mature Savers (ID 4, 5, 7)

Usia lebih tua (40–45), pendapatan tinggi (60–70K), Spending Score rendah (10–20). Hemat meski mampu. Cocok untuk produk premium dengan value proposition jelas, bukan diskon.

Soal 4

Berdasarkan hasil regresi linear, model berhasil memprediksi harga rumah dengan performa yang sangat baik. Nilai R² sebesar 0.983 menunjukkan bahwa sekitar 98.3% variasi harga rumah dapat dijelaskan oleh variabel Size_m2, Rooms, dan Distance_to_City.

Nilai RMSE sebesar 8.02 dan MAE sebesar 7.14 menunjukkan tingkat error prediksi yang relatif kecil, sehingga model cukup akurat untuk digunakan pada dataset ini.

Dari hasil analisis, Size_m2 menjadi faktor yang paling berpengaruh terhadap harga rumah, diikuti jumlah kamar (Rooms), sedangkan Distance_to_City memiliki pengaruh yang lebih kecil. Karena ukuran dataset yang sangat terbatas, penggunaan partitioning menghasilkan evaluasi yang kurang stabil, sehingga evaluasi akhir menggunakan seluruh dataset memberikan hasil yang lebih representatif.

Soal 5

Berdasarkan hasil analisis what-if menggunakan KNIME, kenaikan biaya bahan baku sebesar 10% memberikan dampak signifikan terhadap profit perusahaan. Total profit awal sebesar 2500 turun menjadi 2120 setelah kenaikan biaya, sehingga terjadi penurunan sebesar 380 atau sekitar 15.2%.

Hasil ini menunjukkan bahwa perubahan kecil pada biaya produksi dapat memengaruhi profitabilitas secara langsung. Produk dengan biaya produksi tinggi atau margin keuntungan yang tipis menjadi lebih rentan terhadap kenaikan biaya.

Oleh karena itu, perusahaan perlu menerapkan strategi efisiensi biaya, melakukan negosiasi harga bahan baku dengan supplier, serta mempertimbangkan penyesuaian harga jual agar margin keuntungan tetap terjaga.