Bunch of Ideas, a little bit of Maths.

I am mathematician doing market research and data science

13 minute read

Melanjutkan posting saya sebelumnya terkait pre-analisa dalam geomarketing, kali ini saya akan melanjutkan ke bagian analisa apa yang bisa kita lakukan pada geomarketing. Tulisan ini juga melanjutkan posting saya sebelumnya terkait merchant Grab pada Ramadhan tahun lalu.

Warteg, Restoran Padang, dan Bakso - Mie Ayam

Sejak kecil, saya sudah berdomisili di Kota Bekasi. Sudah banyak perkembangan yang saya rasakan di kota ini. Salah satu hal yang menarik bagi saya adalah keberadaan tempat-tempat makan kekinian di Bekasi yang semakin menjamur. Namun, apapun tempat makannya, menurut saya hanya ada tiga kategori tempat makan yang paling juara di antara yang lain. Yakni:

  • Warung Tegal,
  • Restoran Padang,
  • Bakso - Mie Ayam.

Sepenglihatan saya di Kota Bekasi, ketiga kategori ini tetap bertahan di tengah gempuran tempat makan kekinian bahkan seperti tersebar di mana-mana. Pada awal 2023, saya mengambil semua data tempat makan di Kota Bekasi.

Ada satu pertanyaan yang muncul di benak saya:

Di antara ketiga kategori tersebut, siapa yang lebih unggul?

  • Jika kita menjawab berdasarkan rasa, tentunya akan menimbulkan perdebatan karena bergantung dengan preferensi pribadi.
  • Jika kita menjawab berdasarkan harga, ini juga akan menimbulkan perdebatan yang tak kunjung selesai. hehe.

Maka dari itu, saya akan menjawabnya menggunakan prinsip bernama aksesbilitas.

Apa itu Aksesbilitas?

Aksesbilitas saya definisikan sebagai:

Seberapa terjangkau suatu lokasi dari penggunanya.

Mari kita lihat data sebagai berikut:

Dari banyaknya kategori tempat makan, kita bisa lihat bahwa bakso / mie ayam memiliki persentase terbanyak. Namun apakah bakso / mie ayam memiliki aksesbilitias yang terbaik?

Jawabannya: belum tentu. Kenapa? Bisa jadi bakso / mie ayam banyak tapi tidak tersebar secara merata. Perhatikan peta sebaran sebagai berikut:

Jika kita lihat sekilas, titik merah (bakso / mie ayam) sepertinya tersebar merata namun di beberapa area terlihat kosong. Analisa visual seperti ini tentunya menimbulkan misinterpretasi, oleh karena itu bagaimana caranya agar kita bisa menghitung aksesbilitas dengan lebih saintifik?

Untuk menghitung aksesbilitas, saya menggunakan perhitungan jarak Euclidean. Rekan-rekan bisa membacanya di tulisan saya berikut ini.

Saya mengusulkan ide perhitungan sebagai berikut:

Ide Perhitungan Aksesbilitas

Perhatikan ilustrasi sebagai berikut:

Ada dua orang konsumen yang hendak membeli makan dari tiga restoran. Posisi semua konsumen dan restoran bisa digambarkan dalam gambar di bawah. Jika diasumsikan ketiga restoran ini memiliki makanan yang sama, dan memiliki rasa serta harga yang sama, maka konsumen akan memilih restoran yang terdekat.

Aksesbilitas bisa dihitung dari jarak terpendek seorang konsumen untuk mencapai restoran.

Pada kasus ini:

  • Aksesbilitas Konsumen 1 adalah jarak antara Konsumen 1 dan Resto B.
  • Aksesbilitas Konsumen 2 adalah jarak antara Konsumen 2 dan Resto C.

Menghitung Aksesbilitas Warteg, Restoran Padang, dan Bakso - Mie Ayam

Untuk menjawab pertanyaan utama:

Di antara ketiga kategori tersebut, siapa yang lebih unggul?

Saya akan menghitung nilai aksesbilitas overall untuk ketiga kategori tempat makan tersebut. Secara simpel bisa saya bahasakan:

Di antara warteg, restoran Padang, dan Bakso - Mie Ayam: mana yang lebih mudah dijangkau oleh konsumen?

Algoritma perhitungan aksesbilitas-nya sebagai berikut:

STEP I
  generate n random longlat konsumen di kota bekasi
STEP II
  hitung jarak masing-masing konsumen ke masing-masing tempat makan
STEP III
  untuk setiap konsumen:
    pilih salah satu tempat makan terdekat per masing-masing kategori tempat makan
    simpan jarak tempat makan terdekat per kategori
STEP IV
  hitung rata-rata jarak per kategori tempat makan
STEP V
  ulangi STEP I hingga STEP IV dengan prinsip montecarlo

Sebagai ilustrasi, perhatikan peta berikut:

Maka untuk setiap konsumen akan saya hitung jarak terdekat masing-masing ke bakso, padang, dan warteg.

Contohnya ini adalah matriks jarak antara konsumen dengan masing-masing kategori tempat makan:

konsumen Warteg-1 Warteg-2 Warteg-3 Warteg-4 Warteg-5 Warteg-6 Warteg-7 Warteg-8
Konsumen-1 x x x x x x x x
Konsumen-2 x x x x x x x x
Konsumen-3 x x x x x x x x
Konsumen-4 x x x x x x x x
Konsumen-5 x x x x x x x x
Konsumen-6 x x x x x x x x
konsumen Padang-1 Padang-2 Padang-3 Padang-4 Padang-5 Padang-6 Padang-7
Konsumen-1 x x x x x x x
Konsumen-2 x x x x x x x
Konsumen-3 x x x x x x x
Konsumen-4 x x x x x x x
Konsumen-5 x x x x x x x
Konsumen-6 x x x x x x x
konsumen Bakso-1 Bakso-2 Bakso-3 Bakso-4 Bakso-5 Bakso-6 Bakso-7 Bakso-8 Bakso-9
Konsumen-1 x x x x x x x x x
Konsumen-2 x x x x x x x x x
Konsumen-3 x x x x x x x x x
Konsumen-4 x x x x x x x x x
Konsumen-5 x x x x x x x x x
Konsumen-6 x x x x x x x x x

Kemudian akan saya pilih tempat makan dengan jarak terpendek pada masing-masing konsumen, lalu saya hitung rata-rata untuk setiap kategori.

Bagaimana hasilnya?

Nilai Aksesbilitas Warteg, Restoran Padang, dan Bakso - Mie Ayam

Saya gambarkan terlebih dahulu sebaran konsumen yang telah saya generate:

Kelak, menggunakan prinsip Montecarlo saya akan mengulangi proses generating konsumen berulang kali.

Singkat cerita, saya telah menghitung nilai aksesbilitas masing-masing kategori tempat makan. Berikut adalah statistik deskriptifnya:

Saya hitung mean differences-nya untuk pasangan-pasangan data sebagai berikut:

# bakso vs padang
t.test(df_akses$akses_bakso,df_akses$akses_padang)

## 
##  Welch Two Sample t-test
## 
## data:  df_akses$akses_bakso and df_akses$akses_padang
## t = -16.805, df = 1602.4, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  -0.004280391 -0.003385623
## sample estimates:
##   mean of x   mean of y 
## 0.005905042 0.009738049

Kesimpulan I: Mean aksesbilitas Bakso / Mie Ayam lebih rendah signifikan dibandingkan Padang.

# bakso vs warteg
t.test(df_akses$akses_bakso,df_akses$akses_warteg)

## 
##  Welch Two Sample t-test
## 
## data:  df_akses$akses_bakso and df_akses$akses_warteg
## t = -21.942, df = 1383.4, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  -0.00687826 -0.00574932
## sample estimates:
##   mean of x   mean of y 
## 0.005905042 0.012218832

Kesimpulan II: Mean aksesbilitas Bakso / Mie Ayam lebih rendah signifikan dibandingkan Warteg.

# padang vs warteg
t.test(df_akses$akses_padang,df_akses$akses_warteg)

## 
##  Welch Two Sample t-test
## 
## data:  df_akses$akses_padang and df_akses$akses_warteg
## t = -7.4064, df = 1966.1, p-value = 1.916e-13
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  -0.003137683 -0.001823883
## sample estimates:
##   mean of x   mean of y 
## 0.009738049 0.012218832

Kesimpulan III: Mean aksesbilitas Padang lebih rendah signifikan dibandingkan Warteg.

Bisa saya tuliskan aksesbilitas: Bakso / Mie Ayam < Padang < Warteg.

Kesimpulan

Terlihat dengan jelas bahwa secara sebaran data, tempat makan kategori Bakso / Mie Ayam memiliki nilai aksesbilitas terkecil. Artinya:

Mie ayam lebih mudah dijangkau oleh konsumen di Kota Bekasi dibandingkan dengan kategori tempat makan lainnya (Padang dan Warteg).

Terjawab sudah pertanyaan saya sebelumnya.

if you find this article helpful, support this blog by clicking the ads.

You May Also Enjoy

Menjalankan R Studio Server di Railway.app

4 minute read

Jika rekan-rekan mengikuti tulisan saya di blog ini, kalian akan mengetahui berbagai upaya yang saya lakukan agar saya bisa menggunakan R Studio secara onlin...