Decision-Analytics

Author

Chakra Roy

Published

October 20, 2026

Pengantar

Buku ini lahir dari satu kebiasaan sederhana: belajar sambil mengajar. Setiap bab yang kita baca adalah hasil dari proses menyiapkan materi diskusi, pelatihan, maupun kuliah, mengujinya di ruang diskusi, training dan kelas, lalu merevisinya berdasarkan pertanyaan partisipan. Karena itu, buku ini bukan monograf yang selesai sekali jadi—ia adalah buku ajar yang tumbuh bersama pembacanya.

Video pengantar

Tip

Mengapa buku ini ditulis — pengantar singkat tentang latar belakang, tujuan, dan filosofi buku.

Mengapa buku ini ada

Keputusan yang baik jarang lahir dari satu teknik tunggal. Ia biasanya merupakan hasil perjalanan panjang: memahami data apa adanya (descriptive), mencari tahu mengapa sesuatu terjadi (diagnostic), memperkirakan apa yang akan terjadi (predictive), lalu memilih tindakan terbaik di bawah ketidakpastian (prescriptive). Sayangnya, keempat tahap ini sering diajarkan terpisah—statistika di satu semester atau pada satu course, machine learning di judul yang lain, dan riset operasi di kuliah atau training terpisah—tanpa benang merah yang jelas.

Buku ini mencoba menyatukan keempatnya dalam satu narasi, menggunakan satu bahasa (Python), dan satu atau lebih dataset pendamping yang relevan atau sama dari awal hingga akhir. Tujuannya bukan menjadikan kita ahli di setiap teknik, melainkan membekali kita dengan cara berpikir yang utuh: dari data mentah hingga rekomendasi keputusan.

Satu perjalanan, tiga tahap

Tip

Peta perjalanan buku — animasi singkat yang menunjukkan alur tiga bagian dan bagaimana satu dataset yang sama dianalisis secara berbeda di setiap bagian.

Buku ini terbagi menjadi tiga bagian besar yang mencerminkan tiga tahap perjalanan tersebut:

Bagian Pertanyaan Kunci Kompetensi yang Diharapkan
I. Descriptive & Diagnostic Apa yang telah terjadi, dan mengapa? Membersihkan, mengeksplorasi, dan mendiagnosis data menjadi insight
II. Predictive Apa yang kemungkinan besar akan terjadi? Membangun dan memvalidasi model prediksi
III. Prescriptive Apa tindakan terbaik yang harus diambil? Merumuskan dan menyelesaikan model optimasi serta simulasi keputusan

Bagian I—VI dapat dibaca secara berurutan sebagai satu buku utuh, tetapi juga dirancang agar tiap bagian bisa dipakai sebagai modul course mandiri.

Untuk siapa buku ini

Buku ini ditulis untuk tiga kelompok pembaca yang sering kali tumpang tindih:

  • Mahasiswa tingkat akhir S1 atau awal S2 di bidang bisnis, ekonomi, teknik industri, statistika, atau ilmu komputer yang ingin melihat gambaran utuh analytics—bukan hanya satu teknik.
  • Praktisi yang sudah mengenal satu alat (misalnya Excel atau SQL) dan ingin memperluas cakrawala ke pemodelan prediktif dan optimasi.
  • Dosen dan pengajar yang mencari kerangka ajar siap pakai, dengan contoh kode yang bisa direproduksi dan studi kasus yang bisa langsung diadaptasi.

Bagaimana buku ini disusun

Setiap bab mengikuti pola yang sama agar mudah diikuti:

  1. Tujuan pembelajaran — tiga sampai empat butir yang menjadi target bab.
  2. Konsep inti — narasi yang menjelaskan mengapa, bukan hanya bagaimana.
  3. Contoh kode Python — dapat dijalankan langsung dari notebook.
  4. Latihan terbimbing — untuk memperkuat pemahaman melalui praktik.
  5. Studi kasus mini — menerapkan konsep pada dataset pendamping.
  6. Rangkuman — poin-poin kunci dan jembatan ke bab berikutnya.

Selain itu, bab-bab di Bagian II dan III memuat kotak “Jembatan” yang menghubungkan hasil prediksi ke keputusan nyata—supaya kita tidak berhenti di angka akurasi atau profit, tetapi sampai pada implikasi manajerialnya.

Cara menggunakan buku ini

  • Jika kita pembelajar mandiri, baca berurutan dari Bagian I. Kerjakan latihan di setiap bab sebelum melanjutkan—buku ini paling bermanfaat jika kita menulis kode, bukan hanya membacanya.
  • Jika kita pengajar, Bagian I–III dapat dipetakan langsung ke tiga course. Materi slide dan video pendek dapat ditemukan di folder slides/ pada repositori pendamping.
  • Jika kita praktisi, lompat langsung ke bagian yang relevan. Bab 1 (Fondasi) tetap disarankan sebagai titik masuk karena ia memperkenalkan dataset dan konvensi buku.

Prasyarat dan persiapan

Tip

Menyiapkan lingkungan Python — video 15 menit yang memandu instalasi, pembuatan virtual environment, dan pengujian pandas serta scikit-learn.

Buku ini mengasumsikan kita sudah mengenal dasar-dasar Python (variabel, fungsi, list, dan dictionary). Jika belum, banyak tutorial pengantar gratis yang bisa menjadi bekal awal. Yang perlu kita siapkan:

  • Python 3.10 atau lebih baru (disarankan lewat Miniconda atau uv).
  • Editor: VS Code dengan ekstensi Python dan Quarto, atau Jupyter Lab.
  • Paket Python yang tercantum dalam requirements.txt di repositori buku. Cukup jalankan:
pip install -r requirements.txt
  • Quarto CLI (versi 1.4 ke atas) jika kita ingin merender buku atau mengubah bab.

Semua kode di buku ini dijalankan dengan random_state tetap agar hasilnya dapat direproduksi. Jika kita memperoleh angka yang sedikit berbeda pada model stokastik, hal ini wajar.

Dataset pendamping

Seluruh buku menggunakan satu dataset pendamping sebagai benang merah—sebuah dataset publik tentang hal yang paling relevan di era saat ini. Dataset yang sama akan:

  • dieksplorasi dan didiagnosis di Bagian I,
  • dimodelkan untuk prediksi di Bagian II,
  • dan dijadikan dasar rekomendasi keputusan di Bagian III.

Dengan cara ini, kita melihat bagaimana satu kumpulan data dapat menghasilkan jenis pertanyaan dan jawaban yang berbeda tergantung pada tahap analytics yang sedang kita kerjakan.

Konvensi

  • Kode dalam blok abu-abu dapat dijalankan langsung jika kita membuka buku dalam format notebook atau HTML interaktif.
  • Kotak “Jembatan” menandai transisi dari analisis ke keputusan.
  • Kotak “Catatan” berisi peringatan atau asumsi penting.
  • Rujukan menggunakan format BibTeX dan dikelola melalui references.bib. kita dapat melihat daftar lengkapnya di bagian akhir buku.

Umpan balik dan kontribusi

Buku ini terbuka untuk koreksi dan perbaikan. Jika kita menemukan kekeliruan, memiliki saran studi kasus, atau ingin menerjemahkan bab ke bahasa lain, silakan buka issue atau kirim pull request melalui repositori:

Repositori: github.com/username/decision-analytics

Ucapan terima kasih

Buku ini tidak akan sampai ke tangan kita tanpa dukungan dari yang saya sayangi Argia dan Nurlina, serta rekan-rekan tim peneliti: Dr. Rusbani, Dr. Dien Kurtanty, dan Dr. Ade Heryana. Terima kasih khusus juga kepada para kontributor yang, melalui pertanyaan-pertanyaan mereka di ruang diskusi atau kelas, tanpa sadar telah menulis ulang banyak bagian dari buku ini.

Selamat membaca—dan selamat mengambil keputusan yang lebih baik.