References

Daftar pustaka di bawah ini dihasilkan secara otomatis oleh Quarto dari file references.bib—hanya referensi yang benar-benar dikutip di buku ini yang akan muncul. Jika kita ingin menambahkan referensi baru, tambahkan entri ke references.bib dan kutip dengan format [@kunci] di bab mana pun.

Daftar Pustaka

Bertsimas, Dimitris, and John N. Tsitsiklis. 1997. Introduction to Linear Optimization. Vol. 6. Athena Scientific.
Chauhan, Anirudh. 2024. Retail Store Inventory Forecasting Dataset. Kaggle. https://www.kaggle.com/datasets/anirudhchauhan/retail-store-inventory-forecasting-dataset.
COIN-OR Foundation. 2024. PuLP: A Linear Programming Modeler Written in Python. Https://coin-or.github.io/pulp/.
Hastie, Trevor, Robert Tibshirani, and Jerome H. Friedman. 2009. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. Springer. https://doi.org/10.1007/978-0-387-84858-7.
Hillier, Frederick S., and Gerald J. Lieberman. 2010. Introduction to Operations Research. 9th ed. McGraw-Hill Higher Education.
Hyndman, Rob J., and George Athanasopoulos. 2021. Forecasting: Principles and Practice. 3rd ed. OTexts. https://otexts.com/fpp3/.
IBM Sample Data Sets. 2019. Telco Customer Churn. Kaggle. https://www.kaggle.com/datasets/blastchar/telco-customer-churn.
James, Gareth, Daniela Witten, Trevor Hastie, and Robert Tibshirani. 2023. An Introduction to Statistical Learning: With Applications in Python. Springer. https://doi.org/10.1007/978-3-031-38747-0.
Keeney, Ralph L., and Howard Raiffa. 1993. Decisions with Multiple Objectives: Preferences and Value Tradeoffs. Cambridge University Press. https://doi.org/10.1017/CBO9781139174084.
Knaflic, Cole Nussbaumer. 2015. Storytelling with Data: A Data Visualization Guide for Business Professionals. Wiley.
Kuhn, Max, and Kjell Johnson. 2013. Applied Predictive Modeling. Springer. https://doi.org/10.1007/978-1-4614-6849-3.
Law, Averill M., and W. David Kelton. 2000. Simulation Modeling and Analysis. 3rd ed. McGraw-Hill.
McKinney, Wes. 2022. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and Jupyter. 3rd ed. O’Reilly Media.
Minto, Barbara. 2002. The Pyramid Principle: Logic in Writing and Thinking. 3rd ed. Pearson Education.
Pedregosa, Fabian, Gaël Varoquaux, Alexandre Gramfort, et al. 2011. “Scikit-Learn: Machine Learning in Python.” Journal of Machine Learning Research 12: 2825–30. https://jmlr.csail.mit.edu/papers/v12/pedregosa11a.html.
Posit Software, PBC. 2024. Quarto: An Open-Source Scientific and Technical Publishing System. Https://quarto.org/.
Tufte, Edward R. 2001. The Visual Display of Quantitative Information. 2nd ed. Graphics Press.
VanderPlas, Jake. 2016. Python Data Science Handbook: Essential Tools for Working with Data. O’Reilly Media. https://jakevdp.github.io/PythonDataScienceHandbook/.

Bacaan Lanjutan

Bagian ini tidak dihasilkan otomatis—ia adalah kurasi manual dari sumber-sumber yang, menurut penulis, paling berharga untuk memperdalam topik-topik tertentu. Semua entri di bawah ini tidak harus dikutip di buku—mereka adalah peta jalan bagi pembaca yang ingin melanjutkan.

Fondasi Analytics & Statistika

  • McKinney, W. (2022). Python for Data Analysis (3rd ed.). O’Reilly. — Referensi paling lengkap untuk pandas dan numpy. Wajib dimiliki setiap analis Python.
  • VanderPlas, J. (2016). Python Data Science Handbook. O’Reilly. — Gratis di jakevdp.github.io. Pengantar yang sangat baik untuk ekosistem data science Python.
  • Wheelan, C. (2013). Naked Statistics. W. W. Norton. — Pengantar statistika yang ramah untuk pembaca non-teknis.

Machine Learning & Predictive Analytics

  • James, G., Witten, D., Hastie, T., & Tibshirani, R. (2023). An Introduction to Statistical Learning (2nd ed., Python Edition). Springer. — Gratis di statlearning.com. Buku terbaik untuk memulai machine learning dengan dasar statistik yang kuat.
  • Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed.). Springer. — Versi lebih teknis dari ISL. Cocok untuk pembaca yang ingin memahami matematika di balik model.
  • Kuhn, M., & Johnson, K. (2013). Applied Predictive Modeling. Springer. — Fokus pada praktik—feature engineering, resampling, tuning. Sangat relevan untuk analis yang bekerja dengan data nyata.
  • Géron, A. (2022). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3rd ed.). O’Reilly. — Referensi praktis terbaik untuk scikit-learn.

Optimasi & Riset Operasi

  • Bertsimas, D., & Tsitsiklis, J. N. (1997). Introduction to Linear Optimization. Athena Scientific. — Referensi klasik untuk LP. Matematis, tetapi sangat jelas.
  • Hillier, F. S., & Lieberman, G. J. (2010). Introduction to Operations Research (9th ed.). McGraw-Hill. — Buku teks standar riset operasi—mencakup LP, IP, network flow, simulasi, dan antrean.
  • Williams, H. P. (2013). Model Building in Mathematical Programming (5th ed.). Wiley. — Fokus pada formulasi—keterampilan yang sering diabaikan tetapi paling penting dalam praktik.

Simulasi & Analisis Keputusan

  • Law, A. M., & Kelton, W. D. (2000). Simulation Modeling and Analysis (3rd ed.). McGraw-Hill. — Referensi komprehensif untuk simulasi diskrit.
  • Keeney, R. L., & Raiffa, H. (1993). Decisions with Multiple Objectives. Cambridge University Press. — Fondasi teoretis untuk multi-objective optimization.
  • Hubbard, D. W. (2014). How to Measure Anything (3rd ed.). Wiley. — Tentang mengukur ketidakpastian dan nilai informasi—sangat relevan untuk Bab 13.

Time Series

  • Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and Practice (3rd ed.). OTexts. — Gratis di otexts.com/fpp3. Buku terbaik untuk forecasting—praktis dan dapat diakses.
  • Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time Series Analysis: Forecasting and Control (5th ed.). Wiley. — Referensi klasik untuk ARIMA dan analisis time series.

Visualisasi & Komunikasi

  • Tufte, E. R. (2001). The Visual Display of Quantitative Information (2nd ed.). Graphics Press. — Klasik abadi. Wajib dibaca setiap analis yang membuat grafik.
  • Knaflic, C. N. (2015). Storytelling with Data. Wiley. — Panduan praktis untuk mengomunikasikan insight ke audiens non-teknis.
  • Cairo, A. (2016). The Truthful Art. New Riders. — Tentang visualisasi yang jujur—dan bagaimana menghindari manipulasi visual.

Causal Inference (Topik Lanjutan)

  • Cunningham, S. (2021). Causal Inference: The Mixtape. Yale University Press. — Gratis di mixtape.scunning.com. Pengantar yang sangat baik untuk metode kausal.
  • Angrist, J. D., & Pischke, J.-S. (2008). Mostly Harmless Econometrics. Princeton University Press. — Untuk pembaca yang ingin dasar ekonometrika yang kuat.
  • Pearl, J., & Mackenzie, D. (2018). The Book of Why. Basic Books. — Pengantar konseptual untuk causal inference—tanpa matematika berat.

MLOps & Deployment (Topik Lanjutan)

  • Huyen, C. (2022). Designing Machine Learning Systems. O’Reilly. — Referensi terbaik untuk membangun sistem ML yang dapat diandalkan di produksi.
  • Sculley, D., et al. (2015). “Hidden Technical Debt in Machine Learning Systems.” NeurIPS. — Paper klasik tentang mengapa model ML sulit di-deploy dan dipelihara.

Etika & Dampak Sosial

  • O’Neil, C. (2016). Weapons of Math Destruction. Crown. — Tentang bagaimana algoritma dapat memperkuat ketidakadilan—wajib dibaca setiap praktisi data.
  • Barocas, S., Hardt, M., & Narayanan, A. (2023). Fairness and Machine Learning. MIT Press. — Gratis di fairmlbook.org. Referensi teknis untuk keadilan algoritmik.

Cara Mengutip Buku Ini

Jika kita menggunakan buku ini dalam karya akademik atau profesional, silakan kutip sebagai:

[Nama kita]. (2026). Decision Analytics: Dari Data ke Keputusan. [URL repositori].

BibTeX:

@book{nama2026decision,
  title     = {Decision Analytics: Dari Data ke Keputusan},
  author    = {Chakra Roy},
  year      = {2026},
  publisher = {aropal publisher},
  url       = {https://github.com/chakraroy/decision-analytics}
}

Lisensi Konten

  • Teks buku: CC BY-NC-SA 4.0—bebas digunakan untuk tujuan non-komersial dengan atribusi dan berbagi serupa.
  • Kode: MIT License—bebas digunakan, dimodifikasi, dan didistribusikan.
  • Dataset: Mengikuti lisensi masing-masing sumber (lihat halaman Kaggle untuk detail).