LECTURE NOTES

MGMT6170
Business Quantitative Methods

Week 3

Forecasting

MGMT6170- Business Quantitative Method-R0

 LEARNING OUTCOMES

1. Peserta diharapkan mampu menjelaskan konspr analisis bisnis kuantitatif.

2. Peserta diharapkan mampu menerapkan konsep matematika dengan benar dan konsep
matematis dalam menyelesaikan suatu masalah bisnis.

3. Peserta diharapkan mampu menganalisis metode matematika untuk memecahkan masalah

bisnis ekonomi.

OUTLINE MATERI (Sub-Topic):

3.1.Introduction
3.2.Types of Forecasting Models
3.3.Components of Time-Series
3.4.Measures of Forecast Acuracy
3.5.Forecasting Models-Random Variations Only
3.6.Forecasting Models-Trend and Random Variation
3.7.Forecasting Models-Trend, Seasonal, and Random Variations
3.8.Monitoring and Controlling Forecast

MGMT6170- Business Quantitative Method-R0

 ISI MATERI
3.1. Introduction

Setiap hari, manajer membuat keputusan tanpa mengetahui apa yang akan terjadi
di masa depan. Inventory diadakan meskipun tidak ada yang tahu apa yang akan
dijual, peralatan baru dibeli meskipun tidak ada yang tahu permintaan untuk produk,
dan investasi dibuat meskipun tidak ada yang tahu apa keuntungannya. Manajer selalu
berusaha mengurangi ketidakpastian ini dan membuat perkiraan yang lebih baik
tentang apa yang akan terjadi di masa yang akan datang. Mencapai ini adalah tujuan
utama dari peramalan.
Ada banyak cara untuk meramalkan masa depan. Di banyak perusahaan (terutama
yang lebih kecil), seluruh proses bersifat subyektif, yang melibatkan metode-metode,
intuisi, dan pengalaman selama bertahun-tahun.
Ada juga teknik peramalan yang lebih formal, baik kuantitatif dan kualitatif. Fokus
sesi ini adalah memahami model deret waktu dan menentukan model mana yang
berfungsi paling baik dengan sekumpulan data tertentu.

3.2.Types of Forecasting Models

Gambar 3.1 mencantumkan beberapa model peramalan yang lebih umum, dan ini
dikategorikan berdasarkan jenis model. Kategori pertama melibatkan model kualitatif,
sementara yang lain bersifat kuantitatif dan menggunakan model matematika untuk
mengembangkan prakiraan yang lebih baik.
o Model Kualitatif
Model kualitatif adalah teknik peramalan berdasarkan faktor penghakiman atau
subjektif. Ketika produk yang benar-benar baru seperti iPad diperkenalkan,
meramalkan permintaan sangat sulit karena kurangnya data penjualan historis pada
produk tertentu atau pada produk serupa. Perusahaan harus bergantung pada pendapat
ahli, pengalaman individu dan penilaian, dan faktor subyektif lainnya.

MGMT6170- Business Quantitative Method-R0

 Gambar 5.1. Model Peramalan
Sumber: Render (2018)
Berikut adalah ikhtisar singkat tentang empat teknik perkiraan kualitatif yang
berbeda:

Delphi Method. Proses kelompok iteratif ini memungkinkan para ahli, yang mungkin
berada di tempat yang berbeda, untuk membuat ramalan. Ada tiga jenis peserta yang
berbeda dalam proses Delphi: pengambil keputusan, personil staf, dan responden.
Kelompok pengambilan keputusan biasanya terdiri dari 5 hingga 10 ahli yang akan
membuat perkiraan yang sebenarnya. Personil staf membantu pengambil keputusan
dengan menyiapkan, mendistribusikan, mengumpulkan, dan merangkum serangkaian
kuesioner dan hasil survei. Responden adalah sekelompok orang yang penilaiannya
dinilai. Kelompok ini memberikan masukan kepada pengambil keputusan sebelum
ramalan dibuat.
Dalam metode Delphi, ketika hasil kuesioner pertama diperoleh, hasilnya dirangkum,
dan kuesioner dimodifikasi. Baik ringkasan hasil maupun kuesioner baru kemudian
dikirim ke responden untuk memperolah tanggapan. Para responden, setelah melihat
hasil dari kuesioner pertama, dapat melihat hal-hal secara berbeda dan dapat
mengubah tanggapan asli mereka. Proses ini diulang dengan harapan bahwa

MGMT6170- Business Quantitative Method-R0

konsensus tercapai. Jury of executive opinion. Metode ini mengambil pendapat dari
sekelompok kecil manajer tingkat tinggi, sering kali dikombinasikan dengan model
statistik, dan menghasilkan perkiraan permintaan.
Sales for Composite. Dalam pendekatan ini, setiap penjual memperkirakan penjualan
apa yang akan di wilayahnya; prakiraan ini ditinjau untuk memastikan bahwa
perkiraan tersebut realistis dan kemudian digabungkan di tingkat kabupaten dan
nasional untuk mencapai perkiraan keseluruhan.
Consumer market survey. Metode ini meminta masukan dari pelanggan atau calon
pelanggan mengenai rencana pembeliannya di masa mendatang. Ini dapat membantu
tidak hanya dalam mempersiapkan ramalan tetapi juga dalam meningkatkan desain
produk dan perencanaan untuk produk baru

Model Kausal
Berbagai model peramalan kuantitatif tersedia ketika data angka terakhir tersedia.
Model peramalan diidentifikasi sebagai model kausal jika variabel yang akan
diramalkan dipengaruhi oleh atau berkorelasi dengan variabel lain yang termasuk
dalam model. Misalnya, penjualan harian air botolan mungkin tergantung pada suhu
rata-rata, kelembaban rata-rata, dan sebagainya. Model kausal akan mencakup faktor-
faktor seperti ini dalam model matematika. Model regresi dan model lain yang lebih
kompleks akan diklasifikasikan sebagai model kausal.

Time Series Model

Deret waktu (time series) juga merupakan model kuantitatif, dan banyak metode deret
waktu yang tersedia. Model time-series adalah teknik peramalan yang mencoba
memprediksi nilai variabel di masa depan dengan hanya menggunakan data historis
pada satu variabel itu. Model-model ini merupakan ekstrapolasi dari nilai-nilai masa
lalu dari seri tersebut.

3.3.Components of Time-Series
Deret waktu adalah urutan nilai yang dicatat pada interval waktu berturut-turut.
Interval dapat berupa hari, minggu, bulan, tahun, atau unit waktu lainnya. Contohnya
termasuk penjualan mingguan komputer pribadi HP, laporan penghasilan triwulan

MGMT6170- Business Quantitative Method-R0

dari Microsoft Corporation, pengiriman harian baterai Eveready, dan indeks harga
konsumen AS tahunan. Serangkaian waktu dapat terdiri dari empat komponen yang
mungkin — tren, musiman, siklus, dan acak.
Tren (T) komponen adalah gerakan umum ke atas atau ke bawah dari data selama
jangka waktu yang relatif lama. Misalnya, total penjualan untuk suatu perusahaan
dapat meningkat secara konsisten dari waktu ke waktu. Indeks harga konsumen, salah
satu ukuran inflasi, meningkat seiring waktu. Sementara gerakan ke atas (atau ke
bawah) yang konsisten merupakan indikasi tren, mungkin ada tren positif (atau
negatif) yang ada dalam rangkaian waktu, namun nilainya tidak meningkat (atau
berkurang) dalam setiap periode waktu. Mungkin ada gerakan sesekali yang
tampaknya tidak konsisten dengan tren karena fluktuasi acak atau lainnya.
Gambar 3.2 menunjukkan diagram pencar untuk beberapa deret waktu. Data untuk
semua deret secara berurutan, dan ada empat tahun data. Deret 3 memiliki komponen
tren dan acak.
Komponen musiman (seasonal, S) adalah pola fluktuasi di atas atau di bawah nilai
rata-rata yang berulang secara berkala. Misalnya, dengan data penjualan bulanan pada
snowblower, penjualan cenderung tinggi pada bulan Desember dan Januari dan lebih
rendah di musim panas, dan pola ini diharapkan berulang setiap tahun. Penjualan
kuartalan untuk toko elektronik konsumen mungkin lebih tinggi pada kuartal keempat
setiap tahun dan lebih rendah di tempat lain. Penjualan harian di toko ritel mungkin
lebih tinggi pada hari Sabtu daripada pada hari-hari lain dalam seminggu. Penjualan
per jam di restoran cepat saji biasanya diharapkan lebih tinggi di sekitar jam makan
siang dan jam makan malam, sementara waktu lain tidak sibuk. Deret 2 pada Gambar
3.2 mengilustrasikan variasi musiman untuk data triwulanan.

MGMT6170- Business Quantitative Method-R0

 Gambar 3.2. Scatter Diagram untuk Empat Deret Waktu dari Data Kuartal
Sumber: Render (2018)
Jika komponen musimanada dalam satu set data, jumlah musim tergantung pada
jenis data. Dengan data kuartalan, ada empat musim karena ada empat kuartal dalam
setahun. Dengan data bulanan, akan ada 12 musim karena ada 12 bulan dalam
setahun. Dengan data penjualan harian untuk toko ritel yang buka tujuh hari
seminggu, akan ada tujuh musim. Dengan data per jam, bisa ada 24 musim jika bisnis
buka 24 jam sehari.
Komponen siklus (cyclical, C) dari deret waktu adalah pola dalam data tahunan
yang cenderung berulang setiap beberapa tahun. Komponen siklus dari deret waktu
hanya digunakan ketika membuat perkiraan jangka panjang, dan biasanya dikaitkan
dengan siklus bisnis. Penjualan atau kegiatan ekonomi mungkin mencapai puncaknya
dan kemudian mulai surut dan berkontraksi, mencapai titik terendah atau palung. Pada
titik tertentu setelah palung tercapai, aktivitas akan meningkat seiring dengan
pemulihan dan ekspansi yang terjadi. Puncak baru akan tercapai, dan siklus akan
dimulai lagi. Gambar 3.3 menunjukkan 16 tahun data tahunan untuk rangkaian waktu
yang memiliki siklus serta komponen acak.

MGMT6170- Business Quantitative Method-R0

Gambar 3.3. Scatter Diagram untuk Deret Waktu dengan Komponen Siklis dan Acak
Sumber: Render (2018)

Komponen acak (R) terdiri dari variasi yang tidak teratur dan tidak dapat
diprediksi dalam suatu deret waktu. Setiap variasi dalam rangkaian waktu yang tidak
dapat dikaitkan dengan variasi tren, musiman, atau siklus akan jatuh ke dalam
kategori ini. Jika data untuk rangkaian waktu cenderung sejajar tanpa tren yang dapat
dilihat atau pola musiman, variasi acak akan menjadi penyebab untuk setiap
perubahan dari satu periode waktu ke periode berikutnya. Deret 1 dalam Gambar 3.2
adalah contoh deret waktu hanya dengan komponen acak.
Ada dua bentuk umum model deret waktu dalam statistik. Yang pertama adalah
model multiplikatif, yang mengasumsikan bahwa permintaan adalah produk dari
empat komponen. Dinyatakan sebagai berikut:
Demand = T x S x C x R
Model aditif menambahkan komponen bersama untuk memberikan perkiraan.
Multiple regression (regresi berganda) sering digunakan untuk mengembangkan
model aditif. Hubungan aditif ini dinyatakan sebagai berikut:
Demand = T + S + C + R

MGMT6170- Business Quantitative Method-R0

3.4.Measures of Forecast Acuracy
Untuk melihat seberapa baik satu model bekerja atau membandingkan model itu
dengan model lain, nilai perkiraan dibandingkan dengan nilai aktual atau nilai yang
diamati. Kesalahan peramalan (atau penyimpangan) didefinisikan sebagai berikut:
Kesalahan perkiraan = Nilai aktual - Nilai peramalan
Salah satu ukuran akurasi adalah penyimpangan mutlak rata-rata (Mean Absolute
Deviation, MAD). Ini dihitung dengan mengambil jumlah nilai absolut dari kesalahan
perkiraan individual dan membaginya dengan angka kesalahan (n):

Untuk mengilustrasikan cara menghitung ukuran akurasi, model naif akan digunakan
untuk memperkirakan satu periode ke masa depan. Model naif tidak mencoba untuk
mengatasi salah satu komponen dari rangkaian waktu, tetapi sangat cepat dan mudah
digunakan. Perkiraan naif untuk periode waktu berikutnya adalah nilai aktual yang
diamati dalam periode waktu saat ini. Misalnya, seseorang meminta Anda
memperkirakan suhu tinggi di kota Anda untuk besok. Jika Anda memperkirakan
suhu menjadi apa pun suhu tinggi hari ini, ramalan Anda akan menjadi ramalan yang
naif. Teknik ini sering digunakan jika ramalan dibutuhkan dengan cepat dan akurasi
bukanlah perhatian utama.
Pertimbangkan penjualan distributor Speaker nirkabel Walker yang ditunjukkan pada
Tabel 3.1. Misalkan di masa lalu, Walker meramalkan penjualan untuk setiap bulan
menjadi penjualan yang benar-benar tercapai di bulan sebelumnya. Tabel 3.1
memberikan perkiraan ini serta nilai absolut dari kesalahan. Dalam perkiraan untuk
periode waktu berikutnya (bulan 11), perkiraan akan menjadi 190. Perhatikan bahwa
tidak ada kesalahan dihitung untuk bulan 1, karena tidak ada perkiraan untuk bulan
ini, dan tidak ada kesalahan untuk bulan 11, karena sebenarnya nilai ini belum
diketahui. Jadi, jumlah kesalahan (n) adalah 9.
Tampak bahwa:

MGMT6170- Business Quantitative Method-R0

Ini berarti bahwa, rata-rata, setiap perkiraan memiliki selisih nilai aktual sebesar 17,8
unit.
Tabel 3.1. Menghitung Mean Absolute Deviation

Sumber: Render (2018)

3.5.Forecasting Models-Random Variations Only

Moving Averages
Moving averages berguna jika kita dapat mengasumsikan bahwa permintaan pasar
akan tetap stabil sepanjang waktu. Sebagai contoh, rata-rata pergerakan 4 bulan
ditemukan hanya dengan menjumlahkan permintaan selama 4 bulan terakhir dan
membaginya dengan 4. Dengan setiap bulan yang berlalu, data bulan terakhir
ditambahkan ke jumlah data 3 bulan sebelumnya, dan bulan paling awal dijatuhkan.
Ini cenderung memuluskan penyimpangan jangka pendek dalam seri data. Perkiraan
rata-rata bergerak n-periode, yang berfungsi sebagai perkiraan permintaan periode
berikutnya, dinyatakan sebagai

MGMT6170- Business Quantitative Method-R0

 berikut:

Contoh. Penyimpanan gudang penjualan di Wallace Garden Supply ditunjukkan di kolom

tengah Tabel 3.2. Rata-rata bergerak 3 bulan ditunjukkan di sebelah kanan. Perkiraan untuk
Januari mendatang, menggunakan teknik ini, adalah 16.
Tabel 3.2. Penjualan Shed Wallace Garden Supply

Sumber: Render (2018)

MGMT6170- Business Quantitative Method-R0

Weighted Moving Average

Wallace Garden Supply memutuskan untuk menggunakan perkiraan rata-rata bergerak

tertimbang 3 bulan dengan bobot 3 untuk pengamatan terbaru, 2 untuk pengamatan
berikutnya, dan 1 untuk pengamatan yang paling lama.

Hasil dari perkiraan rata-rata tertimbang Wallace Garden Supply ditunjukkan pada Tabel 3.3.
Dalam situasi peramalan khusus ini, Tampak bahwa pembobotan bulan terakhir lebih banyak
memberikan proyeksi yang jauh lebih akurat, dan menghitung MAD untuk masing-masing ini
akan memverifikasi ini.

Tabel 3.3. Moving Average Forecast untuk Wallace Garden Supply

Sumber: Render (2018)

MGMT6170- Business Quantitative Method-R0

 Tabel 3.4. Weighted Moving Average Forecast untuk Wallace Garden Supply

Sumber: Render (2018)

Exponential Smoothing

Exponential smoothing adalah metode peramalan yang mudah digunakan dan ditangani
secara efisien oleh komputer. Meskipun ini adalah jenis teknik rata-rata bergerak, ini
melibatkan sedikit pencatatan data masa lalu. Rumus pemulusan eksponensial dasar dapat
ditunjukkan sebagai berikut:

MGMT6170- Business Quantitative Method-R0

Contoh: Mari kita menerapkan konsep ini dengan uji coba-dan-kesalahan dari dua nilai dalam
contoh. Pelabuhan Baltimore telah membongkar banyak biji-bijian dari kapal selama delapan
kuartal terakhir. Manajer operasi pelabuhan ingin menguji penggunaan pemulusan
eksponensial untuk melihat seberapa baik teknik ini bekerja dalam memprediksi tonase yang
dibongkar. Dia berasumsi bahwa perkiraan biji-bijian (grain) yang dibongkar pada kuartal
pertama adalah 175 ton. Dua nilai α diperiksa: α = 0,10 dan α = 0,50. Tabel 3.5.
menunjukkan perhitungan rinci untuk a = 0,10 saja. Untuk mengevaluasi keakuratan masing-
masing smoothing konstan, kita dapat menghitung deviasi absolut dan MAD (lihat Tabel
3.6.). Berdasarkan analisis ini, konstanta penghalusan a = 0,10 lebih disukai daripada a = 0,50
karena MAD-nya lebih kecil
Tabel 3.5. Exponential Smoothing dengan α = 0,10 dan α = 0,50

Sumber: Render (2018)

MGMT6170- Business Quantitative Method-R0

 Tabel 3.6. Absolute Deviations dan MADs for Port of Baltimore

Sumber: Render (2018)

3.6.Forecasting Models-Trend and Random Variation

Trend Projection
Metode lain untuk meramalkan seri waktu dengan tren disebut tren proyeksi. Teknik
ini cocok dengan garis tren ke serangkaian titik data historis dan kemudian
memproyeksikan garis ke masa depan untuk perkiraan jangka menengah sampai jauh.
Ada beberapa persamaan tren matematika (misalnya, eksponensial dan kuadrat),
tetapi di bagian ini kita melihat tren linier (garis lurus) saja. Garis tren hanyalah
persamaan regresi linier di mana variabel independen (X) adalah periode waktu.
Periode waktu pertama adalah periode waktu 1.

Rumus: 𝑌̂= b0 + b1X

Di mana 𝑌̂ = nilai yang diprediksi
b0 = intercept
b1 = kemiringan garis
X = periode waktu (X = 1, 2, 3, …, n)

MGMT6170- Business Quantitative Method-R0

 ˆ
Contoh: Persamaan regeresi Y  56.71  10.54X
Pada tahun ke 8, atau X = 8, 𝑌̂ = 56.71 + 10,54(8) = 141.03 atau dibulatkan menjadi
141.

Seasonal Variation
Indeks seasonal menunjukkan bagaimana musim (season) tertentu dibandingkan
dengan season rata-rata.
- Index 1 menunjukkan season rat-rata.
- Index > 1 menunjukkan season lebih tinggi dari rata-rata
- Index < 1 menunjukkan season lebih rendah dari rata-rata.

Seasonal Indices

 Deseasonalized data dihitung dengan membagi setiap observasi dengan index

seasonalnya.
 Ketika peramalan deseasonal telah dikembangkan, nilainya dikalikan dengan
seasonal indices
 Dihitung dengan dua cara
o Rata-rata keseluruhan
o Pendekatan centred-moving-average

Seasonal Indices with No Trend

 Membagi nilai rata-rata untuk setiap season dengan rata-rata dari semua data
o Data penjualan dua tahun terakhir untuk satu model
o Membuat peramalan yang mencakup seasonality

Seasonal Indices with Trend

- Perubahan bisa terjadi karena trend, seasonal, atau acak

- Pendekatan Centered moving average (CMA) menunjukkan trend
diinterpretasikan sebagai seasonal

MGMT6170- Business Quantitative Method-R0

Langkah-langkah CMA

1. Hitung CMA untuk setiap observasi

2. Hitung rasio seasonal = observasi : CMA untuk observasi tsb
3. Ratio seasonal rata-rata untuk mendapatkan seasonal indices
4. Jika seasonal indices tidak menambah jumlah season, kalikan setiap indeks
dengan (jumlah season) : (jumlah indices)

3.7.Forecasting Models-Trend, Seasonal, and Random Variations

Ketika terdapat tren dan komponen musiman hadir dalam deret waktu, model
peramalan yang dipilih harus mengatasi hal ini. Metode dekomposisi, yang
menggunakan indeks musiman, adalah pendekatan yang sangat umum. Model regresi
berganda juga umum, dengan variabel dummy yang digunakan untuk menyesuaikan
variasi musiman dalam model deret waktu tambahan. Metode Dekomposisi Proses
mengisolasi tren linier dan faktor musiman untuk mengembangkan prakiraan yang
lebih akurat disebut dekomposisi. Langkah pertama adalah menghitung indeks
musiman untuk setiap musim. Kemudian, data di-deseasonalisasi dengan membagi
setiap angka berdasarkan indeks musiman, seperti yang ditunjukkan pada Tabel 3.7.
Gambar 3.4. menyediakan grafik dari data asli, serta grafik dari data deseasonalized.
Perhatikan bagaimana kelancaran data deseasonal. Garis tren kemudian ditemukan
menggunakan data deseasonal. Perangkat lunak komputer yang digunakan untuk
mengolah data ini adalah Monitoring and Controlling Forecast.
Langkah-langkah untuk Mengembangkan Prediksi Menggunakan Metode
Dekomposisi
1. Hitung indeks musiman menggunakan CMA.
2. Deseasonalisasi data dengan membagi setiap angka berdasarkan indeks musiman.
3. Temukan persamaan garis tren menggunakan data deseasonal.
4. Prakiraan untuk periode mendatang menggunakan garis tren.
5. Gandakan prediksi garis tren dengan indeks musiman yang sesuai.

MGMT6170- Business Quantitative Method-R0

Deseasonalized Data

Tabel 3.7. Deseasonalized Data for Turner Industries

Sumber : Render (2018)

Tentukan garis trend menggunakan deseasonalized data di mana X = waktu

b1 = 2.34 b0 = 124.78

Ŷ = 124.78 + 2.34X

Susunlah peramalan untuk kuartal 1, tahun 4 ( X = 13) menggunakan trend ini dan kalikan
peramalannya dengan indeks seasonal yang tepat.

Ŷ = 124.78 + 2.34(13)
= 155.2 (before seasonality adjustment)

Dengan indeks seasonal

Ŷ ´ I1 = 155.2´ 0.85 = 131.92

MGMT6170- Business Quantitative Method-R0

 Gambar 3.4. Scatterplot untuk Data Penjualan Original dari Turner Industries dan Data
Seasonalized

Sumber: Render (2018)

Regresi berganda dapat digunakan untuk peramalan dengan rend maupun komponen seasonal

- Satu variabel bebas adalah waktu

- Variaebel bebas dummy digunakan untuk menunjukkan season
- Model dekomposisi aditif
Ŷ = a + b1 X1 + b2 X 2 + b3 X 3 + b4 X 4

Di mana X1 = periode waktu

X2 = 1 jika kuartal 2

X3 = 1 jika kuartal 3

X4 = 1 jika kuartal 4

MGMT6170- Business Quantitative Method-R0

Persamaan regresi

Ŷ = 104.1 + 2.3X1 + 15.7X 2 + 38.7X 3 + 30.1X 4

Peramalan untuk dua kuartal pertama tahun berikutnya

Yˆ = 104.1 + 2.3(13) + 15.7(0) + 38.7(0) + 30.1(0) = 134

Yˆ = 104.1 + 2.3(14) + 15.7(1) + 38.7(0) + 30.1(0) = 152

3.8.Monitoring and Controlling Forecast

Pelacakan signal untuk mengukur sejauh mana peramalan memprediksi nilai seenarnya.

Running sum of forecast error (RSFE) dibagi dengan MAD

RSFE
Tracking signal =
MAD

=
å(forecast error)
MAD

MAD =
å forecast error
n

MGMT6170- Business Quantitative Method-R0

 SIMPULAN

Tujuan peramalan adalah untuk mengurangi ketidakpastian ini dan membuat

perkiraan yang lebih baik tentang apa yang akan terjadi di masa yang akan datang.
Ada beberapa model/ Teknik peramalan

- Model Kualitatif, terdiri dari

o Metode Delphi
o Juri Opni Eksekutif
o Sales Fore Composite
o Consumer Market Survey
- Metode Deret-Waktu
o Rata-rata Bergerak
o Penghalusan Eksponensial
o Proyeksi Trend
o Dekomposisi
- Metode Kausal
o Analisis Regresi
o Regresi Berganda

MGMT6170- Business Quantitative Method-R0

 DAFTAR PUSTAKA

Heizer, Jay., Stair, Ralph M., Hanna, Michael E., and Hale, Trevor S. 2017. Quantitative
Analysis for Management. Golbal Edition. Thirteen Edition. Pearson Education Limited.

MGMT6170- Business Quantitative Method-R0