Since it was declared a pandemic outbreak, the COVID 19 virus has become one of the main focuses of countries in the world in efforts to prevent the spread of the virus, including Indonesia. The areas of greatest severity in Indonesia include Jakarta, East Java, West Java and South Sulawesi. South Sulawesi Province is recorded as the largest area exposed to the COVID 19 pandemic outside Java Island. Predicting the number of COVID 19 cases is an alternative in preventing the spread through making government policies based on predictive data. This article presents a predictive model for the number of COVID 19 cases based on the ARIMA, Holt Winters and Nonlinear Autoregressive Neural Network (NAR-NN) Model. The results of the analysis show that the ARIMA Model (1,1,1) has a better level of prediction accuracy than the HW and NAR-NN models based on the MAPE criteria. Meanwhile, for the RMSE, MAE and MPE criteria, the NAR-NN model is better than others.

Salah satu upaya untuk menjaga lingkungan tetap bersih, sehat, dan bebas dari paparan virus corona adalah dengan melakukan penyemprotan cairan desinfektan. Pemerintah senantiasa menghimbau masyarakat agar dapat membuat desinfektan secara mandiri di rumah. Akan tetapi, masyarakat di Desa Suruang, Kecamatan Campalagian, Kabupaten Polewali Mandar masih banyak yang belum mengetahui cara membuat desinfektan, kalaupun masyarakat ada yang tahu membuat desinfektan pada umumnya mereka hanya sekedar mencampur bahan kimia tanpa mengetahui kandungan senyawa di dalam botol kemasan, bagaimana sifat senyawa tersebut dan bagaimana takaran tepatnya. Akibatnya, pencampuran bahan kimia tersebut justru dapat berdampak negatif bagi mereka seperti pembentukan senyawa baru yang berbahaya bagi kesehatan mereka. Olehnya itu, kegiatan dalam wujud edukasi tentang pembuatan desinfektan sangat perlu dilakukan.

Coronavirus Disease 2019 (COVID-19) adalah penyakit pandemic yang belum pernah diidentifikasi sebelumnya pada manusia. Virus penyebab COVID-19 ini dinamakan Sars-CoV-2. Dan Virus corona ini adalah zoonosis (ditularkan antara hewan dan manusia). Penyebaran COVID-19 dapat melalui droplet (partikel kecil) saat seseorang berbicara ataupun bersin, udara, dan permukaan yang terkontaminasi. Sehingga faktor utama Penyebab Peningkatan COVID-19 diantaranya meningkatnya pergerakan, aktivitas, dan interaksi penduduk, seperti  akaktivitas di transportasi publik dan tempat kerja, kemudian adanya faktor varian baru COVID-19 serta  keterkaitan pada waktu sebelumnya. Proses penyebaran dari lokasi ke lokasi lain (transmisi) melibatkan proses spasial. Data deret waktu COVID-19 dapat dimodelkan dengan model GSTAR berbasis spasio temporal pada 2 pulau di Indonesia yakni Pulau Jawa, dan Pulau Sulawesi. Bobot yang digunakan dalam penelitian ini adalah bobot invers jarak dengan Model GSTAR yang sesuai adalah GSTAR (1,1). Tingkat ramalan model GSTAR tersebut untuk semua data testing dan training  dengan bobot Invers Jarak yang memiliki RMSE terkecil berada pada model GSTAR Lokasi Pulau Jawa yaitu sebesar 0,40255. Sedangkan ramalan model GSTAR yang memiliki nilai RMSE terbesar adalah Pulau Sulawesi yakni 1,616303.

Penelitian ini bertujuan untuk menentukan model peramalan yang sesuai untuk mengatasi adanya pencilan pada debit air Kota Palopo menggunakan model ARIMA deteksi pencilan. Penelitian ini menggunakan data debit air di Kota Palopo periode bulan Januari 2010 sampai dengan bulan Desember 2015 dengan jumlah data 72 yang diperoleh dari PT. PDAM Kota Palopo. Penelitian dimulai dengan mengindentifikasi model ARIMA dengan membuat plot data deret waktu, plot ACF, dan plot PACF, apabila pada tahap ini terlihat bahwa data masih belum stasioner pada varians, hal ini dapat diatasi dengan menggunakan transformasi box-cox, namun apabila data masih belum stasioner pada mean, maka perlu untuk dilakukan differencing pada data, kemudian dilanjutkan dengan mengestimasi parameter dengan Maximum Likelihood Estimation, menguji kenormalan galat menggunakan statistik uji Kolmogorov-Smirnov serta menguji kecukupan model menggunakan statistik uji Q, memilih model terbaik, hasil uji normalitas residual menunjukkan bahwa residual model ARIMA belum white noise, dan mengindikasikan adanya outlier pada data. Sehingga, langkah selanjutnya yang dilakukan adalah deteksi outlier untuk mengeliminasi efek outlier dan memperbesar ketepatan prediksi dari model ARIMA. Implementasi pemodelan ARIMA dan deteksi outlier dilakukan dengan menggunakan SAS. Peramalan dengan model ARIMA menghasilkan ARIMA (1,1,1,) sebagai model terbaik, dengan nilai MSE 9579. Sedangkan model ARIMA dengan penambahan pencilan yaitu 64, 72, 70, 58, 52, 50, 61.

The development of COVID-19 has had a significant negative impact on Indonesia’s economic growth based on the indicator of the value of the quarterly year of year data in 2020 and 2021. Economic growth is still experiencing a recession per first quarter with a percentage of - 2.19 percent at the beginning of 2021. The government has to take vaccination measures for the community gradually with the aim of reducing the number of sufferers of these cases. The purpose of this study is to predict economic growth quarterly after vaccination using 3 (three) univariate time series models, namely ARIMA, Holt-Winters and Dynamic Linear models for policymaking. Holt-Winters and Dynamic Linear models make it possible to handle time-series data containing trends and seasonality. The data is divided into training data and test data obtained from the ministry of finance and the Indonesian Central Statistics Agency (BPS). The goodness of the model uses MSE, MAE and U-Theil criteria. Based on the results of the analysis using the R library, the results show that the best modelling for economic growth data is the ARIMA model with the lowest MSE, MAE and U-Theil values with the difference between the models being 0.000242. The ARIMA model looks better than other models because the economic growth data only contains trends and assumes a seasonal element in the data. In addition, the Holt-Winters and Dynamic Linear models produce a forecast for Indonesia’s economic growth to still experience a recession (negative growth) in the next four quarterly data, while the ARIMA model produces a positive growth forecast in the fourth quarter.

This paper depicts the frameworks of spatial regression methods which cover the spatial interaction effects and apply it to analyze the spatial distribution of poverty area for five districts in West Sulawesi. These methods consider queen contiguity-based spatial weights to create spatially lagged variables and apply to Spatial Lag Model, Spatial Error Model (SEM), Spatial Durbin Model and Ordinary Least Square (OLS) Model. The percentage of poverty area represents the observed dependent variable in this article while several independent variables are recorded by the previous research and correlated to poverty. The analysis results showed that the spatial effects should be involved to the econometric model because an estimated spatial parameter is statistically significant. To select model criteria, AIC and Likelihood ratio test are used and this criteria highlight Spatial Lag Model is better than the other model.

There are various types of data, one of which is the time-series data. This data type is capable of predicting future data with a similar speed as the forecasting method of analysis.  This method is applied by Bank Indonesia (BI) in determining currency inflows and outflows in society. Moreover, Inflows and outflows of currency are monthly time-series data which are assumed to be influenced by time. In this study, several forecasting methods were used to predict this flow of currency including ARIMA, Time Series Regression (TSR), ARIMAX, and NN. Furthermore, RMSE accuracy was used in selecting the best method for predicting the currency flow. The results showed that the ARIMAX method was the best for forecasting because this method had the smallest RMSE.

Tujuan dari penelitian ini adalah untuk mengetahui karakteristik rumah tangga miskin di Desa Cilallang Kecamatan Kamanre Kabupaten Luwu yang dilihat dari beberapa faktor-faktor yang mempengaruhinya. Data yang diperoleh dari 30 kk, terdapat lima variabel bebas (X) yaitu jumlah anak ( ), Usia ( ), jenis kelamin ( ), pendidikan terakhir ( ) dan pekerjaan ( ) dan satu variabel terikat (Y) yaitu jumlah penghasilan. Model regresi yang digunakan adalah regresi dummy dengan dua variabel penelitian yaitu variabel respon dan variabel prediktor. Dimana regresi dummy untuk data kategorik, tedapat Kabupaten/Kota yang memiliki nilai peluang (probability) dan  yang berbeda-beda yang dilihat dari setiap variabel bebas yang memiliki nilai positif dan negatif. Hasil regresi menggunakan regresi dummy untuk variabel Dummy Pendidikan terakhir (E1) yaitu 0,462 untuk nilai peluang (probability) dan yaitu sebesar 131520,078. Kemudian Dummy Pekerjaan (F1) yaitu 0,241 untuk nilai peluang (probability) dan untuk nilai  yaitu sebesar -674744,194, dummy untuk variabel Pendidikan terakhir (E2) yaitu 0,031 untuk nilai peluang (probability) dan  yaitu sebesar 337921,600, dummy pekerjaan untuk pekerjaan F2 yaitu 0,912 untuk nilai peluang (probability) sedangkan nilai  sebesar -5133,811, Usia (X2) dengan nilai peluang (probability) 0,836 dan nilai  sebesar 2309,409, dan Jumlah anak (X1) dengan nilai peluang (probability) 0,427 dan nilai  sebesar -26599,069. Dan untuk jenis kelamin (D1) dengan nilai peluang (probability) 0,645 dan untuk nilai  sebesar -117974,727. Sehingga dapat dikatakan bahwa terjadi ketidakmerataan jumlah penghasilan perbulan yang ada di Kabupaten/Kota pada wilayah tersebut