utama dalam pembangunan suatu Negara adalah meningkatkan kesejahteraan rakyat. Salah satu penyebab dari permasalahan kesejahteraan rakyat adalah pembangunan yang dilakukan oleh pemerintah tidak terlaksana secara merata atau dengan kata lain pemerintah dalam melaksanakan pembangunan di suatu daerah tidak tepat sasaran. salah satu solusi yang dapat diterapkan adalah pengidentifikasian karakteristik berdasarkan tingkat kesejahteraan rakyat tiap daerah sehingga pemerintah dapat mengambil atau memutuskan kebijakan dan strategi yang baik/tepat sasaran dalam pembangunan. Dalam penilitian ini akan dibahas mengenai pengelompokan Kabupaten/Kota di Propinsi Sulawesi Selatan berdasarkan indikator kesejahteraan rakyat dengan analisis cluster. Dimana analisis cluster merupakan teknik pengelompokan objek-objek berdasarkan kemiripan karakteristik yang dimiliki. Tujuan dari penelitian ini adalah untuk mengelompokkan Kabupaten/Kota di Propinsi Sulawesi Selatan berdasarkan beberapa indikator kesejahteraan rakyat. Salah satu metode dalam analisis cluster untuk mengelompokkan adalah metode Average Linkage yaitu metode yang ditentukan dari rata-rata jarak seluruh objek pada cluster lainnya. Dari hasil analisis diperoleh bahwa pengelompokan 24 Kabupaten/Kota di Propinsi Sulawesi Selatan dapat dibentuk tiga kelompok (cluster), yaitu Cluster 1 terdiri 21 Kabupaten/Kota dimana cluster ini sangat dipengaruhi oleh variabel Kepemilikan Rumah Sendiri (X11). Selain dari variabel PDRB (X1) dan Kepemilikan Rumah Sendiri (X11) untuk ketujuh variabel lainnya memiliki rata-rata (centroid) yang paling rendah diantara cluster lainnya., Cluster 2 terdiri 2 Kabupaten/Kota dimana pada cluster ini dominan terhadap variabel Rata-Rata Lama Sekolah. Cluster 2, untuk variabel PDRB (X1) memiliki rata-rata yang paling rendah. Sedangkan untuk kedelapan variabel lainnya memiliki rata-rata (centroid) yang cukup tinggi (sedang)., dan Cluster 3 terdiri 1 Kabupaten/Kota yaitu Kota Makassar dengan variabel yang mempengaruhi yaitu variabel Kepadatan Penduduk (X2). Pada Cluster ini untuk kedelapan variabel lainnya memiliki rata-rata (centroid) yang paling tinggi diantara cluster lainnya. Sedangkan untuk variabel Kepemilikan Rumah Sendiri (X11) merupakan yang paling rendah.
Kasus pneumonia pada balita merupakan kejadian yang berdistribusi poisson, sehingga pemodelannya bisa menggunakan regresi Poisson. Tetapi kasus pneumonia pada balita berpotensi mengalami pelanggaran asumsi equidispersi yang dapat menyebabakan standar error yang tinggi dan penaksiran parameter yang tidak efisien, sehingga dalam penanganannya diperlukan sebuah model yang dapat digunakan untuk mengatasi pelanggaran asumsi equidispersi. Artikel ini membahas tentang faktor-faktor yang mempengaruhi kasus pneumonia pada balita di Provinsi Sulawesi Selatan Tahun 2018 dengan menggunakan pemodelan Generalized Poisson Regression. Berdasarkan hasil dan pembahasan penelitian dapat disimpulkan bahwa faktor yang signifikan mempengaruhi jumlah kasus pneumonia pada balita di Provinsi Sulawesi Selatan Tahun 2018 yaitu persentase bayi yang diberi ASI Eksklusif , persentase bayi yang mendapat Vitamin A , dan persentase bayi yang diimunisasi dasar lengkap . Model Generalized Poisson Regression yang didapatkan adalah:
The average value at risk (AVaR) is a measuring tool used to assess the worst loss experienced by an investor on a portfolio investment at a certain time. Furthermore. AVaR's level of confidence needs to fulfill all the axioms regarding the nature of risk for risk-varse investors. This is because the possibility of an asymmetric volatility response can be overcomed by estimating the risk of loss using the Glosten. Jagganathan. and Runkle (GJR) models. In this study. the stock price data for the period January 1-28 December 2018 were used for the response. Therefore. this study aims to determine the risk estimation of stock price loss using the Average Value at Risk with the Glosten Jagganathan and Runkle models. The results showed that the stock price obtained from the AVaR estimation with a 95% confidence level of 0.1627% may be experienced one day ahead.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.