Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kemiskinan di Indonesia masih menjadi masalah yang harus diperhatikan setiap tahun. Menurut Laporan Susenas Maret 2022, Pulau Sulawesi menempati urutan ketiga dari enam pulau besar di Indonesia berdasarkan persentase penduduk miskin. Hal ini menunjukkan masih banyak penduduk di Pulau Sulawesi yang mengalami kemiskinan. Oleh karena itu, pemerintah perlu mengambil kebijakan yang tepat untuk mengatasi kemiskinan. Salah satu upaya yang dapat dilakukan pemerintah adalah dengan melakukan pengelompokan, yaitu mengelompokkan daerah-daerah kabupaten/kota di Pulau Sulawesi berdasarkan variabel-variabel kemiskinan. Tujuan penelitian ini adalah mengelompokkan data secara dua arah yaitu pengelompokan berdasarkan kabupaten/kota dan variabel-variabelnya secara bersamaan. Dengan terbentuknya pengelompokan kabupaten/kota dan variabel secara bersamaan akan mempermudah pemerintah untuk membuat kebijakan untuk mengatasi kemiskinan. Metode yang sesuai untuk mengelompokkan kabupaten/kota dan variabel-variabel secara bersamaan adalah metode biclustering. Metode biclustering dapat melakukan pengelompokan observasi dan karakteristik secara bersamaan sehingga terbentuk bicluster yang dapat dicirikan dengan karakteristik yang berbeda. Salah satu algoritma biclustering yaitu Iterative Signature Algorithm (ISA). Pengelompokan dengan menggunakan Iterative Signature Algorithm (ISA) memerlukan nilai ambang batas atas dan nilai ambang batas bawah. Nilai ambang batas adalah nilai yang digunakan untuk menentukan apakah suatu wilayah kabupaten/kota dan variabel-variabel dapat masuk ke dalam bicluster. Hasil yang terbaik dipilih berdasarkan rata-rata Mean Square Residu (MSR) per volume. Analisis biclustering pada data kemiskinan di Pulau Sulawesi tahun 2022 menggunakan Iterative Signature Algorithm (ISA) menghasilkan sebanyak 2 bicluster. Pemerintah diharapkan dapat membuat kebijakan yang tepat sesuai dengan masalah yang terjadi pada bicluster 1 dan bicluster 2.

---

Poverty in Indonesia is still a problem that must be addressed every year. According to the March 2022 Susenas report, Sulawesi Island ranks at third out of six major islands in Indonesia based on the percentage of the population living in poverty. This shows that there are still many people in Sulawesi Island who experience poverty.  Therefore, the government needs to take the right policy to overcome poverty. One of the efforts that the government can make is by clustering, namely grouping districts/cities on the island of Sulawesi based on poverty variables. The objective of this research is to group the data in two directions, namely grouping by district/city and its variables simultaneously. With the formation of groupings of districts/cities and variables simultaneously, it will be easier for the government to make policies to overcome poverty. The appropriate method to group districts/cities and variables together is the biclustering method. The biclustering method able to group observations and characteristics simultaneously so that biclusters formed that can be characterized differently. One of the biclustering algorithms is the Iterative Signature Algorithm (ISA). Clustering using the Iterative Signature Algorithm (ISA) requires an upper threshold value and a lower threshold value. Threshold value is the value used to determine whether a district/city and variables can be included in a bicluster. The best result is selected based on the average Mean Square Residu (MSR) per volume. Biclustering analysis of poverty data in Sulawesi Island in 2022 using Iterative Signature Algorithm (ISA) produce 2 biclusters. Based on this results, the government is expected to make a right policy to overcome poverty problems in bicluster 1 and bicluster 2."

"Pengangguran merupakan fenomena sosial yang menjadi salah satu masalah utama yang dihadapi setiap daerah di Indonesia. Salah satu cara yang dapat dilakukan untuk mengurangi angka pengangguran adalah dengan melakukan analisis terhadap faktor-faktor yang mempengaruhi tingkat pengangguran terbuka (TPT). Dibandingkan dengan metode analisis regresi linier, metode Geographically Weighted Regression (GWR) lebih diunggulkan karena dapat menangani masalah ketidakstasioneran spasial yang biasanya terjadi pada data fenomena sosial. Ketidakstasioneran spasial adalah situasi dimana hubungan antar variabel berbeda-beda secara signifikan di setiap lokasi pengamatan. Ketidakstasioneran spasial ini sering disebut juga dengan heterogen spasial. Heterogenitas spasial mengakibatkan hasil analisis regresi linier menjadi tidak akurat di beberapa lokasi. GWR menangani masalah tersebut dengan membangun model regresi di setiap lokasi pengamatan sehingga memungkinkan parameter regresi menjadi berbeda di setiap lokasi pengamatan. Pendugaan parameter pada model GWR menggunakan pembobot berdasarkan lokasi setiap pengamatan sehingga model yang diperoleh berlaku hanya untuk lokasi tersebut. Penentuan pembobot bergantung pada nilai bandwidth. Bandwidth merupakan lingkaran dengan radius ℎ dari titik pusat lokasi pengamatan yang digunakan sebagai dasar penentuan pembobot setiap lokasi pengamatan. Nilai bandwidth yang sangat kecil akan mengakibatkan variansi yang besar. Hal tersebut disebabkan karena jika nilai bandwidth sangat kecil maka jumlah pengamatan yang berada pada radius h menjadi sedikit, sehingga menyebabkan model yang diperoleh sangat kasar (undersmoothing) karena menggunakan sedikit pengamatan, dan sebaliknya. Oleh karena itu, pemilihan bandwidth optimum sangat penting dalam menentukan pembobot karena dapat mempengaruhi ketepatan model yang terbentuk. Penelitian ini bertujuan untuk mengetahui perbandingan performa model GWR yang menggunakan metode bandwidth CV, AICc, dan BIC dalam pembentukan fungsi pembobot Fixed Gaussian Kernel yang diterapkan pada data pengangguran di kabupaten/kota di Pulau Jawa. Variabel dependen yang digunakan dalam penelitian ini adalah tingkat pengangguran terbuka kabupaten/kota di Pulau Jawa, dan variabel independen yang digunakan adalah kepadatan penduduk, indeks pembangunan manusia, tingkat partisipasi angkatan kerja, upah minimum kabupaten/kota, rata-rata upah sebulan pekerja formal, dan rata-rata pendapatan bersih sebulan pekerja informal. Hasil penelitian menunjukkan bahwa setiap kabupaten/kota memiliki model GWR yang berbeda-beda. Model GWR bandwidth CV lebih baik dalam menjelaskan data pengangguran kabupaten/kota di Pulau Jawa tahun 2020 karena memiliki nilai RMSE paling kecil, yaitu 1,0904 serta nilai R2 dan Adjusted-R2 paling besar, yaitu 0,8539011 dan 0,7937159.

---

Unemployment is a social phenomenon, a problem faced by every region in Indonesia. One way that can be carried out to reduce the unemployment rate is analyzing the factors that affect the open unemployment rate (TPT). Rather than using linear regression analysis, Geographically Weighted Regression (GWR) was preferable since it gave a better representative model by effectively resolve spatial non-stationary problem which is generally exist in spatial data of social phenomenon. Spatial non-stationary is a situation when the relationship between variables are significantly different in each location of observation point. This spatial non-stationary is often refer to spatial heterogeneity. Spatial heterogeneity show that linear regression analysis will give a misleading interpretation results in some locations. GWR solve this problem by generating a single model in each observation location so the regression parameters can be different at each observation location. Parameter estimation in the GWR model uses weights based on the location of each observation so that the estimate model applies only to this location. The weighting determination depends on the bandwidth value. Bandwidth is a circle with radius ℎ from the center point of the observation location which is used as the basis for determining the weight of each observation location. Smaller bandwidth value will result a large variance. It can happen because when the bandwidth is very small, there will be a small number observations in the radius h, which can makes the estimate model is very rough (undersmoothing) because it uses few observations, and vice versa. Therefore, choosing the optimum bandwidth is very important in determining the weights where it can affect the accuracy of the model formed. This study aims to compare the performance of the GWR model using the CV, AICc, and BIC bandwidth methods in the formation of Fixed Gaussian Kernel weighted function which is applied to unemployment data in districts/cities in Java. The dependent variable used in this study is the district/city open unemployment rate in Java, and the independent variables are population density, human development index, labor force participation rate, district/city minimum wage, the average monthly wage of formal workers, and the average monthly net income of informal workers. The results show that each district/city has a different GWR model. The GWR model with CV bandwidth is better at explaining district/city unemployment data on Java Island in 2020 which it has the smallest RMSE value, 1.0904, and the largest R2 and Adjusted-R2 values, namely 0.8539011 and 0.7937159, respectively."

"Perusahaan Daerah Air Minum (PDAM) adalah salah satu unit usaha milik daerah, yang bergerak dalam distribusi air bersih bagi masyarakat umum yang terdapat di setiap provinsi, kabupaten, dan kotamadya di seluruh Indonesia. Setiap tahunnya dilakukan penilaian kerja PDAM oleh Badan Peningkatan Penyelengaraan Sistem Penyediaan Air Minum (BPPSPAM). Penilaian kerja Badan Usaha Milik Daerah (BUMD) penyelenggara SPAM merupakan upaya untuk melihat dan mengukur tingkat kinerja manajemen dalam mengelola perusahaan yang bertujuan untuk mengetahui sejauh mana efisiensi dan efektifitas pengelolaannya. Penilaian kinerja ini menggunakan empat aspek dimana setiap aspeknya memiliki indikator-indikator penilaian. Aspek yang pertama adalah aspek keuangan dengan indikator Return of Equity (ROE), rasio operasi, rasio kas, efektivitas penagihan, dan solvabilitas. Selanjutnya adalah aspek pelayanan dengan indikator-indikator, yaitu cakupan pelayanan teknis, pertumbuhan pelanggan, tingkat penyelesaian pengaduan, kualitas air pelanggan, dan konsumsi air domestik. Aspek yang ketiga adalah aspek operasional dengan indikator efisiensi produk, tingkat kehilangan air, jam operasi layanan, tekanan air pada sambungan pelanggan, dan penggantian dan (atau) kalibrasi meter air pelanggan. Aspek yang terakhir adalah aspek sumber daya manusia dengan indikator rasio pegawai, rasio diklat pegawai, dan rasio beban diklat terhadap beban pegawai. Indikator-indikator tersebut kemudian dihitung dan setiap unit PDAM dikelompokkan menjadi tiga kelompok yaitu sehat, kurang sehat, dan sakit. Pada penelitian ini dilakukan pengelompokan ulang dengan menggunakan metode clustering untuk menentukan berapa kelompok yang mungkin dihasilkan berdasarkan indikator-indikator tersebut. Indikator-indikator yang dipakai pada penelitian ini adalah Return of EquityROE), efektivitas penagihan, jam operasional, rasio pegawai, cakupan pelayanan teknis, pertumbuhan pelanggan, tingkat kehilangan air, tarif rata-rata, profit margin, rasio pelayanan, dan rasio kas. Penelitian ini menghasilkan kelompok-kelompok yang lebih rinci dibandingkan dengan kelompok yang sebelumnya. Penelitian ini juga membandingkan hasil clustering tersebut dengan pengelompokan yang sudah diterapkan oleh BPPSPAM.

---

Regional Water Use Company (Perusahaan Daerah Air Minum/PDAM) is one of the regional-owned business unit, which is engaged in the distribution of clean water for the general public in Indonesia. Every year a PDAM work assessment is carried out by the BPPSPAM. This work assessment is an effort to see and measure the level of management performance in managing the company which aims to determine the extent of efficiency and effectiveness of its management. This performance appraisal uses four aspects where each aspect has assessment indicators. The first aspect is the financial aspects with the indicators of Return of Equity (ROE), operating ratio, cash ratio, collection effectiveness, and solvency. The second one is the service aspects with indicators, namely technical service coverage, customer growth, complaint resolution rate, customer water quality, and domestic water consumption. The third one is the operational aspects with indicators of product efficiency, non-revenue water, service operating hours, water pressure at customer connection, and replacement (or) calibration of customer water meters. And the last one is the human resources aspects with indicators of employee ratio, employee training ratio, and the ratio of training expenses to employee expenses. These indicators are then calculated and PDAM units are grouped into three groups, namely healthy, unhealthy, and sick. In this study, regrouping was carried out using the clustering method to determine how many groups might be generated based on some of these indicators. The indicators used in this study are Return of Equity (ROE), billing effectiveness, operation hours, employee ratio, technical service coverage, customer growth, water loss rate, average fee, profit margin, service ratio, and cash ratio. This study also compares the results of the clustering with the grouping by BPPSPAM. This study resulted in more detailed groups than the previous groups."

"Perusahaan Daerah Air Minum (PDAM) merupakan salah satu perusahaan yang berstatus Badan Usaha Milik Daerah (BUMD). BUMD adalah perusahaan milik pemerintah daerah dengan status badan hukum organisasi yang independen, yang dipimpin oleh dewan direksi yang ditunjuk oleh pejabat pemerintah daerah dengan kepemilikan mayoritas publik. Modal dari perusahaan tersebut sebagian atau sepenuhnya berasal dari pemerintah. Selain menjadi penyelenggara layanan air bersih, PDAM juga berperan dalam menyokong Pendapatan Asli Daerah (PAD), maka dalam penilaiannya, PDAM sebagai suatu perusahaan, tidak hanya dinilai dari kualitas produksi air, namun juga bagaimana kualitas pelayanan serta keuntungan yang didapatkan dari kegiatannya. Untuk mengetahui faktor-faktor apa saja yang memiliki keterkaitan dengan kinerja PDAM di Indonesia Tahun 2019, metode statistik yang dapat digunakan adalah Metode Classification and Regression Trees (CART). CART adalah suatu metode eksplorasi statistika nonparametrik untuk mengelompokkan pengamatan-pengamatan dalam data dengan kriteria yang sama berdasarkan urutan signifikansi terkait variabel prediktor dalam pembentukan kelompok kategori. Pada penilaian Status kinerja, variabel Return of Equity (ROE), Jam Oprasional Pelayanan, Tingkat Kehilangan Air, Efektivitas Penagihan, serta Tingkat Pelayanan merupakan variabel-variabel yang cukup signifikan. Selanjutnya dilakukan Analisis menggunakan Metode Regresi Logistik. Regresi Logistik digunakan untuk mengetahui seberapa besar keterkaitan variabel-variabel prediktor (X) terhadap variabel respon (Y) yang bersifat dikotomi. Analisis ini menghasilkan model Regresi Logistik.

---

Regional Water Use Company (Perusahaan Daerah Air Minum/PDAM) is one of the companies with the status of Regional Owned Enterprises (Badan Usaha Milik Daerah/ BUMD). BUMD is a local government-owned company with the status of an independent legal entity, led by a board of directors appointed by local government officials with majority public ownership. The capital of the company comes partly or wholly from the government. In addition to being a clean water service provider, PDAM also plays a role in supporting Regional Original Revenue (Pendapatan Asli Daerah/PAD), so in its assessment, PDAM as a company is not only judged by the quality of water production, but also how the quality of service and the benefits it gets from its activities. To find out what factors affect the performance of PDAMs in Indonesia in 2019, a statistical method that can be used is the Classification and Regression Trees (CART) Method. CART is a nonparametric statistical exploration method to classify observations in the data with the same criteria based on the order of significance of the influence of the predictor variables in the formation of category groups. In the assessment of performance status, the variable Return of Equity (ROE), Service Operational Hours, Water Loss Levels, Billing Effectiveness, and Service Level are quite significant variables. The analysis is carried out using the Logistic Regression Method. Logistic regression is used to determine how much influence the predictor variables (X) have on the dichotomous response variable (Y). This analysis produces a Logistic Regression model."

"Sekolah adalah lembaga pendidikan formal yang bertujuan untuk memberikan pengajaran dan pembelajaran kepada siswa dalam berbagai bidang studi. Sekolah terdiri dari berbagai jenjang pendidikan, taman kanak-kanak hingga sekolah menengah atas. Kualitas performa suatu sekolah dapat diukur dengan melihat capaian Ujian Nasionalnya. Ujian Nasional tingkat SMA wajib diikuti oleh seluruh siswa kelas 12 dan dilaksanakan untuk menetapkan standar nasional yang akan digunakan untuk mengendalikan mutu pendidikan secara nasional. Analisis performa sekolah pada umumnya menggunakan metode konvensional sistem peringkat atau ranking berdasarkan nilai rata-rata Ujian Nasional. Analisis data nilai Ujian Nasional juga dapat dilakukan dengan berbagai cara termasuk pengelompokan data menggunakan algoritma clustering maupun biclustering. Metode clustering dapat digunakan untuk mengidentifikasi nilai sekolah yang mirip satu sama lain. Salah satu metode clustering yang populer digunakan adalah metode hierarki dan metode partisi (metode K-Means). Tetapi pada kenyataannya, masing-masing mata pelajaran memiliki penilaian yang sangat berbeda dari mata pelajaran lainnya. Penerapan biclustering pada metode pengelompokan ini diperlukan untuk mengungkap pola hubungan yang tidak terlihat antara nilai dan mata pelajaran pada data. Hal ini diimplementasikan dalam pengelompokan secara bersamaan dan simultan antara SMA (baris) dan mata pelajaran (kolom). Penelitian ini bertujuan untuk mengelompokkan SMA/MA di DKI Jakarta dan indikator nilai Ujian Nasional tahun 2019 menggunakan metode biclustering Cheng and Church dan Plaid Model serta membandingkan hasil penerapan metode tersebut menggunakan nilai indeks Jaccard dan variansi koherensi. Penelitian ini menggunakan data Capaian Nilai Ujian Nasional tahun 2019 pada SMA/MA di DKI Jakarta yang bersumber dari Kementerian Pendidikan dan Kebudayaan. Hasil penerapan metode biclustering Cheng and Church dan biclustering Plaid Model, menunjukkan bahwa bicluster-bicluster yang dihasilkan metode biclustering Plaid Model memiliki kisaran nilai indeks Jaccard dan variansi koherensi yang lebih rendah dibandingkan biclustering Cheng and Church. Hasil penelitian tersebut menunjukkan bahwa metode biclustering Plaid Model memberikan performa pengelompokan terbaik pada data Ujian Nasional. Diharapkan hasil penelitian ini dapat membantu memberikan wawasan terkait metode yang sesuai untuk diterapkan pada data dengan kondisi yang serupa.

---

A school is a formal educational institution aimed at providing teaching and learning to students in various fields of study. Schools consist of various levels of education, from kindergarten to high school. The quality of a school's performance can be measured by looking at its National Exam achievements. The National Exam at the high school level must be taken by all 12th-grade students and is conducted to establish national standards that will be used to control the quality of education on a national scale. School performance analysis generally uses conventional ranking systems based on the average National Exam scores. National Exam score data analysis can also be performed in various ways, including data clustering using clustering or biclustering algorithms. Clustering methods can be used to identify schools with similar scores. One of the popular clustering methods used is hierarchical clustering and partitioning methods (K-Means method). However, in reality, each subject has distinctly different assessments from other subjects. The application of biclustering in this clustering method is necessary to reveal hidden patterns of relationships between scores and subjects in the data. This is implemented in simultaneous grouping of both high schools (rows) and subjects (columns). This study aimsto cluster high schools (SMA/MA) in Jakarta and the 2019 National Exam score indicators using the Cheng and Church biclustering method and the Plaid Model biclustering method, and to compare the results of these methods using Jaccard index values and coherence variance. This study uses the 2019 National Exam Score Achievement data for high schools (SMA/MA) in Jakarta sourced from the Ministry of Education and Culture. The results of the application of the Cheng and Church biclustering method and the Plaid Model biclustering method show that the biclusters produced by the Plaid Model biclustering method have a lower range of Jaccard index values and coherence variance compared to Cheng and Church biclustering. The results of this study indicate that the Plaid Model biclustering method provides the best clustering performance for National Exam data. The findings of this study are expected to offer insights into the appropriate methods for application to similar data conditions."

"Sebagai negara dengan sumber daya yang melimpah, Indonesia memiliki kekayaan yang sangat besar. Kekayaan sumber daya tersebut digunakan seluas-luasnya dan seadil-adilnya untuk kemakmuran seluruh masyarakat Indonesia. Pada faktanya, masyarakat Indonesia memiliki ketimpangan ekonomi yang cukup tinggi. Oleh karena itu, penelitian ini dilakukan untuk menganalisis faktor-faktor apa saja yang dapat menjelaskan derajat ekonomi pada salah satu provinsi di Indonesia, yaitu Provinsi Jawa Tengah. Variabel independen yang digunakan dalam penelitian ini adalah Angka Kesakitan (AK), Usia Harapan Hidup (UHH), Pendapatan per Kapita (PPK), Indeks Kejahatan Terselesaikan (IKS), Angka Partisipasi Kasar tingkat Sekolah Dasar (APK) dan Kepadatan Penduduk (KP). Variabel dependen yang digunakan adalah Indeks Pembangunan Ekonomi Inklusif (IPEI) dan Persentase Penduduk Miskin (PPM). Model yang digunakan pada penelitian ini adalah Multivariate Geographically Weighted Regression. Model ini adalah model yang menggunakan lebih dari satu variabel dependen serta mempertimbangkan faktor spasial pada data. Model MGWR memberikan estimasi parameter yang berbeda untuk setiap lokasinya karena pembobotan yang dilakukan berdasarkan jarak Euclidean antar suatu lokasi terhadap lokasi lainnya. Fungsi kernel yang digunakan dalam memberikan bobot spasial adalah Fixed Tricube. Hasil dari analisis yang telah dilakukan adalah keseluruhan variabel independen memiliki variasi dalam menjelaskan kedua variabel dependen pada setiap lokasi.

---

As a country with abundant resources, Indonesia has a tremendous wealth. The utilization of these resources is extensive and fair to ensure the prosperity of all Indonesian people. However, the reality is that Indonesia has significant economic inequality. Therefore, this research aims to analyze the factors that can explain the level of economic development in one of Indonesia's provinces, Central Java Province. Independent variables used in this study are Disease Incidence Rate (AK), Life Expectancy (UHH), Income per Capita (PPK), Crime Solved Index (IKS), Gross Enrollment Rate at the Primary School (APK) and Population Density (KP). Dependent variables used are Inclusive Economic Development Index (IPEI) and Percentage of Poor Population (PPM). The model used in this research is called Multivariate Geographically Weighted Regression (MGWR). This model uses more than one dependent and takes spatial factors into model. The MGWR model provides different parameter estimates for each location, considering the weighting based on the Euclidean distance between locations. The spatial weighting is determined by the Fixed Tricube kernel function. The analysis result is that all independent variables have variations in explaining the two dependent variables at each location."

"Sebuah perusahaan memerlukan sumber daya manusia yang baik agar dapat mencapai visi, misi, serta tujuan yang telah ditetapkan. Sumber daya manusia yang baik dapat dibangun dengan meningkatkan kesejahteraan dan kenyamanan pegawai sehingga produktivitas bekerja diharapkan dapat meningkat. Salah satu upaya yang dapat dilakukan adalah pemberian reward, seperti tunjangan lokasi. Bank Syariah "X" merupakan salah satu lembaga pada bidang perbankan syariah yang memberikan tunjangan lokasi kepada pegawainya. Peraturan yang ditetapkan pada Bank Syariah "X" mengenai tunjangan lokasi merupakan tunjangan yang diberikan kepada pegawai berdasarkan lokasi pegawai tersebut bekerja. Bank Syariah "X" memiliki tiga kategori tunjangan lokasi, yaitu Zona 1, Zona 2, dan Zona 3 & 4. Kebijakan ini terakhir ditetapkan pada tahun 2021. Sedangkan, pada rentang waktu hingga saat ini, terdapat perubahan kondisi, seperti keadaan lokasi outlet (cabang), pertumbuhan ekonomi, dan relokasi outlet Bank Syariah "X". Oleh karena itu, penelitian ini bertujuan untuk menganalisis faktor-faktor yang menjelaskan penentuan zonasi tunjangan lokasi memprediksi zonasi tunjangan lokasi outlet baru dari Bank Syariah "X". Zonasi tunjangan lokasi ditentukan berdasarkan faktor kemahalan, keterpencilan, dan akses lokasi. Faktor-faktor yang diduga mewakili faktor kemahalan, keterpencilan, dan akses lokasi, serta memengaruhi penentuan zonasi tunjangan lokasi adalah indeks harga konsumen (IHK), indeks pembangunan manusia (IPM), indeks kemahalan konstruksi (IKK), indeks pilar infrastruktur (IPI), jarak outlet ke puskesmas terdekat (JOP), dan jarak outlet ke sekolah dasar terdekat (JOSD). Zonasi tunjangan lokasi terdiri dari tiga kategori, yaitu Zona 1, Zona 2, dan Zona 3 & 4 yang bersifat ordinal sehingga model yang cocok adalah regresi logistik ordinal. Berdasarkan tujuan penelitian dan jenis variabel terikat, metode analisis data yang digunakan adalah regresi logistik ordinal. Penelitian ini menghasilkan faktor-faktor yang menjelaskan penentuan zonasi tunjangan lokasi adalah indeks kemahalan konstruksi (IKK), indeks pilar infrastruktur (IPI), dan jarak outlet ke puskesmas terdekat (JOP). Model regresi logistik yang dibentuk menghasilkan akurasi sebesar 70% dan balanced accuracy pada Zona 1 sebesar 81.2%, Zona 2 sebesar 70.8%, dan Zona 3 & 4 sebesar 76.7%. Hasil model regresi logistik ordinal ini dapat digunakan untuk memprediksi zonasi tunjangan lokasi outlet baru dari Bank Syariah "X". Berdasarkan kebijakan awal Bank Syariah "X", diperoleh bahwa sebanyak 80 outlet atau sebesar 35.6% outlet salah diklasifikasikan oleh model.

---

A company needs good human resources in order to achieve the vision, mission, and goals that have been set. Good human resources can be built by improving employee welfare and comfort so that work productivity is expected to increase. One of the efforts that can be made is the reward, such as location allowances. Bank Syariah “X” is one of the institutions in the field of Islamic banking that provides location allowances to its employees. The regulations set at Bank Syariah “X” regarding location allowances are allowances given to employees based on their replacement. Bank Syariah “X” has three categories of location allowances, namely Zone 1, Zone 2, and Zones 3 & 4. This policy was last established in 2021. Meanwhile, in the time span until now, there have been changes in conditions, such as the location of outlets (branches), economic growth, and the relocation of Bank Syariah “X” outlets. Therefore, this study aims to analyze the factors that explain the determination of location allowance zoning and predict the location allowance zoning of new outlets of Bank Syariah “X”. Location allowance zoning is determined based on the factors of costliness, remoteness, and location access. Factors that are thought to represent the factors of costliness, remoteness, and location access, and influence the determination of location allowance zoning are the consumer price index (CPI), human development index (HDI), construction cost index (CCI), infrastructure pillar index (IPI), outlet distance to the nearest health center (JOP), and outlet distance to the nearest elementary school (JOSD). The location allowance zoning consists of three categories, namely Zone 1, Zone 2, and Zone 3 & 4, which are ordinal in nature, so the suitable model is ordinal logistic regression. Based on the research objectives and the type of dependent variable, the data analysis method used is ordinal logistic regression. This research results in factors that explain the zoning determination of location allowances are the construction cost index (CCI), infrastructure pillar index (IPI), and the distance of the outlet to the nearest health center (JOP). The logistic regression model that was formed produced an accuracy of 70% and balanced accuracy in Zone 1 of 81.2%, Zone 2 of 70.8%, and Zones 3 & 4 of 76.7%. The results of this ordinal logistic regression model can be used to predict the zoning allowances for the location of new outlets of Bank Syariah “X”. Based on the initial policy of Bank Syariah "X", it's obtained that 80 outlets or 35.6% of outlets misclassified by the model. "

"Angka kematian bayi (AKB) didefinisikan sebagai jumlah kematian bayi di bawah usia satu tahun per 1000 kelahiran hidup pada satu tahun tertentu. Angka kematian bayi merupakan salah satu indikator penting yang dapat mencerminkan derajat kesehatan suatu masyarakat. Target angka kematian bayi pada Sustainable Development Goals (SDGs) yang berlaku sejak tahun 2015 sampai tahun 2030 adalah 12 kematian per 1000 kelahiran hidup. Berdasarkan hasil long form sensus penduduk BPS, AKB di Indonesia tahun 2022 adalah 17 kematian per 1000 kelahiran hidup, angka tersebut masih tergolong tinggi apabila dibandingkan dengan beberapa negara di ASEAN. Angka kematian bayi dipengaruhi oleh beberapa variabel. Analisis mengenai variabel-variabel yang memengaruhi AKB dapat dilakukan dengan analisis regresi linier klasik. Namun, nilai pengamatan seperti AKB dan variabel-variabel yang memengaruhinya memuat informasi lokasi (spasial), sehingga seringkali terjadi ketergantungan spasial antar pengamatan yang mengakibatkan asumsi saling bebas pada model regresi linier tidak terpenuhi. Oleh karena itu, pemodelan dapat dilakukan dengan menggunakan model regresi spasial yang memperhatikan keterkaitan antar lokasi. Tujuan dari penelitian ini adalah menganalisis ketergantungan spasial pada data AKB di  Pulau Jawa dan memodelkan AKB di Pulau Jawa tahun 2022 menggunakan General Nesting Spatial Model (GNSM) untuk menganalisis variabel-variabel yang memengaruhinya. Hasil uji autokorelasi spasial menggunakan uji Moran’s I menyimpulkan bahwa terdapat autokorelasi spasial pada variabel terikat (AKB), variabel bebas, dan pada residual model regresi linier. Berdasarkan nilai AIC dan, diperoleh kesimpulan General Nesting Spatial Model (GNSM) lebih baik dalam memodelkan Angka Kematian Bayi (AKB) di Pulau Jawa tahun 2022 dibandingkan Spatial Durbin Model (SDM) dan General Spatial Model(GSM).

---

Infant mortality rate (IMR) is defined as the number of deaths of infants under one year of age per 1000 live births in a given year. Infant mortality rate is one of the important indicators that can reflect the health level of a community. The infant mortality target in the Sustainable Development Goals (SDGs) that apply since 2015 to 2030 is 12 deaths per 1000 live births. Based on the results of the BPS long form population census, the IMR in Indonesia in 2022 is 17 deaths per 1000 live births, which is still relatively high compared to several countries in ASEAN. Infant mortality rates are influenced by several variables. Analysis of the variables that influence IMR can be done with classical linear regression analysis. However, observation values such as IMR and the variables that affect it contain location (spatial) information, so there is often spatial dependence between observations which results in the assumption of mutual independence in linear regression models not being met. Therefore, modeling can be done using spatial regression model that considers the interrelationships between locations. The purpose of this study is to analyze the spatial dependence of IMR data in Java Island and model IMR in Java Island in 2022 using the General Nesting Spatial Model (GNSM) to analyze the variables that affect it. The results of the spatial autocorrelation test using Moran's I test concluded that there is spatial autocorrelation in the dependent variable (IMR), independent variables, and in the residuals of the linear regression model. Based on the AIC and  values, it is concluded that General Nesting Spatial Model (GNSM) is better in modeling the Infant Mortality Rate (IMR) in Java Island in 2022 than Spatial Durbin Model (SDM) and General Spatial Model (GSM)."

"Model regresi logistik spasial membangun persamaan dengan jenis variabel dependen adalah biner serta mempertimbangkan dependensi spasial pada data. Proses estimasi parameter pada model ini memerlukan algoritma EM. Namun, bentuk ekspektasi dari complete log-likelihood pada E-step tidak tersedia dalam closed-form. Dalam menangani permasalahan ini, metode terbaru yang sedang diteliti oleh Cecille Hardouin memanfaatkan pendekatan deterministik dikenal dengan metode variasional. Metode variasional merupakan metode aproksimasi distribusi yang memanfaatkan suatu batas bawah fungsi distribusi yang akan diaproksimasi lalu mengoptimalkan batas bawah ini. Metode variasional untuk estimasi parameter model regresi logistik spasial bekerja dengan mencari suatu batas bawah dari complete log-likelihood lalu memaksimumkan fungsi ini terhadap parameter model. Dalam studi literatur, didapatkan bahwa metode variasional memiliki akurasi lebih baik daripada algoritma EM dengan aproksimasi Laplace ketika dependensi spasial pada data relatif besar.

---

The spatial logistic regression model builds equations in which the dependent variable is binary and considers the spatial dependency on the data. Estimation procedure of the parameters in this model require EM algorithm. However, the expected form of the complete log-likelihood on the E-step is not available in closed-form. In order to deal with this problem, a recent method being researched by Cecille Hardouin utilizes a deterministic approach known as the variational method. The variational method is a distribution approximation method that utilizes a lower bound of the distribution function to be approximated and then optimizes this lower bound. The variational method for estimating the parameters of the spatial logistic regression model works by finding a lower limit of the complete log-likelihood and then maximizing this function to the model parameters. In the literature study, it was found that the variational method has better accuracy than the EM algorithm with Laplace's approximation when the spatial dependence on the data is relatively large."

"ABSTRACTModel Generalized Space Time Autoregressive adalah suatu model spatio temporal yang merupakan pengembangan model Space Time Autoregressive (STAR). Model STAR adalah model spatio temporal dengan asumsi parameter-parameter sama untuk setiap lokasi. Model GSTAR dibentuk sebagai pengembangan dari model STAR yang memungkinan untuk mengestimasi parameter yang berbeda untuk setiap lokasinya. Borovkova, Lopuhaa dan Ruchjana (2002) mengembangkan model Generelized Space Time Autoregressive (GSTAR) dimana paramater-parameter pada model, berbeda untuk setiap lokasi. Metode kuadrat terkecil (least square method) digunakan untuk mengestimasi parameter pada model GSTAR. Metode kuadrat terkecil merupakan metode pendugaan parameter yang meminimumkan jumlah kuadrat error. Penggunaan model GSTAR pada data penyakit Hepatitis A di 5 kotamadya DKI Jakarta pada tahun 2011-2017 menghasilkan model GSTAR(4,1) sebagai model yang dipilih.

---

ABSTRACTGeneralized Space Time Autoregressive(GSTAR) model is a spatio temporal model which is the development of the Space Time Autoregressive (STAR) model. The STAR model is a spatio temporal model assuming the same parameters for each location. The GSTAR model was formed as a development of the STAR model which makes it possible to estimate different parameters for each location. Borovkova, Lopuhaa and Ruchjana (2002) developed the Generelized Space Time Autoregressive (GSTAR) model where parameters in the model differ for each location. The least square method is used to estimate the parameters in the GSTAR model. The least squares method is a parameter estimation method that minimizes the number of squared errors. The use of the GSTAR model on Hepatitis A data in 5 DKI Jakarta municipalities in 2011-2017 produced the GSTAR (4.1) model as the chosen model."