Dijkstra algorithm is one of the algorithms that is used to determine the path with the minimum total weight in the computer network, communication network, and transportation network problems. Some problems that have been studied using Dijkstra algorithm, namely multi-hop calibration of networked embedded system, achieving superior timing-driven routing trees and adaptive protection in microgrids. This article will determine the fastest path in the distribution of logistics by Bulog in West Java region by using Dijkstra algorithm manually and also by using Matlab. Data and information including the path connecting a warehouse to another Bulog warehouse will be used to build a connected weighted graph model. This data was obtained directly from Bulog office in West Java and through Google Maps application during the Covid-19 pandemic. Furthermore, path optimization is carried out by using Dijkstra algorithm, so that the fastest path tree is obtained. The fastest path tree is a path which edge set is a subset of the connected edge set of the connected weighted graph and has minimum total weight. Based on this optimization, the fastest path from Cibitung warehouse Bekasi to Bojong warehouse Cianjur is 154 minutes.

Kemiskinan merupakan suatu masalah global yang dihadapai diberbagai negara, termasuk Indonesia. Penelitian ini bertujuan untuk mengetahui faktor yang memberingan pengaruh pada tingkat kemiskinan di Indonesia dengan melihat pengelompokkan kemiskinan itu sendiri. Data yang digunakan adalah data yang ada pada website badan pusat statistik dan bappenas tahun 2021 dengan model yang digunakan adalah model regresi logistik ordinal. Metode backward elimination digunakan untuk memilih model terbaik dengan nilai akaike information criterion terendah. Hasil dari penelitian ini adalah faktor produk domestik bruto dan tingkat pengangguran berpengaruh positif signifikan sedangkan jumlah penduduk dan upah minimum provinsi berpengaruh negatif seignifikan pada tingkat kemiskinan di Indonesia.Kata Kunci: backward elimination, regresi logistik, ordinal Poverty is a global problem faced by various countries, including Indonesia. This study aims to determine the factors that influence the level of poverty in Indonesia by looking at the poverty classification itself. The data used is data on the website of the Central Statistics Agency and Bappenas in 2021 with the model used is an ordinal logistic regression model. The backward elimination method is used to select the best model with the lowest information criterion akaike value. The results of this study are that the gross domestic product factor and the unemployment rate have a significant positive effect, while population size and the provincial minimum wage have a significant negative effect on the poverty rate in Indonesia.Keywords: backward elimination, logistic regression, ordinal.

Penelitian ini memodelkan variabel tingkat suku bunga, kurs rupiah, jumlah nilai impor dan jumlah nilai ekspor. Analisis metode Vector Error Correction Model (VECM) yang digunakan dalam penelitian ini untuk memodelkan variabel tingkat suku bunga, kurs rupiah, jumlah nilai impor dan jumlah nilai ekspor. Model untuk variabel ekspor, impor, suku bunga dan kurs dalam penelitian ini adalah VECM dengan lag 2, menggunakan trend deterministic dengan asumsi none intercept no trend, dan terdapat 1 kointegrasi. Dengan menggunakan MAPE, diperoleh bahwa model penelitian VECM tersebut sangat baik untuk meramalkan ekspor, kurs dan impor, sedangkan model penelitian VECM tersebut dikatakan layak untuk meramalkan tingkat suku bunga.

Penelitian Aji et.al (2019) meramalkan menggunakan linear regresi, sedangkan dalam penelitian ini, penduga parameter menggunakan penelitian Aji et.al (2019) tetapi peramalan tingkat mortalitas, kematian dan hidup yang digunakan adalah GARCH(1,1). Nilai dugaan  dengan menggunakan GARCH(1,1) untuk periode 2015-2020 adalah sebesar -16,57575290, periode 2020-2025 adalah sebesar -19,19948176, periode 2025-2030 adalah sebesar -21,91136540, periode 2030-2035 adalah sebesar -24,71140382, periode 2035-2040 adalah sebesar -27,59959701, dan periode 2040-2045 adalah sebesar -30,57594498.