landslide disaster. Based on this fact, a method is needed to predict the range of landslides to minimize the impact of disaster losses. The empirical statistical method is one of the methods that can be used to predict landslides by taking input data from the history of previous landslide events. This research aims to find the best modeling form for sliding distance prediction and which parameters influence a landslide's sliding distance prediction. This study used multiple linear regression methods. The data used in this study are geometric slope parameters in the form of slope height (H), original slope (θ), landslide area (A), and rock type (RT). The data was taken from the 2015-2021 PVMBG landslide investigation report and used the Google Earth and Global Mapper program. Based on the analysis of the best empirical model that can predict the sliding distance of a landslide log Lmax = 0,387 – 0,097 RT + 0,230 log H + 0,458 log A – 0,220 tan θ with an R2 value of 0,94 and an average estimated error of 31,56%. The parameter that has the most influence on the prediction of sliding distance is the area affected by the landslide (A).

Salah satu alat yang dapat digunakan untuk membuat visualisasi data adalah Google Data Studio. Google Data Studio merupakan layanan yang diciptakan Google untuk mengelola data. Rapor merupakan kumpulan data nilai siswa dari evaluasi proses belajar yang dilakukan selama satu semester. Guru yang menjabat wali kelas akan mengisi nilai para siswa yang dihimpun dari guru mata pelajaran ke dalam rapor. Selain untuk bahan evaluasi per semester, rapor juga membantu siswa untuk mengikuti SNMPTN (Seleksi Nasional Masuk Perguruan Tinggi Negeri). Mekanisme untuk menentukan peserta SNMPTN di SMA/SMK sederajat biasanya diputuskan oleh pihak sekolah. Pihak sekolah, dalam hal ini guru BK, menentukan siswa yang memiliki peluang tinggi untuk lolos SNMPTN berdasarkan nilai rapor. Hal ini tidak mudah mengingat banyaknya siswa yang ingin masuk PTN melalui jalur SNMPTN. Oleh karena itu diperlukan summary yang dibuat untuk menampilkan kesimpulan dengan cepat dari data nilai siswa. Kegiatan pengabdian kepada masyarakat ini bertujuan membuat sistem visualisasi data yang digunakan untuk memberikan gambaran/karakteristik dari data nilai siswa. Sistem visualisasi data tersebut menggunakan salah satu alat yaitu Google Data Studio dan Google Sheet untuk membuat dashboard. Sistem visualisasi data tersebut diperkenalkan dan diserahkan kepada SMAN 2 Balikpapan untuk membantu guru SMA mendapatkan kesimpulan dari data nilai siswa dengan cepat.

COVID 19 merupakan penyakit yang disebabkan oleh SARS-CoV-2. Virus COVID 19 tidak hanya berdampak pada aspek kesehatan, melainkan aspek kehidupan lainnya Pariwisata Bali telah tumbuh berkembang sedemikan rupa dan memberikan sumbangan yang besar terhadap pembangunan daerah langsung maupun tidak langsung. Produk Domestik Regional Bruto atau disingkat dengan PDRB memiliki peran penting dalam meningkatkan pertumbuhan ekonomi suatu daerah, dimana semakin tinggi PDRB maka dapat dikatakan bahwa pertumbuhan ekonominya juga tinggi. Berdasarkan hal tersebut, maka perlu dilakukannya suatu peramalan untuk mengetahui dampak COVID 19 terhadap PDRB Bali. Penelitian ini bertujuan untuk menganalisis dampak COVID 19 terhadap PDRB Provinsi Bali menggunakan model intervensi. Data yang digunakan dalam penelitian ini merupakan data sekunder dari PDRB triwulanan atas dasar harga berlaku sektor penyediaan akomodasi, makanan dan minum. Data dihimpun dari kuartal I 2010 sampai dengan kuartal IV 2021. Berdasarkan pemodelan yang telah dilakukan dengan model intervensi, model terbaik untuk meramalkan dampak COVID 19 terhadap PDRB di Provinsi Bali adalah ARIMA(0,1,0)(1,0,0)4 r=1 dengan nilai SMAPE 8,327 dan MdAPE sebesar 0,067.  

Background: Stock price forecasting assists investors to anticipate risks and opportunities in making prudent investments and maximizing returns. Objective: This study aims to identify the most accurate model for stock forecasting. Methods: This paper utilized the daily closing stock price of Unilever Indonesia, Tbk (UNVR) from January 1, 2018 to July 31, 202.  Double Seasonal Autoregressive Integrated Moving Average (DSARIMA), was utilized in this study. Mean Absolute Scaled Error (MASE) and Median Absolute Percentage Error (MdAPE) are used to compare forecasting accuracy. Results: Following conducting each model, we assessed that the best models are DSARIMAX (0,1,[4]) ([3],1,1)5(1,1,0)253, regarding MASE and MdAPE corresponding to approximately 1.423 and 0.111. The scope of this study has limitations to a test set for one-month forecast periods. Conclusion: As stock prices rise, investors require precise forecasts. Models of forecasting must perform well. This analysis shows how the DSARIMA generate forecasts stock prices more accurately. This investigation evaluated the closing stock price of UNVR. Both MASE and MdAPE assess prediction. After analyzing each model, DSARIMAX (0,1,[4])([3],1,1)5(1,1,0)253 has the lowest MASE and MdAPE values, 1.423 and 0.111, respectively. The procedure lasted one month. Research may combine forecasts and improve their accuracy.