Abstrak. Ketersediaan air bersih sangat penting dikarenakan hampir seluruh aktivitas manusia sangat bergantung terhadap ketersediaan air bersih. Hal ini membuat faktor produksi dan ketersediaan air bersih selalu menjadi prioritas dalam pelayanan penyaluran air bersih sehingga penulis tertarik untuk mengkaji tentang peramalan jumlah penggunaan air bersih di PDAM Kota Makassar. Salah satu metode yang cocok untuk menangani kasus tersebut adalah metode Time Series. Metode Triple Exponential Smoothing atau biasa disebut dengan Winter Exponential Smoothing merupakan salah satu metode Time Series yang cocok untuk menangani data yang bersifat musiman seperti jumlah penggunaan air bersih di Kota Makassar.  Adapun Langkah analisis dari metode Triple Exponential Smoothing adalah identifikasi model, estimasi parameter dengan trial and error, selanjutnya adalah perhitungan nilai awal dari pemulusan data, trend, dan musiman dengan panjang satu musim L=12 dan yang terakhir adalah menghitung nilai error dengan menggunakan MAPE dan RMSE. Model terbaik diperoleh dari kombinasi parameter α = 0,1; β = 0,1; dan γ=0,6 yang menghasilkan kesalahan peramalan terkecil menggunakan RMSE dengan nilai sebesar 168,175 dan MAPE dengan nilai sebesar 4,736. Dengan meggunakan model maka diperoleh peramalan jumlah penggunaan air bersih di PDAM Kota Makassar dari bulan januari – desember 2019 sebagai berikut: 2779,10; 2788,94; 2728,61; 2797,48; 2787,97; 2752,66; 2742,18; 2708,50; 2644,55; 2521,50; 2537,74; 2732,55. Dari hasil peramalan tersebut terlihat mendekati dan tidak terlalu jauh menyimpang dari data tahun sebelumnya  sehingga dapat dijadikan acuan produktivitas air bersih di PDAM Kota Makassar agar produktivitas air dapat mencukupi semua kebutuhan masyarakat di Kota Makassar.Kata kunci: air, triple exponential smoothing, time series, peramalan.

The inflation rate, particularly in South Sulawesi Province from year to year, is found to be very unstable, so that an effort to overcome the instability of the inflation rate is highly needed. One of the efforts that can be used is to carry out a process of forecasting the inflation rate, so that the government can predict the inflation rate properly in order to realize the sustainable economic growth. The aim of this study was to forecast Inflation Cases in South Sulawesi Province. The forecasting carried out in this study used the Exponential Smoothing method. Exponential Smoothing is a method that will take into account average (smoothing) the data of the past exponentially by repeating calculations continuously using the latest data. In this study, 2 Exponential Smoothing methods were compared, namely: Single Exponential Smoothing (SES) and Double Exponential Smoothing (DES) which were used to obtain prediction results and evaluate the results of predictions using the Mean Square Error (MSE) and Mean Absolute Percentage Error (MAPE) methods. The smallest MAPE value was obtained when using the Single Exponential Smoothing (SES) method when the value ɑ = 0.1 with the MSE value of 0.5567 and MAPE value of 265.7126 and the Double Exponential Smoothing (DES) method when the value ɑ = 0.3 and with the MSE value of 4,256 and MAPE value of 574,519. Thus, the Single Exponential Smoothing (SES) method was regarded as the best method in predicting the inflation rate in South Sulawesi Province.

Abstrak. Survival analysis merupakan salah satu metode statistika yang sering digunakan untuk menganalisis data yang berhubungan dengan waktu kejadian. Waktu survival didefiniskan sebagai waktu bertahan suatu objek pada awal pengamatan hingga terjadinya suatu peristiwa (event or end-event). Salah satu tujuan dari analisis survival adalah mengetahui hubungan antara waktu survival dengan variabel independen yang diduga mempengaruhi waktu survival-nya. Hubungan antara waktu survival dan variabel independen dapat dimodelkan dengan menggunakan regresi cox. Dalam penggunaan model regresi cox proportional hazard diasumsikan bahwa variabel independen memenuhi asumsi proportional hazard. Salah satu pendekatan yang digunakan jika asumsi proportional hazard tidak memenuhi adalah pendekatan model regresi extended cox. Data yang digunakan dalam penelitian ini adalah data pasien kanker serviks di RSUD Kota Makassar Tahun 2017-2018. Data kanker serviks memiliki karakteristik yang memungkinkan untuk dilakukan analisis dengan menggunakan regresi extended cox. Adapun hasil analisis yang diperoleh variabel phlebitis tidak memenuhi asumsi proportional hazard, hal ini mengindikasikan bahwa variabel phlebitis bergantung pada waktu. Variabel yang signifikan mempengaruhi laju kesembuhan penderita kanker serviks adalah jenis pengobatan operasi dan phlebitis, dimana jenis pengobatan operasi memiliki probabilitas kesembuhan 13,90 kali lebih besar dibandingkan dengan pasien yang menggunakan jenis pengobatan lain. Sedangkan penderita kanker kanker serviks mengalami kejadian phebitis memiliki probablitias kesembuhan 0,39 kali lebih kecil dibandingkan dengan pasien yang tidak mengalami kejadian phlebitis.Keywords: Survival Analysis, Regresi Cox, Regresi Extended Cox, Kanker serviks.

Abstrak Regresi logistik adalah suatu metode analisis statistik yang diterapkan untuk memodelkan variabel dependen yang memiliki dua kategori atau lebih dengan satu atau lebih variabel independen. Regresi Logistik biner merupakan suatu analisis statistika yang digunakan untuk menganalisis hubungan antara satu atau lebih peubah bebas dengan peubah respon yang bersifat biner atau  dichotomous. Peubah bebas pada regresi logistik dapat berupa peubah skala kategorik maupun peubah yang skala kontinu sedangkan peubah respon berupa peubah berskala kategorik. Regresi Logistik Biner dapat diterapkan pada kasus kesehatan, khususnya pada penelitian ini yaitu mengenai kanker payudara. Sesuai uraian diatas maka penulis bermaksud untuk mengkaji dan melakukan penelitian  tentang Pemodelan Faktor-Faktor yang Mempengaruhi Jenis Kanker Payudara Menggunakan Regresi Logistik Biner (Kasus : Pasien Penderita Kanker Payudara di Rumah Sakit Umum Pusat Dr. Wahidin Sudirohusodo). Dari hasil analisis didapatkan bahwa peubah penjelas yang berpengaruh nyata terhadap jenis keganasan kanker terhadap pasien penderita kanker payudara adalah peubah Kemoterapi (X2) dan peubah Metastase (X5) yang masing-masing memiliki nilai odds rasio sebesar 0,17 dan 6,16.  Kata kunci : Kanker Payudara, Regresi Logistik, Regresi Logistik Biner. Abstract Logistic regression is a method of statistical analysis that is applied to model the dependent variable which has two or more categories with one or more independent variables. Binary Logistic Regression is a statistical analysis that is used to analyze the relationship between one or more independent variables with variable binary or dichotomous responses. The free variables in logistic regression can be either categorical scale or continuous scale variables while the response variables are categorical scale variables. Binary Logistic Regression can be applied to health cases, especially in this study, namely breast cancer. In accordance with the description above, the author intends to study and conduct research on Modeling Factors Affecting Types of Breast Cancer Using Binary Logistic Regression (Case: Patients with Breast Cancer Patients at Dr. Wahidin Sudirohusodo Central General Hospital). From the results of the analysis it was found that the explanatory variables that significantly affected the type of cancer malignancy in patients with breast cancer were Chemotherapy variables (X2) and Metastase variables (X5), each of which had odds ratio values of 0.17 and 6.16. Keywords: Breast Cancer, Logistic Regression, Binary Logistic Regression.