Pada penelitian ini dibahas tentang penggunaan Indeks Baru untuk mengukur autokorelasi spasial secara global. Kontribusi utama dari karya ini adalah untuk mengetahui korelasi antara Indeks Geary dan Indeks Moran. Selain itu penelitian ini bertujuan untuk mengetahui pengaruh spasial terhadap IPM Provinsi-Provinsi di Indonesia. Data yang digunakan adalah data IPM provinsi-provinsi di Indonesia tahun 2010 – 2018. Prosedur yang dilakukan adalah dengan mengukur data IPM menggunakan Indeks Geary dan Indeks Moran. Selanjutnya nilai Indeks Geary dan Indeks Moran digunakan untuk mencari korelasi yang terjadi antara Indeks Geary dan Indeks Moran. Korelasi yang terbentuk antara Indeks Geary dan Indeks Moran sangat kuat sehingga Indeks Baru dapat dirumuskan. Untuk memvalidasi keakuratan Indeks Baru dilakukan uji autokorelasi spasial terhadap Indeks Baru menggunakan Metode Bootstrap dan resampling berdasarkan estimasi densitas Kernel. Berdasarkan hasil resampling menggunakan metode bootstrap dan resampling berdasarkan estimasi densitas Kernel dengan pengulangan sebanyak 10000 kali ditemukan bahwa nilai-p tahun 2010 – 2018 berkisar antara 0,001 – 0,006 yang berarti terdapat autokorelasi spasial atau terdapat keterkaitan erat antara IPM provinsi dengan IPM provinsi-provinsi yang bertetangga. Dengan kata lain, bahwa antar provinsi satu dengan provinsi yang berbatasan memiliki kemiripan nilai IPM atau saling berkorelasi. Dengan didapatkannya hasil analisis ini, maka dapat menjadi acuan pemerintah dalam melakukan pemerataan pembangunan disetiap provinsi di Indonesia dengan mempertimbangkan keterkaitan antar provinsi di Indonesia.

Pada tahun 2020, Indonesia menjadi salah satu negara yang mengalami pandemi Coronavirus Disease 19 (COVID-19) akibat virus SARS-CoV-2. Mengatasi hal tersebut, pemerintah harus menetapkan kebijakan yang efektif dengan memperhatikan situasi dan kondisi setiap daerah. Salah satu caranya adalah dengan menentukan status kewaspadaan. Di Indonesia, status kewaspadaan wilayah diserahkan pada kebijakan pemerintah daerah masing-masing yang menyebabkan adanya penilaian secara subjektif oleh pemerintah daerah,sehingga banyak definisi dan batasan yang kurang jelas mengenai penentuan status kewaspadaan. Permasalahan tersebutlah yang melatarbelakangi penelitian ini, dimana akan dicari suatu model berdasarkan metode Fuzzy Inference System (FIS) Mamdani untuk menentukan status kewaspadaan COVID-19 berdasarkan variabel terkait dan aturan yang berlaku. Data yang digunakan adalah data harian COVID-19 Provinsi Jawa Barat (1 April – 15 Juli 2021). Data yang digunakan berjumlah 27 kelompok data wilayah yang terdiri dari 4 variabel. Variabel inputnya adalah kasus positif COVID-19, kasus Orang dalam Pemantauan (ODP), dan kasus Pasien dalam Pemantauan (PDP), dan masing-masing variabel didefinisikan menjadi 5 himpunan Fuzzy, yaitu Sangat Rendah, Rendah, Sedang, Tinggi, dan Sangat Tinggi. Variabel output-nya didefinisikan dalam 5 himpunan Fuzzy tentang Status Kewaspadaan seperti peraturan Pemda Jabar yaitu status HIJAU, BIRU, KUNING, MERAH, dan HITAM. Semua variabel menggunakan fungsi keanggotaan representasi kurva segitiga. Proses analisis data menggunakan software Matlab. Keberhasilan model dinilai dari persentase kesamaan status yang diperoleh dengan membandingkan hasil analisis FIS Mamdani dengan data status kewaspadaan real. Setelah melakukan 4 kali pengulangan analisis, dimana pada setiap analisis dilakukan perubahan domain pada himpunan Fuzzy, didapatkan model dengan persentase kesamaan status rata-rata sebesar 81%, pada data 6 wilayah di Jawa Barat.

Geographically Semarang regency as one of the regencies in Central Java province has an area of 95,020.67 hectares. In this study, the sub-district areas in Semarang regency is calculated using Circle Approach method and Karney s Polygon method using Google Earth and GADM database in the form of latitude and longitude coordinates. The results of the study show that the land area of 19 districts in Semarang regency is 11.61% more than of the reference areas based on the coordinates of the latitude and longitude on Google Earth using the circle approach method. While the percentage for the area referring to GADM data using the Karney s Polygon method is 9.71% more than of the reference areas and the difference is 13.55% more than the reference areas using Circle Approach. The results of the three comparisons show that GADM data using the Karney s Polygon method can produce better results than other methods.

<span lang="EN-US">The disruption era brought many changes to the millennial generation. The development of science is one of the reasons for this change. The main players in this era are millennials. Given the demographic bonus that Indonesia will find, where productive millennials will have a larger number than those of non-productive ages, the welfare of millennials deserves attention, especially their psychological well-being. For this reason, this research will examine in depth the factors that shape millennial psychological well-being. By knowing these factors, it can provide suggestions so that the psychological well-being of millennials can be maintained and improved. This research was conducted by interviewing productive and working millennials so that the data related to their psychological well-being can be obtained. Based on the research conducted, it was found that there are at least five factors that influence the psychological well-being of millennials. These five factors can be said to be interconnected and separate in shaping the psychological well-being of millennials.</span>