Penelitian ini menerapkan dua metode regresi yaitu Decision Tree dan linear berganda untuk memprediksi Body Mass Index (BMI) berdasarkan variabel-variabel lainnya pada dataset Asthma. Metode Decision Tree merupakan salah satu cara data processing dalam memprediksi masa depan dengan cara membangun klasifikasi dan regresi model dalam bentuk struktur pohon. Analisis regresi linear berganda merupakan model regresi yang melibatkan lebih dari satu variabel independen. Analisis regresi linear berganda dilakukan untuk mengetahui arah dan seberapa besar pengaruh variabel independen terhadap variabel dependen. Untuk mengukur tingkat keakuratan model peramalan, digunakan suatu ukuran keakuratan MAPE (Mean Absolute Percentage Error). Hasil MAPE menunjukkan nilai rata-rata prosentase kesalahan mutlak dari nilai sebenarnya dengan nilai peramalan. Pada penelitian ini, metode regresi linear berganda menunjukkan hasil yang lebih baik dengan nilai MAPE berturut-turut sebesar 12,737%; 12,76%; 12,89%; dan 12,99% untuk proporsi data uji berturut-turut 10%, 20%, 30%, dan 40% sedangkan nilai MAPE dari metode regresi Decision Tree sebesar 12,758%; 12,79%; 12,92%; dan 13,13%. Apabila digunakan ukuran kebaikan yang lain seperti MAE dan RMSE akan memberikan hasil yang analog, sedangkan ukuran kebaikan R2 berkebalikan. Penelitian ini dapat dilanjutkan dengan membandingkan hasil yang diperoleh dengan menggunakan metode lain dalam machine learning seperti Support Vector Machine (SVM), random forest, Artificial Neural Network (ANN), dan lain-lain.

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.