Model Geographically Weighted Regression pada data yang mengandung Multikolinearitas dengan Metode Principal Component Analysis (PCA)

ABSTRAK

Model Geographically Weighted Regression Principal Component Analysis (GWRPCA) merupakan kombinasi dari Principal Component Analysis (PCA) dan Geographically Weighted Regression (GWR). Metode PCA merupakan metode untuk mengatasi multikolinearoitas dengan cara mereduksi dimensi dari p peubah asal yang berkorelasi menjadi m peubah baru yang tidak saling berkorelasi dengan ragam maksimum. Model Geographically Weighted Regression (GWR) adalah pengembangan dari model regresi dimana setiap parameter dihitung pada setiap lokasi pengamatan, sehingga setiap lokasi pengamatan mempunyai nilai parameter regresi yang berbeda-beda.

Penelitian ini bertujuan untuk mendapatkan model GWRPCA pada data yang mengandung multikolinearitas. Hasil penelitian diaplikasikan pada data Angka Kematian Bayi (AKB) di Provinsi Jawa Timur tahun 2014, sehingga akan didapatkan model GWR yang mengandung multikolinearitas dengan metode PCA pada data AKB di Jawa Timur. Variabel respon yang digunakan pada penelitian ini adalah data Angka Kematian Bayi (AKB) di Jawa Timur tahun 2014 dengan variabel prediktor Jumlah bayi(X_1 ), jumlah ibu bersalin (X_2 ), jumlah pemberian asi eksklusif (X_3 ), jumlah pemberian vitamin A(X_4 ), dan jumlah tenaga medis (X_5 ). Hasil yang didapatkan dari penelitian ini adalah bentuk model GWR pada data yang mengandung multikolinearitas dan bentuk model GWRPCA beserta faktor yang mempengaruhi AKB di Jawa Timur tahun 2014.

ABSTRACT

The Geographically Weighted Regression Principal Component Analysis (GWRPCA) model is a combination of Principal Component Analysis (PCA) and Geographically Weighted Regression. PCA method is a method for overcoming multicollinearity by reducing the dimensions of the originating variables that correlate to new variables that do not correlate with the maximum range. Geographically Weighted Regression (GWR) model is the development of a regression model where each parameter is calculated at each observation location, so that each observation location has a different regression parameter value.

This study aims to obtain the Geographically Weighted Regression Principal Component Analysis (GWRPCA) model on data containing multicollinearity. The results of the study were applied to the Infant Mortality Rate (IMR) data in East Java Province in 2014, so that a GWR model containing multicollinearity with PCA method in the East Java will be obtained. Response variables used in this study were Infant Mortality Rate (IMR) data in East Java in 2014 with predictor variables Number of babies (X_1), number of mothers giving birth (X_2), number of exclusive breastfeeding (X_3), number of vitamin A (X_4) , and the number of medical personnel (X_5). The results obtained from this study are the form of the GWR model on data containing multicollinearity and the form of the GWRPCA model along with the factors that influence IMR in East Java in 2014.