Pemodelan Data Longitudinal Multikolinearitas dengan Principal Component Analysis

Data longitudinal merupakan gabungan dari data cross section dan data time series. Multikolineritas juga dapat terjadi pada data longitudinal yaitu terdapat korelasi antar variabel prediktor. Dampak dari terjadinya multikolinearitas menyebabkan pengaruh variabel prediktor terhadap variabel respon menjadi tidak signifikan, estimator kuadrat terkecil dan galat baku menjadi sensitif terhadap perubahan kecil dalam data. Oleh karena itu, prosedur untuk mengatasi multikolinearitas, yaitu menggunakan metode principal component analysis. Penelitian ini bertujuan untuk memodelkan regresi data longitudinal PCA dengan model efek tetap menggunakan estimasi parameter least square yang diterapkan pada data gula darah pasien diabetes melitus tahun 2019 dengan rentang waktu Januari 2019 hingga Juli 2019 di Rumah Sakit Ibnu Sina Kota Makassar. Hasil penelitian ini menunjukkan bahwa ada 2 komponen utama yang terbentuk dari pemodelan regresi data longitudinal PCA dengan model efek tetap. Diperoleh nilai variabel yaitu tekanan darah sistolik (X1 ) sebesar -0,007, tekanan darah diastolik (X2 ) sebesar -0,016, suhu tubuh (X3 ) sebesar -0,098, dan trombosit (X4 ) sebesar 0,005 yang mempengaruhi gula darah pasien diabetes melitus.