MODEL REGRESI LOGISTIK SPARSE PRINCIPAL COMPONENT ANALYSIS PADA PREDIKTOR KATEGORIK

Latar Belakang. Analisis regresi logistik biner digunakan untuk mengetahui hubungan antara variabel prediktor dengan variabel respon yang mengandung dua kategorik. Variabel prediktor dengan skala kategorik yang memiliki masalah multikolinieritas diatasi dengan metode categorical principal component analysis. Komponen utama yang terbentuk dengan metode categorical principal component analysis memiliki kombinasi linear dari setiap variabel asli, sehingga sering sulit untuk diinterpretasikan. Sparse principal component analysis diperlukan untuk menghasilkan komponen utama yang sparse. Parameter model sparse categorical principal component logistic regression diestimasi dengan metode maksimum likelihood dan metode iterasi Newton Raphson. Penelitian ini diterapkan pada data kejadian stunting di Kecamatan Maginti, Kabupaten Muna Barat, Provinsi Sulawesi Tenggara. Tujuan. Penelitian ini bertujuan untuk memperoleh model hubungan antara kondisi pertumbuhan balita (stunting) di Kecamatan Maginti, Kabupaten Muna Barat, Provinsi Sulawesi Tenggara dengan faktor risiko stunting berdasarkan metode regresi logistik sparse principal component analysis pada prediktor kategorik. Metode. Adapun metode yang digunakan pada penelitian ini adalah regresi logistik sparse principal component analysis pada prediktor kategorik. Hasil. Hasil penelitian ini diperoleh model regresi logistik sparse principal component analysis pada prediktor kategorik yang bersesuaian dengan data kejadian stunting di Kecamatan Maginti, Kabupaten Muna Barat, Provinsi Sulawesi Tenggara. Kesimpulan. Dari hasil penelitian, diperoleh hasil estimasi parameter model regresi logistik sparse principal component analysis pada prediktor kategorik.