Pemodelan Geographically and Temporally Weighted Regression dengan Principal Component Analysis pada Data yang Mengandung Multikolinearitas (Studi kasus: Indeks Ketahanan Pangan di Provinsi Sulawesi Selatan pada Tahun 2021-2023)

Latar Belakang. Geographically Temporally and Weighted Regression (GTWR) adalah metode regresi spasial yang menangani heterogenitas spasial dan temporal secara sekaligus pada data. Akan tetapi, data dapat menghadapi masalah pelanggaran asumsi seperti multikolinearitas, yaitu kondisi ketika variabel prediktor dalam model regresi memiliki korelasi yang tinggi dengan variabel prediktor lainnya. Salah satu cara untuk mengatasi multikolinearitas adalah dengan melakukan Principal Component Analysis (PCA) pada variabel prediktor. Oleh karena itu, pada penelitian ini dilakukan pemodelan faktor-faktor yang memengaruhi Indeks Ketahanan Pangan untuk setiap kabupaten/kota di Provinsi Sulawesi Selatan pada tahun 2021-2023 menggunakan GTWR dengan PCA. Tujuan. Penelitian ini bertujuan untuk memperoleh model terbaik dari model GTWR dan GTWR-PCA pada Indeks Ketahanan Pangan di Sulawesi Selatan pada tahun 2021-2023. Metode. Penelitian ini menggunakan metode GTWR dengan PCA. Hasil. Data yang mengandung multikolinearitas diatasi dengan PCA sehingga menghasilkan dataset baru yang digunakan pada pemodelan. Pemodelan GTWR dengan data yang diatasi dengan PCA menghasilkan 72 model yang mewakili setiap lokasi dan waktu. Model GTWR-PCA menghasilkan model yang lebih baik dibandingkan dengan model GTWR tanpa PCA yakni dengan nilai R^2 sebesar 99.6945% dan Root Mean Square Error (RMSE) sebesar 1.5606. Kesimpulan. Model terbaik dalam menjelaskan IKP di Provinsi Sulawesi Selatan pada tahun 2021-2023 adalah model GTWR-PCA. Amatan dengan model GTWR-PCA terbaik adalah Kabupaten Kepulauan Selayar pada tahun 2023 dengan nilai R^2 lokal sebesar 99.9759%.