PEMODELAN REGRESI LOGISTIK BINER RIDGE DENGAN ESTIMATOR SPLINE TRUNCATED (STUDI KASUS: STATUS GIZI BALITA DI KABUPATEN GOWA TAHUN 2023) = BINARY RIDGE LOGISTIC REGRESSION MODELING WITH TRUNCATED SPLINE ESTIMATOR (CASE STUDY: NUTRIONAL STATUS OF TODDLERS IN GOWA REGENCY IN 2023)

Lata Belakang. Regresi logistik biner digunakan untuk memodelkan hubungan antara variabel dependen biner dan beberapa variabel independen. Namun, multikolinearitas sering menjadi masalah yang mengganggu kestabilan model dan menurunkan akurasi prediksi. Untuk mengatasi masalah ini, regresi ridge diterapkan untuk menstabilkan estimasi koefisien dengan menambahkan penalti pada koefisien regresi. Meskipun regresi ridge efektif, model yang dihasilkan memerlukan optimasi lebih lanjut untuk meningkatkan akurasi dan mengurangi Mean Squared Error (MSE). Spline truncated digunakan untuk meningkatkan kemampuan model dalam menangkap hubungan antar variabel, yang dapat menurunkan MSE dan meningkatkan akurasi model. Sehingga kombinasi regresi logistik ridge dan spline truncated menjadi pendekatan yang efektif dalam mengatasi multikolinearitas pada data, serta memungkinkan model untuk menangkap pola data secara lebih tepat. Tujuan. Penelitian ini melakukan parameter model regresi logistik biner ridge dengan estimator spline truncated dan memodelkan hubungan antara status gizi balita dengan faktor-faktor yang memengaruhinya di Kabupaten Gowa pada tahun 2023. Metode. Analisis data dilakukan dalam dua tahap: 1) mengestimasi parameter model regresi logistik biner ridge dengan estimator spline truncated menggunakan Maximum Likelihood Estimation (MLE); 2) memodelkan hubungan antara status gizi balita dan variabel independen. Hasil. Model regresi logistik biner ridge spline truncated dengan dua titik knot memiliki GCV terkecil sebesar 0.0354 dan akurasi prediksi sebesar 95.03%. Selain itu, hasil uji Likelihood Rasio bahwa secara simultan model ini signifikan. Kesimpulan. Model regresi logistik biner ridge spline truncated dengan dua titik knot merupakan model terbaik berdasarkan nilai GCV dan nilai prediksi.