Pemodelan Negative Binomial Regression pada Komponen Utama untuk Kasus Multikolinearitas (Studi Kasus: Pneumonia pada Balita di Provinsi Jawa Timur 2023) = Negative Binomial Regression Modelling on Principal Components for Multicolinearity Cases (Case Study: Pneumonia in Children Under Five in East Java Province 2023)

Latar Belakang. Pneumonia balita menjadi penyebab kematian utama di Indonesia, dengan Provinsi Jawa Timur sebagai salah satu daerah dengan kasus tertinggi. Data jumlah kasus yang bersifat count sering kali menunjukkan overdispersi dan multikolinearitas antar prediktor. Kombinasi model Negative Binomial Regression (NBR) dan Principal Component Analysis (PCA) digunakan untuk menghasilkan estimasi parameter yang lebih stabil dan akurat dalam mengidentifikasi faktor-faktor yang memengaruhi kasus pneumonia balita. Tujuan. Penelitian ini bertujuan membangun model NBR-PCA untuk data pneumonia balita di Jawa Timur yang mengalami overdispersi dan multikolinearitas, serta mengidentifikasi faktor-faktor yang memengaruhi jumlah kasus tersebut. Metode. Analisis diawali dengan uji multikolinearitas menggunakan VIF dan korelasi Pearson. PCA digunakan untuk mengatasi multikolinearitas, diikuti estimasi model Poisson dan deteksi overdispersi. Jika overdispersi terdeteksi, digunakan model NBR dengan estimasi Newton-Raphson, serta uji signifikansi parameter dan interpretasi model. Hasil. Uji simultan dan parsial menunjukkan komponen utama C₁ dan C₂ berpengaruh signifikan. Model NBR-PCA layak dan lebih baik dibanding Poisson berdasarkan AIC. Variabel imunisasi DPT-Hb-Hib, kualitas udara, sanitasi, dan imunisasi dasar berperan pada kasus pneumonia balita di Jawa Timur. Kesimpulan. Model regresi binomial negatif yang diperoleh adalah ln⁡(μ ̂ )=4,037+0,000026X_3-0,019X_4+0,015X_5+0,000025X_6. Faktor-faktor yang berpengaruh signifikan terhadap pneumonia pada balita di Jawa Timur meliputi imunisasi DPT-Hb-Hib, kualitas udara, sanitasi layak, dan imunisasi dasar lengkap.

Keyword : Pneumonia balita, Regresi Binomial Negatif, Principal Component Analysis, Overdispersi, Multikolinearitas