Pemodelan Geographically and Temporally Weighted Negative Binomial Regression dengan Principal Component Analysis (Studi Kasus: Pneumonia pada Balita di Provinsi Jawa Timur pada Tahun 2021-2024)=Geographically and Temporally Weighted Negative Binomial Regression Modeling with Principal Component Analysis (Case Study: Pneumonia in Toddlers in East Java Province in 2021-2024)

Latar Belakang. Pneumonia merupakan penyakit menular yang menjadi penyebab kematian terbesar pada balita yang dipengaruhi oleh karakteristik wilayah, waktu dan berbagai faktor yang umumnya saling berkaitan sehingga menimbulkan adanya heterogenitas spasial, heterogenitas temporal dan multikolinearitas antarvariabel independen. Provinsi Jawa Timur menjadi salah satu daerah dengan jumlah kasus tertinggi di Indonesia. Data pneumonia yang umumnya berupa data count seringkali menghadapi masalah overdispersi. Oleh karena itu, kombinasi Geographically and Temporally Weighted Negative Binomial Regression (GTWNBR) dan Principal Component Analysis (PCA) digunakan untuk memodelkan jumlah kasus pneumonia balita dengan mempertimbangkan variasi pengaruh faktor risiko berdasarkan perbedaan wilayah dan waktu, sekaligus mengatasi multikolinearitas antarvariabel independen. Tujuan. Penelitian ini bertujuan untuk memperoleh model GTWNBR-PCA pada data kasus pneumonia balita di Provinsi Jawa Timur dan memperoleh faktor yang memengaruhi kasus tersebut. Metode. Analisis dilakukan dengan mengatasi multikolinearitas pada data dengan PCA. Selanjutnya, heterogenitas spasial dan temporal ditangani melalui pemberian bobot yang berbeda pada setiap amatan berdasarkan kedekatan lokasi dan waktu. Sementara itu, permasalahan overdispersi pada data count ditangani menggunakan Negative Binomial Regression (NBR). Hasil. Komponen utama yang terbentuk yaitu C_1 dan C_2 mampu menjelaskan keseluruhan model PCA yang terbentuk sebesar 83,61% dan menunjukkan pengaruh signifikan pada beberapa amatan. Model GTWNBR-PCA lebih baik dibanding model GTWNBR tanpa mengatasi masalah multikolinearitas pada data berdasarkan nilai Akaike Information Criterion (AIC) dan Bayesian Information Criterion (BIC) terkecil yaitu sebesar 2428,657 dan 2437,728. Kesimpulan. Terdapat 152 model GTWNBR-PCA yang terbentuk pada seluruh amatan, dengan variabel pendukung komponen utama yaitu cakupan imunisasi DPT-Hb-Hib, imunisasi dasar lengkap, persentase berat badan lahir rendah dan pemberian vitamin A memiliki peran yang dapat menjelaskan keragaman kasus pneumonia balita di Provinsi Jawa Timur.