Penerapan Analisis Regresi Berganda Untuk Mengetahui Pengaruh Usia, Lama Tidur, Fase Tidur REM, Konsumsi Kafein, Konsumsi Alkohol, Waktu Bangun Tidur dan Olahraga Harian Terhadap Efisiensi Tidur

1 PENDAHULUAN

1.1 Latar Belakang

Setiap orang memiliki kebutuhan jumlah waktu tidur dan istirahat yang berbeda. Kemampuan pemenuhan kebutuhan dasar manusia bergantung kesehatan fisik dan emosi. Terganggunya kemampuan berpikir, konsentrasi terganggu, sulit mengambil keputusan dan menurunnya produktivitas merupakan dampak dari kekurangan tidur.Selanjutnya durasi tidur yang berkurang mampu menyebabkan perubahan emosi yaitu mudah marah dan emosi yang tidak stabil. Dampak dari kekurangan durasi tidur menimbulkan efek serius pada kesehatan fisik dan psikologis.

Kualitas tidur memiliki peranan besar dalam menentukan kesehatan dan kualitas hidup manusia. Diantaranya ialah usia dan jenis kelamin. Menurut (Valero et al, 2017) orang dewasa memiliki kualitas tidur yang buruk terutama pada perempuan. Usia berkontribusi secara progresif pada penurunan kualitas tidur pada pria maupun wanita. Secara tidak langsung ada hubungan antara usia dan penurunan kualitas tidur.Prevalensi penderita insomnia pada usia 50 tahun lebih tinggi.

Pola tidur pada malam hari atau efisiensi tidur menentukan kualitas tidur seseorang yang ditentukan dari bagaimana seseorang mempersiapkan pola tidurnya. Lama tidur seseorang bergantung pada kebiasaan tidur tiap individu.Adapun faktor yang mempengaruhi ialah kegiatan yang dilakukan. Berdasarkan penelitian, rata-rata remaja lama tidur yang didapatkan sebesar 4 jam.Durasi ideal untuk tidur ialah selama 6-8 jam. Umumnya, durasi lama tidur mengikuti kebiasaan dengan tahap tumbuh kembang manusia (Feriani, 2020).

Kualitas tidur dinilai baik apabila tidak menunjukkan gejala kekurangan tidur dan tidak mengalami masalah dalam tidur. Kualitas tidur dipengaruhi oleh lingkungan, gaya hidup dan fisik. Pola gaya hidup berupa minum kopi yang buruk menimbulkan efek serius pada kualitas tidur dikarenakan hal ini mampu mempengaruhi dan menentukan kualitas tidur.Kopi sendiri memiliki kandungan bahan dengan golongan psikostimulan yang mampu menimbulkan rasa bahagia, tubuh tetap terjaga dan mengurangi rasa lelah sehingga sukar untuk mengantuk. Zat psikoaktif dan efek stimulan ialah kafein. Konsumsi kafein ini menimbulkan seseorang tetap terjaga sehingga menyebabkan durasi tidur berkurang. Menurut penelitian (Utari, 2020) menunjukkan apabila konsumsi kopi dengan kualitas tidur memiliki korelasi. Artinya, semakin banyak konsumsi kopi akibatnya akan terjadi penurunan kualitas tidur.

Konsumsi alkohol mampu mengganggu efisiensi tidur sehingga.Alkohol merupakan zat psikoaktif yang digunakan untuk minum pada masyarakat. Penggunaan alkohol sendiri dipercaya pengguna mampu meningkatkan kualitas tidur.Efek lain yang ditimbulkan pada konsumsi alkohol dengan kualitas tidur ialah mendengkur dan desaturasi oksigen.Menurut penelitian (Sean et al, 2019) menunjukkan bahwa konsumsi alkohol berpengaruh pada insomnia dan ritme sirkadian.

Efisiensi tidur mampu dipengaruhi oleh waktu bangun tidur. Namun, waktu bangun tidur tiap individu berbeda. Faktor yang menentukan kualitas tidur yaitu kondisi ketika bangun. Saat bangun tidur, jika badan terasa segar meski awalnya lelah, ini menunjukkan kualitas tidur Anda sangat baik. Sebaliknya, jika seseorang terbangun dan tidak merasa istirahat, hal ini menandakan kualitas tidurnya buruk. Akibatnya tubuh sering merasa mengantuk di siang hari, sulit berkonsentrasi, dan mudah lelah.

1.2 Rumusan Masalah

Berdasarkan latar belakang tersebut, penulis merumuskan pertanyaan penelitian:

1. Bagaimana Pengaruh Usia, Lama Tidur, Fase Tidur, Konsumsi Kafein, Konsumsi Alkohol, Waktu Bangun Tidur dan Latihan Harian Terhadap Efisiensi Tidur?

1.3 Tujuan

Tujuan dari penelitian ini adalah untuk mengetahui Pengaruh Usia, Waktu Tidur, , Konsumsi Kafein, Konsumsi Alkohol, Bangun Tidur dan Latihan harian terhadap efisiensi tidur.

2 TINJAUAN PUSTAKA

2.1 Statistika Deskriptif

Statistika deskriptif merupakan metode yang berkaitan dengan pengumpulan dan penyajian suatu data sehingga memberikan informasi yang berguna (Walpole, 1995). Menurut Sholikhah (2016), statistika deskriptif adalah statistik yang berfungsi untuk menghimpun, mengatur, dan mengolah data untuk dapat disajikan dan memberikan pemahaman yang jelas kepada masyarakat. Atau dengan kata lain, tugas statistika deskriptif adalah untuk menyajikan data dengan jelas agar dapat diambil pengertian atau makna tertentu berdasarkan penggambaran yang disajikan.

2.2 Regresi Linier Berganda

Regresi Linear Berganda adalah model analisis regresi yang menggunakan lebih dari satu variabel independen atau prediktor. Dalam bahasa Inggris, ini disebut multiple linear regression. Bentuk umum regresi linear berganda sebagai berikut: \[ Y = \beta_0 +\beta_1 X_1i+\beta_2 X_2i+...+\varepsilon_i \]

Dimana:

Y= Peubah respon pada amatan ke-i

\(X_ki\) = Peubah prediktor pada amatan ke-i

k = Koefisien Regresi

i= galat pada amatan ke-i

2.3 Pengujian Hipotesis

Pengujian hipotesis merupakan suatu metode dalam statistika inferensial. Pengujian hipotesis pada regresi linear berganda menggunakan pengujian secara parsial (Uji t) dan pengujian secara simultan (Uji F).

2.3.1 Uji Simultan (F)

Uji F digunakan untuk mengetahui bagaimana pengaruh semua variabel bebasnya secara bersama-sama terhadap variabel terikatnya. Atau untuk menguji apakah model regresi yang kita buat signifikan atau tidak signifikan.

Hipotesis

\(H_0 : \beta_1=\beta_2=...=\beta_i=0\)

\(H_1\) : \(\beta_i\) \(\neq 0\) (Minimal ada satu pasang yang tidak sama atau ada satu dimana \(\beta_i\) \(\neq 0\))

Rumus untuk menghitung nilai statistik uji F menggunakan: \[ F_hit= \frac {KTR}{KTG} \]

Keputusan:

Jika \(F_hitung\) < \(F_tabel\) atau nilai signifikansi > \(\alpha\), maka Terima \(H_0\)

Jika \(F_hitung\) \(\ge\) \(F_tabel\) atau nilai signifikansi < \(\alpha\), maka Tolak \(H_0\)

2.3.2 Uji Parsial (T)

Uji T merupakan pengujian untuk memperlihatkan bagaimana pengaruh masing-masing variabel prediktor terhadap variabel respon.

Hipotesis

\(H_0 : \beta_i=0\)

\(H_1\) : \(\beta_i\) \(\neq 0\) (Minimal ada satu pasang yang tidak sama atau ada satu dimana \(\beta_i\) \(\neq 0\))

Rumus untuk menghitung nilai statistik uji T menggunakan: \[ t_hit=\frac {\hat{\beta_1}-\beta_0}{s_d} \] Keputusan:

Jika \(t_hitung\) < \(t_tabel\) atau nilai signifikansi > \(\alpha\), maka Terima \(H_0\)

Jika \(t_hitung\) \(\ge\) \(t_tabel\) atau nilai signifikansi < \(\alpha\), maka Tolak \(H_0\)

2.3.3 Koefisien Determinasi

Koefisien determinasi merupakan seberapa besar kemampuan semua variabel bebas dalam menjelaskan varians dari variabel terikatnya. Nilai koefisien determinasi mulai dari 0% sampai 100% Rumus untuk menghitung koefisien determinasi menggunakan: \[ R^{2}= \frac {JKR}{JKT}=1-\frac {JKG}{JKT} \]

Interpretasi

Semakin tinggi nilai R-squared, maka variabel X dapat menjelaskan variabel Y

2.4 Uji Asumsi Klasik Model Regresi Linier Berganda

2.4.1 Asumsi Normalitas

Aumsi normalitas merupakan asumsi yang menyatakan bahwa galat model regresi harus berdistribusi normal. Asumsi normalitas dapat dilakukan dengan beberapa cara, diantaranya Uji Kolmogorov-Smirnov, Uji Saphiro Wilk, Uji Chi-Square, serta Uji Jarque-Bera.

Hipotesis

\(H_0 :\) Residual berdistribusi normal

\(H_1 :\) Residual tidak berdistribusi normal

Keputusan:

Jika nilai signifikansi > \(\alpha\), Maka \(H_0\) ditolak

Jika nilai signifikansi < \(\alpha\), Maka \(H_0\) diterima

2.4.2 Asumsi Autokorelasi

Asumsi autokorelasi bertujuan untuk mengetahui apakah dalam sebuah model regresi liniear terdapat korelasi antara residual pengamatan yang satu dengan yang lainnya.Untuk mendeteksi adanya autokorelasi, dapat dilakukan uji statistik menggunakan uji Durbin-Watson.

Hipotesis

\(H_0 :\) Tidak terdapat autokorelasi

\(H_1 :\) Terdapat autokorelasi

Rumus untuk menghitung autokorelasi menggunakan: \[ d=\frac {\Sigma (\hat{e_t}-\hat{e}_t-1)^2}{\Sigma \hat{e_t}^2} \] Keputusan:

Apabila 0< d < dl, berati tidak ada autokorelasi positif

Apablia dl \(\le\) d \(\le\) du, berati tidak ada autokorelasi positif dengan keputusan no decision

2.4.3 Asumsi Homogenitas

Asumsi homogenitas merupakan asumsi yang menyatakan bahwa residual memiliki nilai ragam yang sama antara residualke-i dan residual ke-j.Untuk mengujiasumsi ini dapat digunakan uji Breuch-Pagan dengan membandingkan hasil p-value dan taraf nyata.

\(H_0 :\) Ragam homogen

\(H_1 :\) Ragam tidak homogen

2.4.4 Asumsi Multikolinearitas

Model regresi yang baik jika tidak terjadi multikolinieritas. Multikolinieritas berarti terdapat korelasi atau hubungan yang sangat tinggi di antara variabel independen.

Ada beberapa tanda suatu regresi linier berganda memiliki masalah dengan multikolinieritas, yaitu nilai R Square tinggi, tetapi hanya ada sedikit variabel independen yang signifikan atau bahkan tidak signifikan.

Rumus untuk mendekteksi adanya multikolinieritas menggunakan: \[ VIF_j = \frac {1}{1-R_i^{2}} \] Keputusan:

Jika nilai VIF 10 maka terdapat multikolinieritas antar variabel prediktor

3 SOURCE CODE

3.1 Library

> library(readxl)
> library(nortest)
> library(lmtest)
> library(car)

3.2 3.2 Data

> data_regresi = read_excel("Downloads/Sleep_Efficiency (1).xlsx", sheet = 2)
> data_regresi
# A tibble: 50 × 15
      ID   Age Gender Bedtime             `Wakeup time`       `Sleep duration`
   <dbl> <dbl> <chr>  <dttm>              <dttm>                         <dbl>
 1     1    65 Female 2021-03-06 01:00:00 2021-03-06 07:00:00                6
 2     2    69 Male   2021-12-05 02:00:00 2021-12-05 09:00:00                7
 3     3    40 Female 2021-05-25 21:30:00 2021-05-25 05:30:00                8
 4     4    40 Female 2021-11-03 02:30:00 2021-11-03 08:30:00                6
 5     5    57 Male   2021-03-13 01:00:00 2021-03-13 09:00:00                8
 6     6    27 Female 2021-07-21 21:00:00 2021-07-21 03:00:00                6
 7     7    53 Male   2021-08-16 00:30:00 2021-08-16 10:30:00               10
 8     8    41 Female 2021-04-05 02:30:00 2021-04-05 08:30:00                6
 9     9    11 Female 2021-09-16 01:00:00 2021-09-16 10:00:00                9
10    10    50 Male   2021-02-28 00:30:00 2021-02-28 08:30:00                8
# ℹ 40 more rows
# ℹ 9 more variables: `Sleep efficiency` <dbl>, `REM sleep percentage` <dbl>,
#   `Deep sleep percentage` <dbl>, `Light sleep percentage` <dbl>,
#   Awakenings <dbl>, `Caffeine consumption` <dbl>,
#   `Alcohol consumption` <dbl>, `Smoking status` <chr>,
#   `Exercise frequency` <dbl>
> 
> #Mendefinisikan Variabel yang digunakan 
> Usia = data_regresi$Age
> Lama_Tidur = data_regresi$`Sleep duration`
> Fase_TidurREM = data_regresi$`REM sleep percentage`
> Konsumsi_Kafein= data_regresi$`Caffeine consumption`
> Konsumsi_Alkohol = data_regresi$`Alcohol consumption`
> WaktuBangunTidur = data_regresi$Awakenings
> Olahraga_harian = data_regresi$`Exercise frequency`
> effisiensi_tidur = data_regresi$`Sleep efficiency`

3.3 Analisis Regresi Berganda

> regresi = lm(effisiensi_tidur~Usia+Lama_Tidur+Fase_TidurREM+Konsumsi_Kafein+Konsumsi_Alkohol+ WaktuBangunTidur +Olahraga_harian, data = data_regresi)

3.4 Uji Asumsi Klasik Model Regresi Linier Berganda

3.4.1 Uji Normalitas Galat

> residual = resid(regresi)
> uji_normalitas = lillie.test(residual)

3.4.2 Uji Homogenitas Galat

> uji_homogen = bptest(regresi)

3.4.3 Uji Autokorelasi

> uji_autokorelasi = dwtest(regresi)

3.4.4 Uji Multikolinearitas

> multikolinearitas = vif(regresi)

4 HASIL DAN PEMBAHASAN

4.1 Analisis Regresi Berganda

> summary(regresi)

Call:
lm(formula = effisiensi_tidur ~ Usia + Lama_Tidur + Fase_TidurREM + 
    Konsumsi_Kafein + Konsumsi_Alkohol + WaktuBangunTidur + Olahraga_harian, 
    data = data_regresi)

Residuals:
     Min       1Q   Median       3Q      Max 
-0.20337 -0.05368  0.00509  0.06599  0.15247 

Coefficients:
                   Estimate Std. Error t value Pr(>|t|)    
(Intercept)       0.8806368  0.1618525   5.441 2.52e-06 ***
Usia              0.0016228  0.0010404   1.560   0.1263    
Lama_Tidur        0.0020865  0.0144329   0.145   0.8857    
Fase_TidurREM    -0.0011413  0.0038348  -0.298   0.7675    
Konsumsi_Kafein  -0.0008565  0.0006271  -1.366   0.1793    
Konsumsi_Alkohol -0.0207419  0.0088909  -2.333   0.0245 *  
WaktuBangunTidur -0.0742214  0.0140283  -5.291 4.12e-06 ***
Olahraga_harian   0.0066099  0.0108525   0.609   0.5458    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 0.09447 on 42 degrees of freedom
Multiple R-squared:  0.6525,    Adjusted R-squared:  0.5946 
F-statistic: 11.27 on 7 and 42 DF,  p-value: 6.221e-08

Persamaan Regresi Linier Berganda: \[ Y= 0.8806368 + 0.0016228X1 + 0.0020865X2 + -0.0011413X3 + -0.0008565X4 + -0.0207419X5 + -0.0742214X6 + 0.0066099X7 \] Interpretasi:

\(\beta_0\) = Jika variabel usia, lama tidur, fase tidur REM, Konsumsi kafein, konsumsi alkohol, Waktu bangun tidur, Olahraga harian, dan Efisiensi Tidur konstan, maka nilai Y akan berubah dengan sendirinya sebesar 108.97922

\(\beta_1\) = Jika variabel lain bernilai konstan, maka nilai Y akan berubah sebesar 0.0016228 X1 satuan

\(\beta_2\) = Jika variabel lain bernilai konstan, maka nilai Y akan berubah sebesar 0.0020865 X2 satuan

\(\beta_3\) = Jika variabel lain bernilai konstan, maka nilai Y akan berubah sebesar -0.0011413 X3 satuan

\(\beta_4\) = Jika variabel lain bernilai konstan, maka nilai Y akan berubah sebesar -0.0008565 X4 satuan

\(\beta_5\) = Jika variabel lain bernilai konstan, maka nilai Y akan berubah sebesar -0.0207419 X5 satuan

\(\beta_6\) = Jika variabel lain bernilai konstan, maka nilai Y akan berubah sebesar -0.0742214 X6 satuan

\(\beta_7\) = Jika variabel lain bernilai konstan, maka nilai Y akan berubah sebesar 0.0066099 X7 satuan

4.2 Pengujian Hipotesis

4.2.1 Uji Simultan (F)

\(H_0 : \beta_1=\beta_2=\beta_3=\beta_4=\beta_5=\beta_6=\beta_7=0\) (Tidak ada pengaruh antara usia, lama tidur, fase tidur REM, Konsumsi kafein, konsumsi alkohol, Waktu bangun tidur, Olahraga harian terhadap efisiensi tidur)

\(H_1\) : \(\beta_i\) \(\neq 0\) (Terdapat pengaruh antara usia, lama tidur, fase tidur REM, Konsumsi kafein, konsumsi alkohol, Waktu bangun tidur, Olahraga harian terhadap efisiensi tidur)

Keputusan:

Karena P-value (6.221e-08) < \(\alpha\) (0.05), maka \(H_0\) ditolak

Interpretasi:

Dapat disimpulkan bahwa terdapat pengaruh antara usia, lama tidur, fase tidur REM, Konsumsi kafein, konsumsi alkohol, Waktu bangun tidur, Olahraga harian terhadap efisiensi tidur

4.2.2 Uji Parsial (T)

1. Hipotesis Pada \(\beta_0\)

\(H_0 : \beta_1=0\) (Tidak ada pengaruh antara usia, lama tidur, fase tidur REM, Konsumsi kafein, konsumsi alkohol, Waktu bangun tidur, Olahraga harian terhadap efisiensi tidur)

\(H_1\) : \(\beta_i\) \(\neq 0\) (Terdapat pengaruh antara usia, lama tidur, fase tidur REM, Konsumsi kafein, konsumsi alkohol, Waktu bangun tidur, Olahraga harian terhadap efisiensi tidur)

Keputusan:

Nilai P-value (2.52e-06) < (0.05), maka \(H_0\) ditolak

Interpretasi

Dapat disimpulkan bahwa terdapat pengaruh antara usia, lama tidur, fase tidur REM, Konsumsi kafein, konsumsi alkohol, Waktu bangun tidur, Olahraga harian terhadap efisiensi tidur

2. Hipotesis Pada \(\beta_1\)

\(H_0 : \beta_1=0\) (Tidak ada pengaruh antara usia terhadap efisiensi tidur)

\(H_1\) : \(\beta_1\) \(\neq 0\) (Terdapat pengaruh antara usia terhadap efisiensi tidur)

Keputusan:

Nilai P-Value (0.1263) > \(\alpha\) (0.05), maka \(H_0\) diterima

Interpretasi

Dapat disimpulkan bahwa tidak terdapat pengaruh antara usia terhadap efisiensi tidur

3. Hipotesis Pada \(\beta_2\)

\(H_0 : \beta_2=0\) (Tidak ada pengaruh antara lama tidur terhadap efisiensi tidur)

\(H_1\) : \(\beta_2\) \(\neq 0\) (Terdapat pengaruh antara lama tidur terhadap efisiensi tidur)

Keputusan:

Nilai P-Value (0.8857) > \(\alpha\) (0.05), maka \(H_0\) diterima

Interpretasi

Dapat disimpulkan bahwa tidak terdapat pengaruh antara lama tidur terhadap efisiensi tidur

4. Hipotesis Pada \(\beta_3\)

\(H_0 : \beta_3=0\) (Tidak ada pengaruh antara fase tidur REM terhadap efisiensi tidur)

\(H_1\) : \(\beta_3\) \(\neq 0\) (Terdapat pengaruh antara fase tidur REM terhadap efisiensi tidur)

Keputusan:

Nilai P-Value (0.7675) > \(\alpha\) (0.05), maka \(H_0\) diterima

Interpretasi

Dapat disimpulkan bahwa tidak terdapat pengaruh antara fase tidur REM terhadap efisiensi tidur

5. Hipotesis Pada \(\beta_4\)

\(H_0 : \beta_4=0\) (Tidak ada pengaruh antara Konsumsi kafein terhadap efisiensi tidur)

\(H_1\) : \(\beta_4\) \(\neq 0\) (Terdapat pengaruh antara Konsumsi kafein terhadap efisiensi tidur)

Keputusan: Nilai P-Value (0.1793) > \(\alpha\) (0.05), maka \(H_0\) diterima

Interpretasi

Dapat disimpulkan bahwa tidak terdapat pengaruh antara konsumsi kafein terhadap efisiensi tidur

6. Hipotesis Pada \(\beta_5\)

\(H_0 : \beta_5=0\) (Tidak ada pengaruh antara Konsumsi alkohol terhadap efisiensi tidur)

\(H_1\) : \(\beta_5\) \(\neq 0\) (Terdapat pengaruh antara Konsumsi alkohol terhadap efisiensi tidur)

Keputusan: Nilai P-Value (0.0245) < \(\alpha\) (0.05), maka \(H_0\) ditolak

Interpretasi

Dapat disimpulkan bahwa terdapat pengaruh antara konsumsi alkohol terhadap efisiensi tidur

7. Hipotesis Pada \(\beta_6\)

\(H_0 : \beta_3=0\) (Tidak ada pengaruh antara Waktu bangun tidur terhadap efisiensi tidur)

\(H_1\) : \(\beta_3\) \(\neq 0\) (Terdapat pengaruh antara Waktu bangun tidur terhadap efisiensi tidur)

Keputusan: Nilai P-Value (4.12e-06) < \(\alpha\) (0.05), maka \(H_0\) diterima

Interpretasi

Dapat disimpulkan bahwa terdapat pengaruh antara waktu bangun tidur terhadap efisiensi tidur

8. Hipotesis Pada \(\beta_7\)

\(H_0 : \beta_7=0\) (Tidak ada pengaruh antara Olahraga harian terhadap efisiensi tidur)

\(H_1\) : \(\beta_7\) \(\neq 0\) (Terdapat pengaruh antara Olahraga harian terhadap efisiensi tidur)

Keputusan: Nilai P-Value (0.5458) > \(\alpha\) (0.05), maka \(H_0\) diterima

Interpretasi

Dapat disimpulkan bahwa tidak terdapat pengaruh antara olahraga harian terhadap efisiensi tidur

4.3 Uji Asumsi Klasik Model Regresi Linier Berganda

4.3.1 Uji Normalitas

Hipotesis

\(H_0 :\) Residual berdistribusi normal

\(H_1 :\) Residual tidak berdistribusi normal

> uji_normalitas 

    Lilliefors (Kolmogorov-Smirnov) normality test

data:  residual
D = 0.074379, p-value = 0.6997

Keputusan:

Nilai P-value (0.6997) > \(\alpha\) (0.05), Maka \(H_0\) diterima

Interpretasi Dapat disimpulkan bahwa residual berdistribusi normal

4.3.2 Uji Autokorelasi

Hipotesis

\(H_0 :\) Tidak terdapat autokorelasi

\(H_1 :\) Terdapat autokorelasi

> uji_autokorelasi

    Durbin-Watson test

data:  regresi
DW = 2.0592, p-value = 0.6218
alternative hypothesis: true autocorrelation is greater than 0

Keputusan: Nilai P-Value (0.6218) > \(\alpha\) (0.05), Maka \(H_0\) diterima

Interpretasi

Dapat disimpulkan bahwa tidak terdapat autokorelasi

4.3.3 Uji Homogenitas

Hipotesis

\(H_0 :\) Ragam homogen

\(H_1 :\) Ragam tidak homogen

> uji_homogen

    studentized Breusch-Pagan test

data:  regresi
BP = 4.8206, df = 7, p-value = 0.6818

Keputusan: Nilai P-Value (0.6818) > \(\alpha\) (0.05), Maka \(H_0\) diterima

Interpretasi

Dapat disimpulkan bahwa ragam hommogen

4.3.4 Uji Multikolinearitas

> multikolinearitas
            Usia       Lama_Tidur    Fase_TidurREM  Konsumsi_Kafein 
        1.343800         1.131994         1.238734         1.280763 
Konsumsi_Alkohol WaktuBangunTidur  Olahraga_harian 
        1.176923         1.556278         1.278459 

Keputusan:

Nilai Usia = 1.343800 < 10

Nilai Lama tidur = 1.131994 < 10

Nilai Fase Tidur REM = 1.238734 < 10

Nilai Konsumsi Kafein = 1.280763 < 10

Nilai Konsumsi Alkohol = 1.176923 < 10

Nilai Waktu Bangun Tidur = 1.556278 < 10

Nilai Olahraga Harian = 1.278459 < 10

Interpretasi

Semua nilai VIF < 10.Dapat disimpulkan bahwa tidak terdapat multikolinearitas antara variabel prediktor.

5 KESIMPULAN

Berdasarkan pembahasan diatas dapat disimpulkan bahwa terdapat pengaruh antara pengaruh antara usia, lama tidur, fase tidur REM, Konsumsi kafein, konsumsi alkohol, Waktu bangun tidur, Olahraga harian terhadap efisiensi tidur dengan menggunakan uji simultan dan parsial. Berdasarkan uji liliefors disimpulkan bahwa residual mengikuti distribusi normal. Berdasarkan uji durbin watson disimpulkan bahwa tidak terjadi autokorelasi. Berdasarkan uji breusch-pagan disimpulkan bahwa tidak terjadi homogenitas. Selain itu, berdasarkan uji multikolinieritas disimpulkan bahwa tidak terdapat multikolinearitas antara variabel prediktor. Karena tidak terdapat multikolinieritas, maka dapat disimpulkan bahwa model regresi yang baik.

6 DAFTAR PUSTAKA

Sudariana, N & Yoedani. (). ANALISIS STATISTIK REGRESI LINIER BERGANDA. Universitas Nusa Putra Martias,

Lilith Deva. 2021. Statistika Deskriptif Sebagai Kumpulan Informasi. (online)(https://ejournal.uin-suka.ac.id/adab/FIHRIS/article/view/1922/916)

Dia, S., Hasler, B., dan Chakravoti, S. 2019. Alcohol and Sleep-related problems. Current Opinion in Psychology. 30(1) : 117-122

Feriani, Devi. 2020. Hubungan Kualitas Tidur dengan Konsentrasi Belajar Siswa Kelas X TKJ dan XI TKJ di SMK Negeri 1 Jiwan Kabupaten Madiun. Skripsi. Madiun : STIKES Bhakti Husada Mulia Madiun.

Hall, John. 2019. Fisiologi Kedokteran. Singapura : Elsevier

Sumarna,U., Rosidin, U., dan Nugraha, B. 2019. Hubungan Kualitas Tidur dengan Tekanan Darah Pada Pasien Prehipertensi Puskesmas Tarogong Garut. Jurnal Keperawatan. 7(1) : 1-8

Utari, Gusti. 2020. Hubungan Konsumsi Kopi Dengan Kualitas Tidur Pada Remaja di Teras Temu Kopi Tabanan. Skripsi. Bali : Institut Teknologi dan Kesehatan Bali

Valero, J., Selva, J., Ribeiro, B., dan Sanchez, J. 2017. The Influence of Age and Gender on The Prevalence of Poor of Poor Sleep Quality in Human Populations. Gaceta Sanitaria. 31(1) : 18-22