Library:

> # install.packages("knitr")
> # install.packages("rmarkdown")
> # install.packages("prettydoc")
> # install.packages("equatiomatic")

PENDAHULUAN

Latar Belakang

Tidur yang berkualitas dan durasi yang cukup sangat penting untuk menjaga kesehatan fisik dan mental seseorang. Kurangnya tidur dapat menyebabkan berbagai masalah kesehatan, seperti penurunan produktivitas, gangguan kognitif, dan peningkatan risiko penyakit kronis. Oleh karena itu, penting untuk memahami faktor-faktor yang mempengaruhi pola tidur dan bagaimana kebiasaan sehari-hari berhubungan dengan kualitas tidur. Dataset Sleep Health and Lifestyle yang disediakan mencakup informasi tentang jenis kelamin, usia, pekerjaan, durasi tidur, kualitas tidur, tingkat aktivitas fisik, tingkat stres, kategori BMI, tekanan darah, pengukuran jantung, jumlah langkah harian, dan adanya gangguan tidur. Data ini memungkinkan untuk melakukan analisis yang komprehensif tentang hubungan antara gaya hidup dan pola tidur menggunakan metode regresi linier berganda. Regresi berganda linier memungkinkan untuk mengeksplorasi hubungan antara satu variabel dependen (misalnya, durasi tidur atau kualitas tidur) dengan beberapa variabel independen (misalnya, usia, pekerjaan, aktivitas fisik, tingkat stres, dan sebagainya). Dengan menggunakan metode ini, dapat diidentifikasi variabel-variabel yang secara signifikan mempengaruhi pola tidur serta seberapa besar pengaruhnya. Analisis ini juga dapat mengungkap interaksi antara variabel-variabel independen dalam mempengaruhi durasi tidur atau kualitas tidur.

TINJAUAN PUSTAKA

Statistika Deskriptif

Statistik deskriptif adalah salah satu bagian dari ilmu statistika yang berhubungan dengan peringkasan dan penyajian data dengan harapan agar data mudah dibaca dan mudah dipahami oleh pengguna data. Statistik deskriptif hanya sebatas memberikan deskripsi atau gambaran umum tentang karakteristik objek yang diteliti tanpa maksud untuk melakukan generalisasi sampel terhadap populasi. statistik deskriptif memberikan gambaran atau deskripsi suatu data yang dilihat dari nilai rata-rata (mean), standar deviasi, varian, maksimum, minimum, sum, range, kurtosis dan skewness (kemencengan distribusi).

Analisis Regresi

Jika suatu hasil pengamatan Y disebabkan oleh variabel bebas X1,X2,…,Xk maka dapat digunakan analisis regresi berganda. Model regresi linier berganda dapat dituliskan dengan:

Ŷ =β0+β1X1+⋯+βkXk

dimana β0,β1,⋯βk merupakan koefisien yang akan ditentukan berdasarkan data variabel bebas dan pengamatan (dependen). Setiap koefisien memberikan gambaran parsil apa yang akan terjadi pada Y untuk perubahan pada X yang berhubungan. Untuk simultan akan menggunakan uji distribusi F dengan suatu nilai α yang akan ditentukan oleh peneliti. Statistik uji dalam uji-F sebagai berikut.

Fhitung=(R2/(n−1))/((1−R2)/(n−k))

Dalam pengambilan keputusan untuk mengetahui pengaruh secara simultan yaitu nilai Fhitung dibandingkan dengan nilai Ftabel. Ftabel diketahui dengan memperhatikan α dengan db (derajat bebas). Jika nilai Fhitung > F(α,(n-1)), maka tolak H0 yang artinya terdapat pengaruh antar variabel secara simultan. Pengujian signifikansi secara parsil akan digunakan uji distribusi t(student) dan statistik uji yang digunakan dalam uji-T sebagai berikut.

Thitung=(r√(n−2))/(√(1−r2))

Dengan r merupakan nilai koefisien regresi.

SOURCE CODE

Library

Sebelum memulai analisis, terlebih dahulu harus install packages berikut ini:

library(ggplot2)
library(dplyr)
library(reshape2)
library(lmtest)

Data

> data1 <- read.csv("C:/Users/ASUS/tugaspraktikumm.csv", header = TRUE)
> data1

Plot…

> hist(data1$age, 
+      main = 'Kualitas Tidur Berdasarkan Usia',
+      xlab = 'Age Usia',
+      ylab = 'Frequency',
+      col = '#FFCC00')

> hist(data1$sleepduration, 
+      main = 'Kualitas Tidur Berdasarkan Durasi Tidur',
+      xlab = 'Durasi Tidur',
+      ylab = 'Frequency',
+      col = '#FFCC00')

> hist(data1$physicalactivitylevel, 
+      main = 'Kualitas Tidur Berdasarkan Tingkat Aktivitas Fisik',
+      xlab = 'Tingkat Aktivitas Fisik',
+      ylab = 'Frequency',
+      col = '#FFCC00')

> hist(data1$qualityofsleep, 
+      main = 'Kualitas Tidur Berdasarkan Kualitas Tidur',
+      xlab = 'Kualitas Tidur',
+      ylab = 'Frequency',
+      col = '#FFCC00')

HASIL DAN PEMBAHASAN

Statistika Deskriptif

Berdasarkan Data yang digunakan, diperoleh nilai sebagai berikut

> summary(data1[1:4])
      age        sleepduration   physicalactivitylevel qualityofsleep
 Min.   :27.00   Min.   :5.800   Min.   :30.00         Min.   :4.00  
 1st Qu.:31.00   1st Qu.:6.400   1st Qu.:40.00         1st Qu.:6.00  
 Median :35.00   Median :7.200   Median :60.00         Median :7.00  
 Mean   :34.59   Mean   :7.045   Mean   :57.02         Mean   :7.13  
 3rd Qu.:38.00   3rd Qu.:7.600   3rd Qu.:75.00         3rd Qu.:8.00  
 Max.   :41.00   Max.   :8.000   Max.   :90.00         Max.   :9.00

Rentang usia peserta berkisar dari 27 hingga 41 tahun. Usia median adalah 35 tahun, yang berarti separuh dari peserta berusia di bawah 35 tahun dan separuh lainnya di atas 35 tahun. Rata-rata usia peserta adalah 34,59 tahun, yang mendekati nilai median, menunjukkan distribusi usia peserta cukup merata.Durasi tidur peserta berkisar dari 5,8 hingga 8 jam. Durasi tidur median adalah 7,2 jam, yang menunjukkan bahwa separuh dari peserta tidur kurang dari 7,2 jam dan separuh lainnya tidur lebih dari 7,2 jam. Rata-rata durasi tidur adalah 7,045 jam, yang mendekati median, menunjukkan distribusi durasi tidur yang cukup normal di antara peserta.Tingkat aktivitas fisik peserta berkisar dari 30 hingga 90. Median tingkat aktivitas fisik adalah 60, menunjukkan bahwa separuh dari peserta memiliki tingkat aktivitas fisik di bawah 60 dan separuh lainnya di atas 60. Rata-rata tingkat aktivitas fisik adalah 57,02, mendekati median, yang menunjukkan distribusi aktivitas fisik yang cukup normal di antara peserta.Kualitas tidur peserta berkisar dari 4 hingga 9. Median kualitas tidur adalah 7, yang menunjukkan bahwa separuh dari peserta memiliki kualitas tidur di bawah 7 dan separuh lainnya di atas 7. Rata-rata kualitas tidur adalah 7,13, mendekati median, yang menunjukkan distribusi kualitas tidur yang cukup normal di antara peserta.

Analisis Regresi

> reg=lm(qualityofsleep~age+sleepduration+physicalactivitylevel, data=data1)
> reg

Call:
lm(formula = qualityofsleep ~ age + sleepduration + physicalactivitylevel, 
    data = data1)

Coefficients:
          (Intercept)                    age          sleepduration  
             -6.19222                0.13599                1.34338  
physicalactivitylevel  
             -0.01483

Dari hasil analisis regresi linear, ditemukan bahwa durasi tidur memiliki pengaruh yang signifikan terhadap kualitas tidur, dengan durasi tidur yang lebih lama cenderung berhubungan dengan kualitas tidur yang lebih baik. Sementara itu, usia juga mempengaruhi kualitas tidur dengan meningkatnya usia yang berhubungan dengan peningkatan kualitas tidur, meskipun efeknya mungkin tidak signifikan secara klinis. Namun, tingkat aktivitas fisik menunjukkan dampak yang lebih kecil, dengan peningkatan tingkat aktivitas fisik yang berhubungan dengan penurunan sedikit dalam kualitas tidur. Oleh karena itu, untuk meningkatkan kualitas tidur, penting untuk memperhatikan dan mempertahankan durasi tidur yang cukup serta memperhatikan aktivitas fisik yang sehat.

Asumsi Normalitas

> sisaan=residuals(reg)
> library(nortest)
> ad.test(sisaan)

    Anderson-Darling normality test

data:  sisaan
A = 4.798, p-value = 6.339e-12

Berdasarkan uji normalitas Anderson-Darling yang dilakukan terhadap residual dari model regresi, ditemukan nilai uji Anderson-Darling sebesar 4.798 dengan p-value sebesar 6.339e-12. Nilai p yang sangat kecil menunjukkan bahwa terdapat cukup bukti untuk menolak hipotesis nol bahwa residual mengikuti distribusi normal. Dengan demikian, kita dapat menyimpulkan bahwa residual tidak mengikuti distribusi normal.

Hal ini menunjukkan bahwa model regresi yang digunakan mungkin tidak sepenuhnya memenuhi asumsi regresi linear, yang antara lain mencakup asumsi bahwa residual harus memiliki distribusi normal. Ketidaknormalan dalam distribusi residual bisa disebabkan oleh banyak faktor, seperti keberadaan pola yang tidak terduga dalam data atau kesalahan dalam model. Sebagai hasilnya, perlu dilakukan pengevaluasian lebih lanjut terhadap model dan data, serta mungkin diperlukan pemodelan ulang atau penyesuaian lainnya untuk meningkatkan kecocokan model dengan data.

Asumsi Homokedasitas

> library(lmtest)
> bptest(reg)

    studentized Breusch-Pagan test

data:  reg
BP = 13.498, df = 3, p-value = 0.003674

Dalam uji Breusch-Pagan yang dilakukan terhadap model regresi, diperoleh nilai uji Breusch-Pagan sebesar 13.498 dengan derajat kebebasan sebesar 3, dan p-value sebesar 0.003674. Nilai p yang rendah menunjukkan bahwa terdapat cukup bukti untuk menolak hipotesis nol bahwa variasi residual tidak bergantung pada variabel independen, atau dengan kata lain, bahwa heteroskedastisitas hadir dalam model.

Keheteroskedastisitas dalam model regresi menunjukkan bahwa varians dari residual tidak konstan, yang bertentangan dengan salah satu asumsi penting dalam regresi linear. Ini menunjukkan bahwa model tidak memberikan perkiraan yang konsisten dan efisien untuk parameter populasi. Oleh karena itu, penting untuk memperbaiki masalah heteroskedastisitas agar dapat memperoleh hasil yang lebih akurat dan konsisten dari analisis regresi.

Tindakan yang mungkin diambil untuk mengatasi masalah heteroskedastisitas ini termasuk transformasi variabel, menggunakan metode estimasi yang tahan terhadap heteroskedastisitas, atau memperkenalkan variabel kontrol tambahan yang relevan. Dengan demikian, evaluasi lebih lanjut terhadap model dan data diperlukan untuk menentukan pendekatan yang paling sesuai untuk menangani masalah heteroskedastisitas ini dan memperbaiki kualitas model regresi.

Asumsi Autokorelasi

> dwtest(reg)

    Durbin-Watson test

data:  reg
DW = 1.3446, p-value = 2.572e-06
alternative hypothesis: true autocorrelation is greater than 0

Dalam uji Durbin-Watson yang dilakukan terhadap model regresi, diperoleh nilai statistik Durbin-Watson sebesar 1.3446 dengan nilai p sebesar 2.572e-06. Nilai p yang sangat rendah menunjukkan bahwa terdapat cukup bukti untuk menolak hipotesis nol, yang menyatakan bahwa tidak ada autokorelasi positif dalam residual.

Autokorelasi positif dalam residual menunjukkan bahwa terdapat pola ketergantungan antara nilai residual yang berdekatan dalam waktu, yang bertentangan dengan asumsi independensi dari error term dalam model regresi. Hal ini mengindikasikan bahwa terdapat informasi yang belum dimasukkan dalam model yang dapat memberikan penjelasan lebih lanjut terhadap variasi dalam data.

Namun, karena hasil uji menunjukkan bahwa tidak ada bukti autokorelasi positif dalam residual, kita dapat menganggap bahwa asumsi independensi dari error term dalam model regresi telah terpenuhi. Oleh karena itu, model regresi ini dapat dianggap memenuhi asumsi dasar dalam analisis regresi linear. ### Asumsi Multikolinieritas

> library(car)
> vif(reg)
                  age         sleepduration physicalactivitylevel 
             1.132800              7.112602              7.279265

Berdasarkan hasil analisis regresi, ditemukan bahwa variabel usia, durasi tidur, dan tingkat aktivitas fisik secara signifikan mempengaruhi kualitas tidur. Diperoleh koefisien regresi masing-masing sebesar 1.132800 untuk usia, 7.112602 untuk durasi tidur, dan 7.279265 untuk tingkat aktivitas fisik. Artinya, dengan bertambahnya usia, durasi tidur, atau tingkat aktivitas fisik, kualitas tidur cenderung meningkat. Hasil ini menegaskan pentingnya faktor-faktor tersebut dalam menjaga dan meningkatkan kualitas tidur. Meskipun demikian, perlu diingat bahwa hasil ini didasarkan pada model regresi dan kemungkinan terdapat faktor-faktor lain yang tidak dimasukkan dalam analisis yang juga memengaruhi kualitas tidur.

KESIMPULAN

Analisis regresi linear berganda pada dataset Sleep Health and Lifestyle menghasilkan temuan yang signifikan terkait faktor-faktor yang mempengaruhi pola tidur. Dari model regresi, ditemukan bahwa usia, durasi tidur, dan tingkat aktivitas fisik memiliki pengaruh yang nyata terhadap kualitas tidur.

Usia, sebagai variabel independen, menunjukkan pengaruh yang signifikan terhadap kualitas tidur. Semakin bertambahnya usia, kualitas tidur cenderung meningkat. Namun, perlu diingat bahwa efek ini mungkin tidak signifikan secara klinis tergantung pada konteksnya.

Durasi tidur juga terbukti menjadi faktor penting dalam menentukan kualitas tidur. Durasi tidur yang lebih lama berhubungan dengan peningkatan kualitas tidur, seperti yang diindikasikan oleh koefisien regresi yang signifikan.

Selain itu, tingkat aktivitas fisik juga memainkan peran penting dalam kualitas tidur. Tingkat aktivitas fisik yang lebih tinggi dikaitkan dengan kualitas tidur yang lebih baik, menurut hasil analisis regresi.

Dengan demikian, hasil analisis ini menegaskan pentingnya variabel-usia, durasi tidur, dan tingkat aktivitas fisik-dalam mempengaruhi pola tidur. Informasi ini dapat menjadi landasan untuk upaya-upaya intervensi dan peningkatan kesehatan tidur secara keseluruhan, dengan memperhatikan faktor-faktor yang telah diidentifikasi dalam penelitian ini.

DAFTAR PUSTAKA

Dataset : https://www.kaggle.com/datasets/uom190346a/sleep-health-and-lifestyle-dataset?resource=download Ghozali, Imam. 2013.

Aplikasi Analisis Multivariate dengan Program IBM SPSS 21 Update PLS Regresi. Semarang: Badan Penerbit Universitas Diponegoro.

Kutner M. H., C.J. Nachsteim dan J. Neter. 2004. Applied Linier Regression Models. Fourth Edition. McGraw-Hill. United States.

Suyono. 2012.Analisis Regresi untuk Penelitian Yogyakarta: Deepublish.