BAB I Pendahuluan

1.1 Latar Belakang

Perkembangan teknologi digital telah membawa perubahan besar dalam pola aktivitas manusia, khususnya dalam dunia kerja. Saat ini berbagai pekerjaan sangat bergantung pada perangkat digital seperti komputer, laptop, maupun smartphone sehingga meningkatkan durasi penggunaan layar (screen time) dalam kehidupan sehari-hari. Screen time merujuk pada waktu yang dihabiskan seseorang untuk menggunakan perangkat digital dalam berbagai aktivitas seperti bekerja, belajar, maupun hiburan. Menurut Putera (2024), peningkatan penggunaan perangkat digital dalam kehidupan sehari-hari dapat memengaruhi kondisi psikologis individu serta berdampak pada kesejahteraan mental apabila penggunaannya tidak terkontrol. Kondisi ini menunjukkan bahwa penggunaan teknologi digital memiliki dampak yang cukup besar terhadap kehidupan manusia, termasuk dalam aspek kesehatan dan produktivitas kerja.

Durasi penggunaan layar menjadi salah satu faktor yang sering dikaitkan dengan kondisi kesehatan mental individu. Penggunaan perangkat digital yang terlalu lama dapat meningkatkan risiko munculnya stres, kecemasan, maupun kelelahan mental akibat paparan informasi yang terus menerus. Penelitian oleh Pieh et al. (2025) menunjukkan bahwa pengurangan waktu penggunaan smartphone selama beberapa minggu dapat memberikan dampak positif terhadap kesehatan mental, seperti menurunnya tingkat stres dan depresi serta meningkatnya kesejahteraan psikologis. Hal ini menunjukkan bahwa durasi penggunaan layar memiliki hubungan yang cukup signifikan dengan kondisi mental seseorang.

Selain durasi penggunaan layar, durasi tidur juga merupakan faktor penting yang memengaruhi kondisi fisik dan psikologis individu. Tidur merupakan kebutuhan biologis yang berperan dalam proses pemulihan tubuh dan fungsi kognitif manusia. Menurut penelitian Dianah, Sukaesih, dan Sejati (2024), kualitas dan durasi tidur yang baik memiliki hubungan dengan kondisi kesehatan yang lebih stabil serta kemampuan konsentrasi yang lebih baik dalam melakukan aktivitas sehari-hari. Sebaliknya, kurangnya durasi tidur dapat menyebabkan kelelahan, penurunan konsentrasi, serta menurunnya performa kerja seseorang.

Kesehatan mental juga menjadi faktor yang sangat penting dalam menentukan tingkat produktivitas seseorang dalam bekerja. Individu dengan kondisi mental yang baik cenderung mampu mengelola stres dengan lebih baik, mempertahankan motivasi kerja, serta menyelesaikan tugas secara lebih efektif. Sebaliknya, individu yang mengalami gangguan kesehatan mental seperti stres berlebih atau depresi cenderung mengalami penurunan kinerja dan kesulitan dalam berkonsentrasi. Sari dan Rinaldi (2021) memaparkan dalam penelitiannya terkait kondisi kesehatan mental yang buruk dapat menurunkan tingkat produktivitas kerja karena memengaruhi kemampuan individu dalam berpikir secara fokus dan mengambil keputusan secara efektif.

Berdasarkan berbagai faktor tersebut, dapat dilihat bahwa durasi penggunaan layar, durasi tidur, serta indeks kesehatan mental merupakan faktor yang berpotensi memengaruhi tingkat produktivitas individu. Oleh karena itu, penelitian ini bertujuan untuk menganalisis pengaruh durasi penggunaan layar, durasi tidur, dan kesehatan mental terhadap produktivitas pekerja menggunakan metode regresi linear berganda. Hasil penelitian diharapkan dapat memberikan gambaran mengenai faktor-faktor yang memengaruhi produktivitas pekerja di era digital serta menjadi bahan pertimbangan dalam menjaga keseimbangan antara penggunaan teknologi, kesehatan mental, dan pola hidup yang sehat.

1.2 Rumusan Masalah

Apakah terdapat hubungan antara durasi penggunaan layar, durasi tidur, dan indeks kesehatan mental terhadap produktivitas pekerja?
Seberapa besar pengaruh masing-masing variabel independen (durasi penggunaan layar, durasi tidur, dan indeks kesehatan mental) terhadap produktivitas pekerja?
Apakah model regresi linier berganda yang digunakan mampu menjelaskan dan memprediksi produktivitas pekerja dengan baik?
Apakah data yang digunakan dalam penelitian telah memenuhi asumsi-asumsi klasik yang diperlukan dalam analisis regresi linier berganda?

1.3 Tujuan Penelitian

Mengidentifikasi hubungan antara durasi penggunaan layar, durasi tidur, dan indeks kesehatan mental terhadap produktivitas pekerja.
Menganalisis pengaruh masing-masing variabel independen (durasi penggunaan layar, durasi tidur, dan indeks kesehatan mental) terhadap produktivitas pekerja.
Mengetahui apakah model regresi linier berganda yang dihasilkan memiliki tingkat kecocokan yang baik dalam menjelaskan produktivitas pekerja.
Menguji apakah data yang digunakan telah memenuhi asumsi-asumsi klasik yang diperlukan dalam analisis regresi linier berganda.

BAB II Landasan Teori

2.1 Regresi Linier Berganda

Analisis regresi linier merupakan suatu analisis untuk mengetahui pengaruh dari suatu variabel terhadap variabel lainnya. Menurut Sugiyono (2017), analisis regresi linier digunakan untuk mengetahui pengaruh atau hubungan secara linear antara suatu variabel independen dengan suatu variabel dependen. Jika model hanya melibatkan satu variabel independen, maka disebut regresi linier sederhana. Namun, apabila terdapat lebih dari satu variabel independen yang dianalisis secara simultan, maka metode tersebut disebut regresi linier berganda.

Regresi linear berganda merupakan model regresi yang melibatkan lebih dari satu variabel independen. Analisis regresi linear berganda dilakukan untuk mengetahui arah hubungan (positif, negatif) dan seberapa besar pengaruh variabel independen terhadap variabel dependen (Ghozali, 2018).

Bentuk persamaan regresi linier berganda yaitu: \[ Y = \beta_0 + \beta_1X_1 + \beta_2X_2 + ... + \beta_nX_n + \epsilon \] dengan \(Y\) merupakan variabel dependen, \(X_1, X_2, \ldots, X_n\) adalah variabel independen \(\beta_0\) adalah konstanta, \(\beta_1, \beta_2, \ldots, \beta_n\) adalah koefisien regresi, dan \(\varepsilon\) adalah komponen galat yang mencerminkan pengaruh variabel lain di luar model. Koefisien regresi dapat diestimasi menggunakan Metode Kuadrat Terkecil atau Ordinary Least Squares (OLS), yang meminimalkan jumlah kuadrat residual. Masing-masing koefisien selanjutnya diuji signifikansinya untuk mengetahui apakah variabel independen berpengaruh secara signifikan terhadap variabel dependen.

2.2 Uji Asumsi Klasik

Pengujian terhadap model regresi linier berganda merupakan langkah penting dalam analisis statistik untuk memastikan bahwa model yang dibangun dapat digunakan secara tepat dalam proses penarikan kesimpulan. Proses pengujian ini bertujuan untuk menilai apakah model telah memenuhi berbagai asumsi dasar yang menjadi landasan metode estimasi yang digunakan. Dengan terpenuhinya asumsi-asumsi tersebut, hasil estimasi parameter serta pengujian hipotesis yang dilakukan melalui model regresi dapat dipercaya dan memiliki validitas yang baik

Residual dalam konteks model regresi didefinisikan sebagai selisih antara nilai pengamatan sebenarnya dengan nilai yang diprediksi oleh model. Secara matematis, residual dapat dinyatakan sebagai \(\varepsilon_i = y_i - \hat{y}_i\). Residual tersebut menggambarkan komponen kesalahan (error term) dalam model, yaitu bagian variasi data yang tidak dapat dijelaskan oleh variabel independen yang digunakan dalam analisis.

Agar model regresi linier berganda dapat dikategorikan sebagai model yang baik sesuai dengan konsep Best Linear Unbiased Estimator (BLUE), maka sejumlah asumsi klasik harus dipenuhi. Asumsi-asumsi tersebut berkaitan dengan karakteristik residual yang dihasilkan oleh model, bukan secara langsung pada variabel dependen maupun variabel independen. Apabila asumsi klasik tersebut tidak terpenuhi, maka estimasi parameter regresi yang diperoleh berpotensi menjadi tidak efisien, bias, atau bahkan menghasilkan interpretasi yang keliru dalam penarikan kesimpulan penelitian.

Beberapa asumsi yang harus dipenuhi meliputi linearitas, normalitas residual, homoskedastisitas, independensi residual atau tidak adanya autokorelasi, serta tidak adanya multikolinearitas.

2.2.1 Linieritas

Asumsi linearitas menyatakan bahwa hubungan antara variabel independen dan variabel dependen bersifat linier. Artinya, perubahan pada variabel independen akan diikuti oleh perubahan yang searah dan proporsional pada variabel dependen, dengan asumsi variabel lain tetap.

Dalam analisis regresi, konsep linieritas tidak selalu berarti bahwa hubungan antarvariabel harus membentuk garis lurus secara sempurna pada grafik. Yang terpenting adalah bahwa model tersebut bersifat linier terhadap parameter koefisien regresi \(\beta\). Apabila asumsi linieritas tidak terpenuhi, maka dapat terjadi kesalahan dalam penentuan bentuk model atau yang dikenal sebagai model misspecification. Kondisi ini berpotensi menyebabkan hasil estimasi koefisien regresi menjadi tidak akurat atau bias sehingga dapat memengaruhi kesimpulan penelitian.

Uji linieritas dapat dilakukan melalui pendekatan grafik seperti Residual vs Fitted Plot yang digunakan untuk melihat pola penyebaran residual terhadap nilai prediksi. Selain itu, pengujian juga dapat dilakukan melalui uji statistik seperti Ramsey RESET test, yang bertujuan untuk mendeteksi apakah terdapat kesalahan spesifikasi model atau hubungan nonlinier yang tidak tertangkap oleh model regresi yang digunakan.

2.2.2 Normalitas Residual

Asumsi normalitas digunakan untuk menilai apakah galat (residuals) dari suatu model statistik atau analisis data terdistribusi secara normal atau mendekati distribusi normal. Uji normalitas bertujuan untuk menguji apakah dalam metode regresi, variabel terikat dan variabel bebas keduanya mempunyai distribusi normal atau tidak.

Untuk mendeteksi apakah data berdistribusi normal dapat digunakan uji Kolmogorov-Smirnov. Jika pada hasil uji Kolmogorov-Smirnov menunjukkan p-value lebih besar dari 0.05, maka data berdistribusi normal dan sebaliknya, jika p-value lebih kecil dari 0.05, maka data tersebut berdistribusi tidak normal. Selain itu, dapat juga dilakukan dengan mengamati Normal Q-Q Plot. Jika titik-titik residual menyebar sekitar garis dan mengikuti garis diagonal, maka model regresi tersebut telah normal dan layak dipakai untuk memprediksi variabel bebas dan sebaliknya (Ghozali, 2018).

2.2.3 Homoskedastisitas

Asumsi homoskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dari residual satu pengamatan ke pengamatan yang lain. Jika varians residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas, dan jika berubah-ubah, maka diasumsikan terjadi heteroskedastisitas. Kondisi ini tidak menyebabkan koefisien menjadi bias, tetapi membuat estimasi tidak efisien dan standar error menjadi tidak akurat. Akibatnya, hasil pengujian statistik seperti uji t dan uji F berpotensi menghasilkan kesimpulan yang keliru (Gujarati & Porter, 2009). Pengujian homoskedastisitas dapat dilakukan dengan Breusch–Pagan Test atau melalui analisis grafik residual.

2.2.4 Non-Autokorelasi

Asumsi independensi residual atau non-autokorelasi menyatakan bahwa residual antar pengamatan tidak saling berkorelasi. Pelanggaran terhadap asumsi ini disebut autokorelasi dan sering terjadi pada data time series, di mana residual pada periode tertentu berkorelasi dengan residual pada periode \(t - 1\). Autokorelasi dapat menyebabkan standar error menjadi tidak akurat sehingga uji signifikansi menjadi tidak valid. Pengujian asumsi non-autokorelasi umumnya dilakukan menggunakan Durbin–Watson Test.

2.2.5 Non-Multikolinearitas

Asumsi non-multikolinearitas menyatakan bahwa antar variabel independen dalam model regresi tidak memiliki hubungan korelasi yang sangat tinggi. Kondisi ini dapat menyebabkan koefisien regresi menjadi tidak stabil dan standar error yang besar. Meskipun tidak memengaruhi kemampuan prediksi model secara langsung. Multikolinearitas dapat dideteksi menggunakan Variance Inflation Factor (VIF). Nilai VIF lebih dari 10 mengindikasikan multikolinearitas yang tinggi. Jika nilai VIF masih dalam batas wajar yaitu kurang dari 10, maka asumsi non-multikolinearitas dapat dikatakan terpenuhi.

2.3 Uji F

Uji F digunakan untuk mengetahui apakah seluruh variabel independen dalam model regresi secara bersama-sama berpengaruh terhadap variabel dependen. Pengujian ini bertujuan untuk mengevaluasi kelayakan model secara keseluruhan. Pengujian ini diperoleh melalui output summary(model) pada bagian nilai F-statistic dan p-value. Jika nilai p-value lebih kecil dari tingkat signifikansi yang digunakan, maka dapat disimpulkan bahwa model regresi secara simultan signifikan. Artinya, variabel independen secara bersama-sama memiliki pengaruh terhadap variabel dependen dan model layak digunakan untuk analisis lebih lanjut. Sebaliknya, apabila nilai p-value lebih besar dari tingkat signifikansi, maka model tidak signifikan secara simultan.

2.4 Uji t

Uji t digunakan untuk mengetahui pengaruh masing-masing variabel independen secara individu terhadap variabel dependen. Pengujian ini bertujuan untuk melihat variabel mana yang benar-benar memberikan kontribusi signifikan dalam model. Nilai uji t dapat dilihat pada output summary(model) pada kolom \(Pr(>|t|)\). Jika nilai p-value suatu variabel lebih kecil dari tingkat signifikansi, maka variabel tersebut berpengaruh signifikan terhadap variabel dependen. Hal ini menunjukkan bahwa perubahan pada variabel tersebut akan memberikan perubahan yang berarti terhadap variabel dependen Sebaliknya, jika p-value lebih besar dari tingkat signifikansi, maka variabel tersebut tidak berpengaruh secara signifikan dalam model.

2.5 Koefisien Determinasi

Koefisien determinasi digunakan untuk mengukur seberapa besar kemampuan model dalam menjelaskan variasi pada variabel dependen. Nilai ini dapat dilihat pada output summary(model) pada bagian Multiple R-squared dan Adjusted R-squared. Nilai R-squared menunjukkan proporsi variasi variabel dependen yang dapat dijelaskan oleh seluruh variabel independen dalam model. Semakin besar nilainya, maka semakin baik kemampuan model dalam menjelaskan data. Sedangkan Adjusted R-squared merupakan versi yang telah disesuaikan dengan jumlah variabel dalam model.

BAB III Metodologi Penelitian

3.1 Sumber Data

Penelitian ini menggunakan data sekunder yang diperoleh dari repository dataset online pada platform Kaggle, yaitu Screen Time vs Mental Wellness Survey yang dipublikasikan oleh Adharshini Kumaresan pada tahun 2025. Dataset tersebut terdiri atas 400 observasi dengan total 12 variabel. Namun, peneliti hanya mengambil 4 variabel, dengan 3 sebagai variabel independen, dan 1 sebagai variabel dependen. Pemilihan variabel tersebut didasarkan pada pertimbangan teoritis dan relevansi terhadap tujuan penelitian.

Variabel independen yang digunakan meliputi Screen Time Hours (durasi penggunaan layar), Sleep Hours (durasi tidur), dan Mental Wellness Index (indeks kesehatan mental). Adapun variabel dependen dalam penelitian ini adalah Employee Productivity (produktivitas pekerja).

Dengan mempertimbangkan ketiga faktor tersebut, peneliti berupaya menganalisis pengaruh durasi penggunaan layar, durasi tidur, dan indeks kesehatan mental terhadap produktivitas pekerja. Pembatasan jumlah variabel juga dilakukan untuk menjaga kesederhanaan model regresi serta memudahkan interpretasi hasil analisis, sehingga hubungan antarvariabel dapat dianalisis secara lebih fokus dan jelas.

3.2 Teknik Analisis Data

Teknik analisis data dalam penelitian ini dilakukan secara bertahap menggunakan software RStudio, dengan tahapan sebagai berikut:

Pra-Processing Data

Pra-processing data sebagai tahap awal dilakukan untuk memeriksa struktur data untuk memastikan kesesuaian tipe variabel serta menganalisis statistik deskriptif dari masing-masing variabel.

Exploratory Data Analysis (EDA)

Exploratory Data Analysis dilakukan untuk memahami karakteristik data, meliputi visualisasi distribusi variabel menggunakan histogram serta identifikasi outlier menggunakan boxplot.

Pemodelan Regresi Linier Berganda

Model regresi linier berganda dibentuk untuk menganalisis pengaruh variabel independen terhadap indeks performa siswa sebagai variabel dependen.

Uji Asumsi Klasik

Sebelum interpretasi model, dilakukan pengujian asumsi klasik yang meliputi linearitas, normalitas residual, homoskedastisitas, non-multikolinearitas, serta non-autokorelasi.

Uji Signifikansi dan Koefisien Determinasi

Setelah model memenuhi asumsi, dilakukan uji signifikansi simultan (uji F) dan parsial (uji t). Selanjutnya, dievaluasi nilai koefisien determinasi (R-squared dan Adjusted R-squared) untuk mengukur kemampuan model dalam menjelaskan variasi variabel dependen.

BAB IV Hasil dan Pembahasan

**4.1 Pra-Processing Data**

**4.1.1 Import Data**

library(readxl)
data <- read_excel("C:/Users/acer/Downloads/data komlan.xlsx")
head(data)

## # A tibble: 6 × 4
##   employee_productivity screen_time_hours sleep_hours mental_wellness_index
##                   <dbl>             <dbl>       <dbl>                 <dbl>
## 1                  44.7             10.8         6.63                   9.3
## 2                  78                7.4         8.05                  56.2
## 3                  51.8              9.78        6.48                   3.6
## 4                  37               11.1         6.89                   0  
## 5                  38.5             13.2         5.79                   0  
## 6                  44                9.83        7.19                   5

Data diimpor ke dalam R menggunakan fungsi read_excel(). Fungsi head() digunakan untuk menampilkan beberapa baris awal sebagai verifikasi bahwa data telah terbaca dengan benar.

4.1.2 Struktur Data

str(data)

## tibble [400 × 4] (S3: tbl_df/tbl/data.frame)
##  $ employee_productivity: num [1:400] 44.7 78 51.8 37 38.5 44 64.8 87 91.7 42.2 ...
##  $ screen_time_hours    : num [1:400] 10.79 7.4 9.78 11.13 13.22 ...
##  $ sleep_hours          : num [1:400] 6.63 8.05 6.48 6.89 5.79 7.19 7.44 6.78 8.48 7.78 ...
##  $ mental_wellness_index: num [1:400] 9.3 56.2 3.6 0 0 5 43.7 54.3 86.8 10.7 ...

Berdasarkan struktur data, seluruh variabel telah terbaca dengan benar.

4.1.3 Statistik Deskriptif Data

summary(data)

##  employee_productivity screen_time_hours  sleep_hours    mental_wellness_index
##  Min.   : 20.60        Min.   : 1.000    Min.   :4.640   Min.   : 0.000       
##  1st Qu.: 43.60        1st Qu.: 7.372    1st Qu.:6.397   1st Qu.: 3.675       
##  Median : 51.75        Median : 9.090    Median :7.030   Median :14.800       
##  Mean   : 54.31        Mean   : 9.025    Mean   :7.013   Mean   :20.327       
##  3rd Qu.: 63.00        3rd Qu.:10.495    3rd Qu.:7.640   3rd Qu.:30.650       
##  Max.   :100.00        Max.   :19.170    Max.   :9.740   Max.   :97.000

Berdasarkan hasil statistik deskriptif, diperoleh gambaran umum karakteristik masing-masing variabel dalam dataset. Variabel Employee Productivity memiliki nilai minimum 20.6 dan maksimum 100, dengan rata-rata sebesar 54.31 dan median 51.75. Hal ini menunjukkan bahwa secara umum karyawan menilai produktivitas diri mereka sebesar 54.31. Variabel Screen Time Hours memiliki nilai minimum 1 jam dan maksimum 19.17 jam, dengan rata-rata 9.025 jam serta median 9.09 jam. Nilai median yang mendekati rata-rata menunjukkan distribusi data yang relatif simetris. Untuk variabel Sleep Hours yang memiliki rentang antara 4.64 hingga 9.74 jam, memiliki rata-rata 7.013 jam dan median 7.03. Hal ini menunjukkan bahwa banyak karyawan tidur sekitar 7 jam per hari. Kemudian pada variabel Mental Wellness Index memiliki rentang terpanjang dengan nilai minimum 0 dan maksimum 97, rata-rata 20.327 dan median 14.8. Ini menunjukkan bahwa kesehatan indeks mental karyawan relatif rendah.

4.2 Exploratory Data Analysis

4.2.1 Distribusi Variabel

par(mfrow = c(2, 3)) 

num_vars <- c("employee_productivity",
              "screen_time_hours",
              "sleep_hours",
              "mental_wellness_index")

for (v in num_vars) {
  hist(data[[v]],
       main = paste("Histogram of", v),
       xlab = v)
}

par(mfrow = c(1,1))

Berdasarkan histogram yang ditampilkan, variabel Employee Productivity, Screen Time Hours, dan Sleep Hours menunjukkan distribusi yang relatif merata pada sebagian besar rentang nilainya, dengan frekuensi yang cukup terkonsentrasi di sekitar nilai tengah dan tanpa lonjakan yang terlalu ekstrem pada nilai tertentu. Hal ini mengindikasikan bahwa penyebaran data pada ketiga variabel tersebut cukup seimbang dan sebagian besar observasi berada di sekitar nilai rata-rata atau median, dengan hanya sedikit nilai yang berada pada rentang sangat rendah atau sangat tinggi.

Sementara itu, variabel Mental Wellness Index menunjukkan pola distribusi yang cenderung miring ke kanan (positively skewed), di mana frekuensi observasi lebih banyak terkonsentrasi pada nilai rendah hingga menengah, dan semakin berkurang pada nilai yang lebih tinggi. Hal ini mengindikasikan bahwa sebagian besar individu dalam data memiliki nilai indeks kesejahteraan mental yang relatif rendah hingga sedang, sedangkan hanya sebagian kecil yang memiliki nilai indeks yang sangat tinggi.

4.2.2 Identifikasi Outlier

boxplot(data[, num_vars],
        main = "Outlier Identification Boxplot")

Berdasarkan boxplot, terlihat bahwa beberapa variabel memiliki outlier di luar rentang whisker, yang menunjukkan adanya nilai yang cukup jauh dari mayoritas data. Variabel Employee Productivity dan Screen Time Hours memperlihatkan beberapa outlier pada bagian atas distribusi, yang menandakan adanya sejumlah observasi dengan nilai yang lebih tinggi dibandingkan sebagian besar data lainnya. Variabel Sleep Hours menunjukkan rentang nilai yang relatif sempit dengan median yang berada di sekitar tengah kotak, serta hanya sedikit outlier sehingga penyebaran datanya cenderung lebih stabil dan konsisten. Sementara itu, variabel Mental Wellness Index memiliki rentang yang cukup luas dengan beberapa outlier pada nilai yang lebih tinggi, yang mengindikasikan adanya variasi yang lebih besar pada indeks kesejahteraan mental dibandingkan variabel lainnya.

Secara keseluruhan, meskipun terdapat beberapa outlier pada beberapa variabel, pola distribusi data masih menunjukkan kecenderungan yang cukup wajar dan tidak terdapat penyimpangan yang terlalu ekstrem.

4.3 Model Awal Regresi Linier Berganda

model <- lm(employee_productivity ~ ., data = data)
summary(model)

## 
## Call:
## lm(formula = employee_productivity ~ ., data = data)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -17.7388  -3.8498   0.0277   3.8095  21.4789 
## 
## Coefficients:
##                       Estimate Std. Error t value Pr(>|t|)    
## (Intercept)           54.74829    3.19815  17.119   <2e-16 ***
## screen_time_hours     -1.34506    0.15553  -8.648   <2e-16 ***
## sleep_hours            0.04668    0.43090   0.108    0.914    
## mental_wellness_index  0.55936    0.02204  25.381   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 5.962 on 396 degrees of freedom
## Multiple R-squared:  0.8437, Adjusted R-squared:  0.8425 
## F-statistic: 712.3 on 3 and 396 DF,  p-value: < 2.2e-16

Berdasarkan output R, diperoleh nilai: \(\beta_0\) = 54.74829, \(\beta_1\) = -1.34506, \(\beta_2\) = 0.04668, dan \(\beta_3\) = 0.55936 Dengan demikian, dapat dibangun model regresi awal yaitu \[ \hat{Y} = 54.74829-1.34506X_1+0.04668X_2+0.55936X_3 \]

4.4 Uji Asumsi Klasik

4.4.1 Linieritas

plot(model, which = 1)

Berdasarkan plot Residuals vs Fitted, titik-titik residual menyebar secara acak di sekitar garis nol tanpa membentuk pola tertentu. Hal ini menunjukkan bahwa hubungan antara variabel independen dan variabel dependen bersifat linier, sehingga linieritas terpenuhi secara visual.

Hipotesis

\(H_0\): Terdapat hubungan linear antara variabel independen dengan variabel dependen

\(H_1\): Tidak terdapat hubungan linear antara variabel independen dengan variabel dependen

Taraf Signifikansi

\(\alpha\) = 5%

Statistik Uji

lmtest::resettest(model)

## 
##  RESET test
## 
## data:  model
## RESET = 0.63047, df1 = 2, df2 = 394, p-value = 0.5329

Berdasarkan hasil RESET test, diperoleh nilai p-value sebesar 0.5329.

Daerah Kritis

Tolak \(H_0\) jika p-value \(< \alpha\)

Keputusan dan Kesimpulan

Pada taraf signifikansi \(\alpha\) = 5%, \(H_0\) gagal ditolak karena nilai p-value (0.5329) \(> \alpha\)(0.05) sehingga dapat disimpulkan bahwa terdapat hubungan linear antara variabel \(X_1, X_2, X_3\) dengan variabel \(Y\) dalam model regresi.

4.4.2 Normalitas Residual

plot(model, which = 2)

Berdasarkan grafik uji normalitas (Normal Q-Q Plot), terlihat bahwa titik-titik residual menyebar di sekitar dan mengikuti arah garis diagonal. Pola penyebaran tersebut menunjukkan bahwa residual cenderung berdistribusi normal.

Hipotesis

\(H_0\): Residual data berdistribusi normal

\(H_1\): Residual data tidak berdistribusi normal

Taraf Signifikansi

\(\alpha\) = 5%

Statistik Uji

residuals <- resid(model)
nortest::lillie.test(residuals)

## 
##  Lilliefors (Kolmogorov-Smirnov) normality test
## 
## data:  residuals
## D = 0.029465, p-value = 0.5438

Berdasarkan output, diperoleh nilai statistics D pada Lilliefors (Kolmogorov-Smirnov) sebesar 0.029465 dengan p-value 0.5438.

Daerah Kritis

Tolak \(H_0\) jika p-value \(< \alpha\)

Keputusan dan Kesimpulan

Pada taraf signifikansi \(\alpha\) = 5%, \(H_0\) gagal ditolak karena nilai p-value (0.5438) \(> \alpha\)(0.05) sehingga dapat disimpulkan bahwa residual data berdistribusi normal.

4.4.3 Homoskedastisitas

Hipotesis

\(H_0\): Tidak terjadi gejala heteroskedastisitas (varian residual konstan)

\(H_1\): Terdapat gejala heteroskedastisitas (varian residual tidak konstan)

Taraf Signifikansi

\(\alpha\) = 5%

Statistik Uji

lmtest::bptest(model)

## 
##  studentized Breusch-Pagan test
## 
## data:  model
## BP = 5.3846, df = 3, p-value = 0.1457

Berdasarkan hasil Breusch-Pagan test, diperoleh nilai p-value sebesar 0.1457.

Daerah Kritis

Tolak \(H_0\) jika p-value \(< \alpha\)

Keputusan dan Kesimpulan

Pada taraf signifikansi \(\alpha\) = 5%, \(H_0\) gagal ditolak karena nilai p-value (0.1457) \(> \alpha\)(0.05) sehingga dapat disimpulkan bahwa tidak terdapat gejala heteroskedastisitas dalam model regresi.

4.4.4 Non-Autokorelasi

Hipotesis

\(H_0\): Tidak terdapat autokorelasi

\(H_1\): Terdapat autokorelasi

Taraf Signifikansi

\(\alpha\) = 5%

Statistik Uji

lmtest::dwtest(model)

## 
##  Durbin-Watson test
## 
## data:  model
## DW = 1.9315, p-value = 0.2485
## alternative hypothesis: true autocorrelation is greater than 0

Berdasarkan hasil Durbin-Watson test, diperoleh nilai DW sebesar 1.9516 dan p-value 0.2485.

Daerah Kritis

Tolak \(H_0\) jika p-value \(< \alpha\)

Keputusan dan Kesimpulan

Pada taraf signifikansi \(\alpha\) = 5%, \(H_0\) gagal ditolak karena nilai p-value (0.2485) \(> \alpha\)(0.05) sehingga dapat disimpulkan bahwa tidak terdapat gejala heteroskedastisitas dalam model regresi.

4.4.5 Non-Multikolinearitas

car::vif(model)

##     screen_time_hours           sleep_hours mental_wellness_index 
##              1.685230              1.514666              2.264029

Berdasarkan uji multikolinearitas menggunakan Variance Inflation Factor (VIF), diperoleh nilai VIF untuk masing-masing variabel independen:

\(X_1\) = 1.685230, \(X_2\) = 1.514666, dan \(X_3\) = 2.264029.

Karena seluruh nilai VIF \(<\) 10, maka dapat disimpulkan bahwa tidak terjadi multikolinearitas antar variabel independen dalam model regresi.

4.5 Uji F

Hipotesis

\(H_0\): \(\beta_0 = \beta_1 = \cdots = \beta_k = 0\) (model regresi tidak sesuai)

\(H_1\): \(\beta_i \ne 0 \quad\) (untuk paling sedikit satu i, model regresi sesuai)

Taraf Signifikansi

\(\alpha\) = 5%

Statistik Uji

model <- lm(employee_productivity ~ ., data = data)
summary(model)

## 
## Call:
## lm(formula = employee_productivity ~ ., data = data)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -17.7388  -3.8498   0.0277   3.8095  21.4789 
## 
## Coefficients:
##                       Estimate Std. Error t value Pr(>|t|)    
## (Intercept)           54.74829    3.19815  17.119   <2e-16 ***
## screen_time_hours     -1.34506    0.15553  -8.648   <2e-16 ***
## sleep_hours            0.04668    0.43090   0.108    0.914    
## mental_wellness_index  0.55936    0.02204  25.381   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 5.962 on 396 degrees of freedom
## Multiple R-squared:  0.8437, Adjusted R-squared:  0.8425 
## F-statistic: 712.3 on 3 and 396 DF,  p-value: < 2.2e-16

Berdasarkan hasil uji F, diperoleh p-value lebih kecil dari 2e-16.

Daerah Kritis

Tolak \(H_0\) jika p-value \(< \alpha\)

Keputusan dan Kesimpulan

Pada taraf signifikansi \(\alpha\) = 5%, \(H_0\) ditolak karena nilai p-value (<2e-16) \(< \alpha\) (0.05) sehingga dapat disimpulkan bahwa model regresi sesuai sehingga dapat digunakan untuk memprediksi variabel dependen (\(Y\)).

4.6 Uji t

Hipotesis

\(H_0\): \(H_0 : \beta_j = 0\) (koefisien parameter tidak berpengaruh signifikan)

\(H_1\): \(\beta_j \ne 0 \quad\) (koefisien parameter berpengaruh signifikan)

Taraf Signifikansi

\(\alpha\) = 5%

Statistik Uji

model <- lm(employee_productivity ~ ., data = data)
summary(model)

## 
## Call:
## lm(formula = employee_productivity ~ ., data = data)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -17.7388  -3.8498   0.0277   3.8095  21.4789 
## 
## Coefficients:
##                       Estimate Std. Error t value Pr(>|t|)    
## (Intercept)           54.74829    3.19815  17.119   <2e-16 ***
## screen_time_hours     -1.34506    0.15553  -8.648   <2e-16 ***
## sleep_hours            0.04668    0.43090   0.108    0.914    
## mental_wellness_index  0.55936    0.02204  25.381   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 5.962 on 396 degrees of freedom
## Multiple R-squared:  0.8437, Adjusted R-squared:  0.8425 
## F-statistic: 712.3 on 3 and 396 DF,  p-value: < 2.2e-16

Berdasarkan hasil uji t, diperoleh:

\(t_1\) = -8.648 dengan p-value < 2e-16, \(t_2\) = 0.108 dengan p-value = 0.914, dan \(t_3\) = 25.381 dengan p-value < 2e-16.

Daerah Kritis

Tolak \(H_0\) jika p-value \(< \alpha\)

Keputusan dan Kesimpulan

Pada taraf signifikansi \(\alpha\) = 5%, \(H_0\) ditolak untuk \(X_1\) dan \(X_3\) karena p-value (<2e-16) \(< \alpha\) (0.05). Sedangkan \(H_0\) gagal ditolak untuk \(X_2\) karena p-value (0.914) \(> \alpha\) (0.05). Dengan demikian, dapat disimpulkan bahwa koefisien parameter \(X_1\) dan \(X_3\) berpengaruh signifikan terhadap variabel \(Y\), sedangkan koefisien parameter \(X_2\) tidak berpengaruh signifikan terhadap variabel \(Y\).

4.7 Koefisien Determinasi

model <- lm(employee_productivity ~ ., data = data)
summary(model)

## 
## Call:
## lm(formula = employee_productivity ~ ., data = data)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -17.7388  -3.8498   0.0277   3.8095  21.4789 
## 
## Coefficients:
##                       Estimate Std. Error t value Pr(>|t|)    
## (Intercept)           54.74829    3.19815  17.119   <2e-16 ***
## screen_time_hours     -1.34506    0.15553  -8.648   <2e-16 ***
## sleep_hours            0.04668    0.43090   0.108    0.914    
## mental_wellness_index  0.55936    0.02204  25.381   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 5.962 on 396 degrees of freedom
## Multiple R-squared:  0.8437, Adjusted R-squared:  0.8425 
## F-statistic: 712.3 on 3 and 396 DF,  p-value: < 2.2e-16

Berdasarkan output tersebut, diperoleh nilai \(R^2\) sebesar 0.8437. Hal tersebut menunjukkan bahwa sebesar 84.37% variasi variabel dependen (\(Y\)) dapat dijelaskan oleh variabel independen (\(X_1\), \(X_2\), dan \(X_3\)) dalam model regresi. Sementara itu, sebesar 15.63% variasi variabel dependen (\(Y\)) dijelaskan oleh faktor lain di luar model penelitian.

Nilai \(Adjusted\) \(R^2\) sebesar 0.8425 menunjukkan bahwa setelah memperhitungkan jumlah variabel independen yang digunakan, model tetap memiliki tingkat ketepatan yang tinggi dalam merepresentasikan hubungan antar variabel.

4.8 Model Akhir Regresi Linier Berganda

model <- lm(employee_productivity ~ ., data = data)
summary(model)

## 
## Call:
## lm(formula = employee_productivity ~ ., data = data)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -17.7388  -3.8498   0.0277   3.8095  21.4789 
## 
## Coefficients:
##                       Estimate Std. Error t value Pr(>|t|)    
## (Intercept)           54.74829    3.19815  17.119   <2e-16 ***
## screen_time_hours     -1.34506    0.15553  -8.648   <2e-16 ***
## sleep_hours            0.04668    0.43090   0.108    0.914    
## mental_wellness_index  0.55936    0.02204  25.381   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 5.962 on 396 degrees of freedom
## Multiple R-squared:  0.8437, Adjusted R-squared:  0.8425 
## F-statistic: 712.3 on 3 and 396 DF,  p-value: < 2.2e-16

Berdasarkan hasil pengujian, variabel durasi penggunaan layar (\(X_1\)) dan indeks kesehatan mental (\(X_3\)) menunjukkan pengaruh yang signifikan terhadap produktivitas pekerja, sedangkan variabel durasi tidur (\(X_2\)) tidak berpengaruh signifikan secara parsial. Meskipun demikian, model regresi tetap mempertahankan ketiga variabel independen tersebut. Hal ini karena secara teoritis ketiga faktor tersebut memiliki peran penting terhadap produktivitas pekerja. Selain itu, hasil uji F menunjukkan bahwa secara simultan ketiga variabel independen tersebut berpengaruh signifikan terhadap produktivitas pekerja.

Dengan demikian, model yang memuat ketiga variabel tersebut tetap dianggap mampu merepresentasikan hubungan antara ketiga faktor dengan produktivitas pekerja secara komprehensif. Oleh karena itu, model akhir yang diperoleh sama dengan model awal: \[ \hat{Y} = 54.74829-1.34506X_1+0.04668X_2+0.55936X_3 \]

BAB V Penutup

5.1 Kesimpulan

Berdasarkan hasil analisis regresi linier berganda, seluruh uji asumsi klasik telah terpenuhi sehingga model regresi dinyatakan layak untuk digunakan. Hasil pengujian secara simultan menunjukkan bahwa variabel durasi penggunaan layar, durasi tidur, dan indeks kesehatan mental secara bersama-sama berpengaruh terhadap produktivitas pekerja. Namun, berdasarkan uji parsial, diketahui bahwa variabel durasi tidur tidak menunjukkan pengaruh yang signifikan terhadap tinggi badan balita. Meskipun demikian, ketiga variabel independen tersebut tetap dipertahankan dalam model karena secara teoritis ketiganya memiliki keterkaitan dengan produktivitas pekerja. Dengan demikian, model akhir yang diperoleh yaitu: \[ \hat{Y} = 54.74829-1.34506X_1+0.04668X_2+0.55936X_3 \]

Berdasarkan persamaan regresi yang diperoleh, durasi penggunaan layar berpengaruh negatif terhadap produktivitas pekerja, sedangkan durasi tidur dan indeks kesehatan mental berpengaruh positif. Nilai koefisien determinasi (\(R^2\)) sebesar 0.8437 menunjukkan bahwa ketiga variabel tersebut mampu menjelaskan 84.37% variasi tinggi badan balita, sementara 15.63% sisanya dijelaskan oleh faktor lain di luar model.

5.2 Saran

Berdasarkan hasil penelitian yang telah dilakukan, peneliti memberikan saran kepada perusahaan untuk lebih memperhatikan faktor-faktor yang dapat memengaruhi produktivitas karyawan, khususnya yang berkaitan dengan pola durasi penggunaan layar, kualitas istirahat, serta kondisi kesehatan mental pekerja. Upaya seperti pengaturan waktu kerja yang lebih seimbang, pemberian waktu istirahat yang cukup, serta program yang mendukung kesehatan mental dapat menjadi langkah yang efektif dalam meningkatkan produktivitas kerja. Selain itu, perusahaan juga dapat memberikan edukasi mengenai pentingnya manajemen waktu penggunaan perangkat digital agar tidak mengganggu kualitas tidur maupun kesejahteraan mental.

Untuk penelitian selanjutnya, variabel lain yang berpotensi memengaruhi produktivitas pekerja, seperti tingkat stres kerja, beban kerja, lingkungan kerja, maupun faktor motivasi dan kepuasan kerja dapat ditambahkan. Penambahan variabel tersebut diharapkan dapat menghasilkan model analisis yang lebih komprehensif sehingga mampu menjelaskan variasi produktivitas karyawan secara lebih baik.

DAFTAR PUSTAKA

Dianah, H. S., Sukaesih, N. S. (2024). Gambaran Dampak Waktu Layar Terhadap Tidur Pada Remaja: Tinjauan Pelingkupan. Jurnal Keperawatan Florence Nightingale (JKFN). Vol. 7, No. 1, Juni 2024, pp. 180-190. 10.52774/jkfn.v7i1.166

Ghozali, Imam. (2018). Aplikasi Analisis Multivariate Dengan Program IBM SPSS 25. Semarang: Badan Penerbit Universitas Diponegoro.

Gujarati, D. N., & Porter, D. C. (2009). Basic econometrics (5th ed.). New York: McGraw-Hill.

Li, Tinting., et al. (2024). Association between screen time, homework and reading duration, sleep duration, social jetlag and mental health among Chinese children and adolescents. BMC Psychiatry. 24:781. 10.1186/s12888-024-06233-w

Pieh, Christoph., et al. (2025). Smartphone screen time reduction improves mental health: a randomized controlled trial. BMC Medicine. 23:107. 10.1186/s12916-025-03944-z

Putera, M. D. A. (2024). Mental Health Impacts by Elevated Digital Screen Time During COVID-19 Pandemic. Journal of Psychiatry Psychology and Behavioral Research. Vol. 5 No. 2, September 2024. 10.21776/ub.jppbr.2024.005.02.7

Sugiyono, (2017). Metode Penelitian Kuantitatif, Kualitatif, dan R&D. Bandung: CV. Alfabeta

Analisis Regresi Linier Berganda Pengaruh Durasi Penggunaan Layar, Durasi Tidur, dan Indeks Kesehatan Mental terhadap Produktivitas Pekerja

Nisrina Nada Fahimah

2026-03-09

BAB I Pendahuluan

1.1 Latar Belakang

1.2 Rumusan Masalah

1.3 Tujuan Penelitian

BAB II Landasan Teori

2.1 Regresi Linier Berganda

2.2 Uji Asumsi Klasik

2.2.1 Linieritas

2.2.2 Normalitas Residual

2.2.3 Homoskedastisitas

2.2.4 Non-Autokorelasi

2.2.5 Non-Multikolinearitas

2.3 Uji F

2.4 Uji t

2.5 Koefisien Determinasi

BAB III Metodologi Penelitian

3.1 Sumber Data

3.2 Teknik Analisis Data

BAB IV Hasil dan Pembahasan

4.1 Pra-Processing Data

4.1.1 Import Data

4.1.2 Struktur Data

4.1.3 Statistik Deskriptif Data

4.2 Exploratory Data Analysis

4.2.1 Distribusi Variabel

4.2.2 Identifikasi Outlier

4.3 Model Awal Regresi Linier Berganda

4.4 Uji Asumsi Klasik

4.4.1 Linieritas

4.4.2 Normalitas Residual

4.4.3 Homoskedastisitas

4.4.4 Non-Autokorelasi

4.4.5 Non-Multikolinearitas

4.5 Uji F

4.6 Uji t

4.7 Koefisien Determinasi

4.8 Model Akhir Regresi Linier Berganda

BAB V Penutup

5.1 Kesimpulan

5.2 Saran

DAFTAR PUSTAKA

**4.1 Pra-Processing Data**

**4.1.1 Import Data**