1 Judul & Identitas Laporan

PROJECT 1: HIDUP SEHAT UNIVERSITAS NEGERI SEMARANG PENGANTAR SAINS DATA

Analisis Faktor-Faktor yang Berhubungan dengan Kualitas Tidur dan Gangguan Tidur

Studi Eksplorasi dan Korelasi Berdasarkan Tingkat Stres, Kategori BMI, dan Jenis Kelamin pada Sleep Health and Lifestyle Dataset

Tema Proyek
Hidup Sehat (Sleep Health & Lifestyle)
Rombel / Prodi
S1 Statistika & Sains Data — SSD 2026
Dosen Pengampu
Ratna Nur Mustika Sanusi, S.Mat., M.Si.
Tanggal Pembuatan
November 2026
Referensi Slide Canva
Interactive Sleep & Study Music Companion
Pilih Pemutar Langsung (100% langsung bunyi di RPubs) atau buka Pop-Out Login Akun Spotify Pribadi Anda:
▶️ Klik salah satu dari 5 Audio Terapi Tidur & Fokus di bawah ini untuk memutar langsung:
Volume:
🎵 Lagu Pilihan: Sekian Terimakasih — The Jeblog

2 Anggota Kelompok

Proyek analisis ini disusun oleh 5 anggota kelompok dari Program Studi S1 Statistika dan Sains Data, Universitas Negeri Semarang (UNNES). Klik tombol IG, LinkedIn, atau GitHub pada masing-masing kartu untuk mengunjungi profil setiap anggota:

Anggota 01 • Koordinator Konsep
Aldo Febrian W.
Latar Belakang, Tujuan Analisis, & Pengenalan Karakteristik Dataset
Anggota 02 • Sintesis dan Evaluasi
Dimas Faisal Z.
Perumusan Hasil Akhir, Kesimpulan Strategis, Insight, & Rekomendasi
Anggota 03 • Analis Statistik Kode
M. Rahman Pasyha
Analisis Korelasi Tingkat Stres vs Pola Tidur & Tabulasi Silang BMI
Anggota 04 • Eksplorasi dan Visual
Gilang Daffa N.
Eksplorasi Data Awal, Audit Kualitas Data, & Visualisasi Distribusi
Anggota 05 • Analis Komparatif
M. Raffe Atha S.
Visualisasi Risiko BMI terhadap Gangguan Tidur & Komparasi Gender

3 Latar Belakang

Tidur merupakan salah satu aspek biologis paling fundamental dalam menjaga kesehatan fisik, stabilitas metabolisme, dan kesejahteraan psikologis tubuh. Di tengah tuntutan gaya hidup modern yang serba cepat, kualitas tidur yang buruk sering kali berkaitan erat dengan berbagai faktor internal maupun eksternal, seperti tingginya tingkat stres harian, kondisi fisik (Indeks Massa Tubuh / BMI), serta karakteristik demografis seperti jenis kelamin.

Selain pengurangan jam tidur, munculnya gangguan tidur klinis seperti Insomnia (kesulitan memulai atau mempertahankan tidur nyenyak) dan Sleep Apnea (gangguan pernapasan berulang saat tidur akibat penyempitan saluran napas) dapat menurunkan kualitas istirahat secara drastis serta meningkatkan risiko komplikasi kardiovaskular. Oleh karena itu, melalui Sleep Health and Lifestyle Dataset, proyek ini mengeksplorasi secara empiris bagaimana hubungan tingkat stres dengan durasi dan kualitas tidur, keterkaitan kategori BMI dengan kecenderungan gangguan tidur, serta perbedaan pola gangguan tidur berdasarkan jenis kelamin.


4 Tujuan Analisis

Proyek analisis ini dirancang untuk menjawab tiga tujuan utama:

  1. Menganalisis Hubungan Tingkat Stres dengan Durasi dan Kualitas Tidur: Mengukur arah dan kekuatan korelasi antara tingkat stres subyektif (Stress.Level) terhadap durasi tidur harian (Sleep.Duration) serta skor evaluasi kualitas tidur (Quality.of.Sleep).
  2. Mengidentifikasi Hubungan Kategori BMI dengan Kecenderungan Gangguan Tidur: Memetakan proporsi dan pergeseran risiko gangguan tidur (None, Insomnia, Sleep Apnea) di sepanjang spektrum Indeks Massa Tubuh (Normal, Normal Weight, Overweight, dan Obese).
  3. Mengetahui Perbedaan Pola Gangguan Tidur Berdasarkan Jenis Kelamin: Membandingkan distribusi jumlah kasus dan persentase gangguan tidur antara responden laki-laki (Male) dan perempuan (Female).

5 Pengenalan Dataset

Dataset yang digunakan dalam proyek ini adalah Sleep Health and Lifestyle Dataset dari Kaggle. Dataset sekunder ini memuat 374 baris observasi dan 13 kolom variabel yang merekam pola tidur, tingkat stres, aktivitas fisik, dan indikator kesehatan responden.

Variabel Penelitian Tipe Data Rentang / Kategori Nilai Peran & Deskripsi Variabel
Stress.Level Numerik (Integer) Skala 3 – 8 Tingkat stres subyektif yang dialami responden (nilai makin besar menunjukkan stres makin berat).
Sleep.Duration Numerik (Kontinu) 5,8 – 8,5 Jam Durasi waktu tidur harian responden dalam satuan jam per malam.
Quality.of.Sleep Numerik (Integer) Skala 4 – 9 Skor evaluasi subyektif terhadap kualitas dan kepuasan istirahat (skala 1–10).
BMI.Category Kategorikal Normal, Normal Weight, Overweight, Obese Kategori status Indeks Massa Tubuh responden.
Gender Kategorikal Male (189), Female (185) Jenis kelamin responden untuk komparasi demografis.
Sleep.Disorder Kategorikal None (219), Sleep Apnea (78), Insomnia (77) Status kondisi gangguan tidur yang dialami responden.

6 Eksplorasi Data Awal Sleep Health and Lifestyle

(Catatan Interaktif: Sub-bab di bawah ini tertutup secara default dan otomatis terbuka saat Anda men-scroll layar mendekati masing-masing sub-bab).

6.1 Pemanggilan Library & Pembacaan Dataset

# 1. Memanggil Library
library(ggplot2)
library(dplyr)
library(tidyr)

# 2. Membaca Dataset (Mendukung path lokal D:/lab/... maupun direktori kerja aktif)
jalur_utama <- "D:/lab/datasets/raw/Sleep_health_and_lifestyle_dataset.csv"
jalur_lokal <- "Sleep_health_and_lifestyle_dataset.csv"

data <- read.csv(
  ifelse(file.exists(jalur_utama), jalur_utama, jalur_lokal),
  stringsAsFactors = FALSE
)

# Melihat 6 baris pertama data
head(data)
##   Person.ID Gender Age           Occupation Sleep.Duration Quality.of.Sleep
## 1         1   Male  27    Software Engineer            6.1                6
## 2         2   Male  28               Doctor            6.2                6
## 3         3   Male  28               Doctor            6.2                6
## 4         4   Male  28 Sales Representative            5.9                4
## 5         5   Male  28 Sales Representative            5.9                4
## 6         6   Male  28    Software Engineer            5.9                4
##   Physical.Activity.Level Stress.Level BMI.Category Blood.Pressure Heart.Rate
## 1                      42            6   Overweight         126/83         77
## 2                      60            8       Normal         125/80         75
## 3                      60            8       Normal         125/80         75
## 4                      30            8        Obese         140/90         85
## 5                      30            8        Obese         140/90         85
## 6                      30            8        Obese         140/90         85
##   Daily.Steps Sleep.Disorder
## 1        4200           None
## 2       10000           None
## 3       10000           None
## 4        3000    Sleep Apnea
## 5        3000    Sleep Apnea
## 6        3000       Insomnia

6.2 Pemeriksaan Struktur & Dimensi Dataset

# Melihat struktur dataset
str(data)
## 'data.frame':    374 obs. of  13 variables:
##  $ Person.ID              : int  1 2 3 4 5 6 7 8 9 10 ...
##  $ Gender                 : chr  "Male" "Male" "Male" "Male" ...
##  $ Age                    : int  27 28 28 28 28 28 29 29 29 29 ...
##  $ Occupation             : chr  "Software Engineer" "Doctor" "Doctor" "Sales Representative" ...
##  $ Sleep.Duration         : num  6.1 6.2 6.2 5.9 5.9 5.9 6.3 7.8 7.8 7.8 ...
##  $ Quality.of.Sleep       : int  6 6 6 4 4 4 6 7 7 7 ...
##  $ Physical.Activity.Level: int  42 60 60 30 30 30 40 75 75 75 ...
##  $ Stress.Level           : int  6 8 8 8 8 8 7 6 6 6 ...
##  $ BMI.Category           : chr  "Overweight" "Normal" "Normal" "Obese" ...
##  $ Blood.Pressure         : chr  "126/83" "125/80" "125/80" "140/90" ...
##  $ Heart.Rate             : int  77 75 75 85 85 85 82 70 70 70 ...
##  $ Daily.Steps            : int  4200 10000 10000 3000 3000 3000 3500 8000 8000 8000 ...
##  $ Sleep.Disorder         : chr  "None" "None" "None" "Sleep Apnea" ...
# Melihat jumlah baris dan kolom
dim(data)
## [1] 374  13

7 Tahapan dan Hasil Eksplorasi Data

7.1 Empat Tahapan Eksplorasi Data

1. Pemeriksaan Struktur Data

Mengetahui dimensi baris (374 observasi) dan kolom (13 variabel) serta memetakan jenis data numerik dan kategorikal.

2. Statistik Deskriptif

Menghitung nilai rata-rata, minimum, maksimum, dan sebaran data untuk memahami gambaran umum karakteristik responden.

3. Pemeriksaan Kualitas Data

Mengidentifikasi nilai kosong (219 baris kosong pada Sleep.Disorder) dan memastikan tidak ada duplikasi data.

4. Visualisasi Data Awal

Membuat diagram distribusi dan pola hubungan awal antara variabel kesehatan tidur dan gaya hidup.

7.2 Penanganan Nilai Kosong (Missing Values) pada Variabel Sleep Disorder

# 5. Mengubah Data Kosong Menjadi Kategori None
data <- data %>%
  mutate(
    Sleep.Disorder = ifelse(
      is.na(Sleep.Disorder) |
        trimws(Sleep.Disorder) == "",
      "None",
      Sleep.Disorder
    )
  )

# Verifikasi jumlah responden per kategori Sleep Disorder
table(data$Sleep.Disorder)
## 
##    Insomnia        None Sleep Apnea 
##          77         219          78

7.3 Ringkasan Hasil Eksplorasi Awal

  • Dataset terdiri dari 374 responden dengan 13 variabel.
  • Terdapat 219 data kosong pada variabel Sleep.Disorder yang secara medis merepresentasikan responden sehat tanpa diagnosis gangguan tidur, sehingga ditransformasikan menjadi kategori "None".
  • Variabel utama yang diamati adalah durasi tidur (rata-rata 7,13 jam), kualitas tidur (rata-rata skor 7,31), tingkat stres (rata-rata skor 5,39), kategori BMI, jenis kelamin, dan gangguan tidur.

8 Visualisasi Data Eksploratif

Pilih tab kolom opsi di bawah ini untuk mengamati tiga grafik eksplorasi utama yang telah dirancang secara profesional lengkap dengan anotasi statistik:

8.1 1. Distribusi Gangguan Tidur

freq_disorder <- data %>%
  count(Sleep.Disorder, name = "Jumlah") %>%
  mutate(
    Persentase = round(Jumlah / sum(Jumlah) * 100, 1),
    Sleep.Disorder = factor(Sleep.Disorder, levels = c("None", "Sleep Apnea", "Insomnia"))
  )

ggplot(freq_disorder, aes(x = Sleep.Disorder, y = Jumlah, fill = Sleep.Disorder)) +
  geom_col(width = 0.56, color = "#0f172a", linewidth = 0.5) +
  geom_text(
    aes(label = paste0(Jumlah, " Responden\n(", Persentase, "%)")),
    vjust = -0.35, fontface = "bold", size = 4.1, color = "#0f172a"
  ) +
  scale_fill_manual(values = c("None" = "#10b981", "Sleep Apnea" = "#0ea5e9", "Insomnia" = "#f43f5e")) +
  scale_y_continuous(limits = c(0, 255), expand = c(0, 0)) +
  labs(
    # str_wrap otomatis menurunkan teks ke baris baru jika melebihi batas karakter (width)
    title = str_wrap("Distribusi Responden Berdasarkan Kategori Gangguan Tidur (n = 374)", width = 70),
    subtitle = str_wrap("Kategori None (Tidak Ada Gangguan) mendominasi sebesar 58,6%, diikuti Sleep Apnea (20,9%) & Insomnia (20,6%)", width = 120),
    x = "Kategori Gangguan Tidur (Sleep Disorder)",
    y = "Jumlah Responden (Orang)",
    caption = "Sumber: Sleep Health and Lifestyle Dataset"
  ) +
  theme_minimal(base_size = 13) +
  theme(
    plot.background = element_rect(fill = "#ffffff", color = "#cbd5e1", linewidth = 0.8),
    panel.background = element_rect(fill = "#f8fafc", color = NA),
    plot.margin = margin(16, 18, 14, 18),
    # hjust = 0.5 membuat teks rata tengah; lineheight mengatur spasi antarbaris
    plot.title = element_text(face = "bold", size = 14.5, color = "#0f172a", hjust = 0.5, lineheight = 1.15),
    plot.subtitle = element_text(color = "#475569", size = 11.5, hjust = 0.5, lineheight = 1.15, margin = margin(t = 4, b = 12)),
    plot.title.position = "plot",
    axis.text = element_text(color = "#1e293b", face = "bold"),
    axis.title = element_text(color = "#0f172a", face = "bold"),
    legend.position = "none",
    panel.grid.major.x = element_blank()
  )

Insight Visualisasi 1: Kategori None merupakan kelompok terbesar yaitu 219 responden (58,6%), sedangkan Insomnia berjumlah 77 responden (20,6%) dan Sleep Apnea berjumlah 78 responden (20,9%). Sebagian besar responden dalam dataset tidak tercatat memiliki gangguan tidur, namun 41,4% sisanya mengalami gangguan tidur klinis.

8.2 2. Distribusi Durasi Tidur

mean_sleep <- mean(data$Sleep.Duration, na.rm = TRUE)
med_sleep  <- median(data$Sleep.Duration, na.rm = TRUE)

ggplot(data, aes(x = Sleep.Duration)) +
  geom_histogram(aes(y = after_stat(density)), binwidth = 0.3, fill = "#38bdf8", color = "#0f172a", alpha = 0.8) +
  geom_density(color = "#e11d48", linewidth = 1.3) +
  geom_vline(xintercept = mean_sleep, color = "#0f172a", linetype = "dashed", linewidth = 1.1) +
  annotate(
    "label", x = mean_sleep + 0.48, y = 0.56,
    label = paste0("Mean: ", round(mean_sleep, 2), " Jam\nMedian: ", round(med_sleep, 2), " Jam"),
    fill = "#fef3c7", color = "#0f172a", fontface = "bold", size = 3.6
  ) +
  scale_x_continuous(breaks = seq(5.5, 8.8, by = 0.5)) +
  labs(
    title = "Sebaran Durasi Tidur Harian Responden (Rentang 5,8 – 8,5 Jam)",
    subtitle = "Sebagian besar responden terkonsentrasi pada rentang tidur normal sekitar 6,0 hingga 8,0 jam per malam",
    x = "Durasi Tidur Harian (Jam)",
    y = "Kerapatan Distribusi (Density)",
    caption = "Sumber: Sleep Health and Lifestyle Dataset"
  ) +
  theme_minimal(base_size = 13) +
  theme(
    plot.background = element_rect(fill = "#ffffff", color = "#cbd5e1", linewidth = 0.8),
    panel.background = element_rect(fill = "#f8fafc", color = NA),
    plot.margin = margin(16, 18, 14, 18),
    plot.title = element_text(face = "bold", size = 14.5, color = "#0f172a"),
    plot.subtitle = element_text(color = "#475569", size = 11.5),
    axis.text = element_text(color = "#1e293b", face = "bold"),
    axis.title = element_text(color = "#0f172a", face = "bold")
  )

Insight Visualisasi 2: Durasi tidur responden tersebar dari 5,8 hingga 8,5 jam, dengan konsentrasi utama berada pada kisaran 6–8 jam per malam (rata-rata 7,13 jam dan median 7,20 jam).

8.3 3. Tren Tingkat Stres vs Kualitas Tidur

ggplot(data, aes(x = Stress.Level, y = Quality.of.Sleep)) +
  geom_jitter(aes(color = Sleep.Disorder), width = 0.15, height = 0.15, size = 2.8, alpha = 0.85) +
  geom_smooth(method = "lm", se = TRUE, color = "#dc2626", fill = "#fecdd3", linewidth = 1.3) +
  scale_color_manual(values = c("None" = "#10b981", "Sleep Apnea" = "#0284c7", "Insomnia" = "#e11d48")) +
  scale_x_continuous(breaks = 3:8) +
  scale_y_continuous(breaks = 4:9) +
  labs(
    # str_wrap otomatis menurunkan teks ke baris baru jika melebihi batas karakter (width)
    title = str_wrap("Pola Hubungan Negatif antara Tingkat Stres dan Kualitas Tidur", width = 80),
    subtitle = str_wrap("Garis merah menunjukkan arah kecenderungan penurunan kualitas tidur seiring meningkatnya tingkat stres", width = 120),
    x = "Tingkat Stres (Skala 3 – 8)",
    y = "Skor Kualitas Tidur (Skala 4 – 9)",
    color = "Gangguan Tidur",
    caption = "Sumber: Sleep Health and Lifestyle Dataset"
  ) +
  theme_minimal(base_size = 13) +
  theme(
    plot.background = element_rect(fill = "#ffffff", color = "#cbd5e1", linewidth = 0.8),
    panel.background = element_rect(fill = "#f8fafc", color = NA),
    plot.margin = margin(16, 18, 14, 18),
    # hjust = 0.5 mengatur rata tengah; lineheight mengatur jarak antarbaris
    plot.title = element_text(face = "bold", size = 14.5, color = "#0f172a", hjust = 0.5, lineheight = 1.15),
    plot.subtitle = element_text(color = "#475569", size = 11.5, hjust = 0.5, lineheight = 1.15, margin = margin(t = 4, b = 10)),
    plot.title.position = "plot",
    axis.text = element_text(color = "#1e293b", face = "bold"),
    axis.title = element_text(color = "#0f172a", face = "bold"),
    legend.position = "top"
  )

Insight Visualisasi 3: Grafik menunjukkan pola hubungan negatif yang tegas antara tingkat stres dan kualitas tidur. Responden dengan tingkat stres lebih tinggi cenderung memiliki kualitas tidur lebih rendah. Hubungan korelasional ini sangat kuat, namun secara metodologis belum membuktikan hubungan sebab-akibat tunggal.

9 Korelasi Tingkat Stres Terhadap Durasi dan Kualitas Tidur

(Sub-bab 9.1, 9.2, dan 9.3 di bawah ini akan otomatis terbuka saat Anda men-scroll layar ke bagian tersebut).

9.1 Data Processing & Data Analysis (Agregasi per Tingkat Stres)

Data diolah menggunakan bahasa pemrograman R dengan bantuan pustaka dplyr, tidyr, dan ggplot2 untuk menghitung nilai rata-rata durasi tidur, rata-rata kualitas tidur, serta jumlah responden pada setiap tingkat stres:

# 3. Menghitung Rata-Rata Durasi dan Kualitas Tidur Berdasarkan Tingkat Stres
stress_sleep <- data %>%
  group_by(Stress.Level) %>%
  summarise(
    Avg_Sleep_Duration = mean(Sleep.Duration, na.rm = TRUE),
    Avg_Sleep_Quality = mean(Quality.of.Sleep, na.rm = TRUE),
    Jumlah_Responden = n(),
    .groups = "drop"
  )

# Menampilkan hasil analisis
print(stress_sleep)
## # A tibble: 6 × 4
##   Stress.Level Avg_Sleep_Duration Avg_Sleep_Quality Jumlah_Responden
##          <int>              <dbl>             <dbl>            <int>
## 1            3               8.23              8.97               71
## 2            4               7.03              7.67               70
## 3            5               7.48              7.90               67
## 4            6               7.45              7                  46
## 5            7               6.47              6                  50
## 6            8               6.05              5.86               70

9.2 Tabel Berwarna (Heatmap Kontras Tinggi per Variabel)

Tabel berikut menerapkan skala warna gradien solid per variabel (dari warna terang menyala untuk nilai tertinggi hingga warna pastel lembut untuk nilai terendah pada setiap kolom), dipadukan dengan teks gelap pekat (#0f172a) dan progress bar internal sehingga 100% tajam dan tidak membiaskan tulisan baik di Mode Gelap maupun Mode Terang:

Tingkat Stres (Stress.Level)Rata-Rata Durasi Tidur (Jam)Rata-Rata Kualitas Tidur (Skor)Jumlah Responden (n)
Level 3 (Terendah)
8.23 Jam ★ (Maks)
8.97 / 10 ★ (Maks)
71 Responden ★
Level 4
7.03 Jam
7.67 / 10
70 Responden
Level 5
7.48 Jam
7.9 / 10
67 Responden
Level 6
7.45 Jam
7 / 10
46 Responden (Min)
Level 7
6.47 Jam
6 / 10
50 Responden
Level 8 (Tertinggi ★)
6.05 Jam (Min)
5.86 / 10 (Min)
70 Responden

9.3 Data Visualization: Profil Penurunan Durasi & Kualitas Tidur

stress_long <- stress_sleep %>%
  pivot_longer(
    cols = c(Avg_Sleep_Duration, Avg_Sleep_Quality),
    names_to = "Indikator",
    values_to = "Rata_Rata"
  ) %>%
  mutate(
    Indikator = ifelse(
      Indikator == "Avg_Sleep_Duration",
      "Rata-Rata Durasi Tidur (Jam)",
      "Rata-Rata Kualitas Tidur (Skor 1-10)"
    )
  )

ggplot(stress_long, aes(x = factor(Stress.Level), y = Rata_Rata, fill = Indikator)) +
  geom_col(position = position_dodge(width = 0.72), width = 0.64, color = "#0f172a", linewidth = 0.4) +
  geom_text(
    aes(label = round(Rata_Rata, 2)),
    position = position_dodge(width = 0.72),
    vjust = -0.45, fontface = "bold", size = 3.8, color = "#0f172a"
  ) +
  scale_fill_manual(values = c("Rata-Rata Durasi Tidur (Jam)" = "#38bdf8", "Rata-Rata Kualitas Tidur (Skor 1-10)" = "#34d399")) +
  scale_y_continuous(limits = c(0, 10.3), breaks = seq(0, 10, 2)) +
  labs(
    # str_wrap otomatis memotong kalimat ke baris baru jika melebihi batas karakter (width)
    title = str_wrap("Perbandingan Rata-Rata Durasi dan Kualitas Tidur pada Setiap Tingkat Stres", width =80),
    subtitle = str_wrap("Semakin tinggi tingkat stres (3 -> 8), durasi tidur menyusut dari 8,23 ke 6,05 jam & kualitas turun dari 8,97 ke 5,86", width = 120),
    x = "Tingkat Stres (Stress.Level)",
    y = "Nilai Rata-Rata",
    fill = "Metrik Evaluasi Tidur"
  ) +
  theme_minimal(base_size = 13) +
  theme(
    plot.background = element_rect(fill = "#ffffff", color = "#cbd5e1", linewidth = 0.8),
    panel.background = element_rect(fill = "#f8fafc", color = NA),
    plot.margin = margin(16, 18, 14, 18),
    # hjust = 0.5 memosisikan teks tepat di tengah; lineheight mengatur jarak antarbaris
    plot.title = element_text(face = "bold", size = 14.5, color = "#0f172a", hjust = 0.5, lineheight = 1.15),
    plot.subtitle = element_text(color = "#475569", size = 11.5, hjust = 0.5, lineheight = 1.15, margin = margin(t = 4, b = 10)),
    plot.title.position = "plot",
    axis.text = element_text(color = "#1e293b", face = "bold"),
    axis.title = element_text(color = "#0f172a", face = "bold"),
    legend.position = "top"
  )


10 Korelasi Tingkat Stres: Pasangan Variabel, Nilai Korelasi, dan Interpretasi

10.1 Perhitungan Korelasi Pearson di R

# 4. Menghitung Korelasi Tingkat Stres dengan Durasi Tidur dan Kualitas Tidur

# Mengubah Stress.Level menjadi numerik
data$Stress.Level.Numeric <- as.numeric(
  as.character(data$Stress.Level)
)

# Korelasi Stress Level dengan Sleep Duration
cor_stress_duration <- cor(
  data$Stress.Level.Numeric,
  data$Sleep.Duration,
  use = "complete.obs"
)

# Korelasi Stress Level dengan Quality of Sleep
cor_stress_quality <- cor(
  data$Stress.Level.Numeric,
  data$Quality.of.Sleep,
  use = "complete.obs"
)

# Menampilkan hasil korelasi
cat(
  "Korelasi Stress Level dengan Sleep Duration:",
  round(cor_stress_duration, 3), "\n"
)
## Korelasi Stress Level dengan Sleep Duration: -0.811
cat(
  "Korelasi Stress Level dengan Quality of Sleep:",
  round(cor_stress_quality, 3), "\n"
)
## Korelasi Stress Level dengan Quality of Sleep: -0.899

10.2 Tabel Pasangan Variabel, Nilai Korelasi, dan Interpretasi

Pasangan Variabel Nilai Korelasi (r) Kekuatan & Arah Interpretasi Utama
Tingkat Stres (Stress.Level)
dengan
Durasi Tidur (Sleep.Duration)
-0,811
(Dibulatkan: -0,81)
Negatif Sangat Kuat Ketika tingkat stres lebih tinggi, durasi tidur harian cenderung lebih pendek secara signifikan (turun dari rata-rata 8,23 jam pada stres level 3 menjadi 6,05 jam pada stres level 8).
Tingkat Stres (Stress.Level)
dengan
Kualitas Tidur (Quality.of.Sleep)
-0,899 ★
(Dibulatkan: -0,90)
Negatif Sangat Kuat (Dominan) Ketika tingkat stres meningkat, kualitas tidur merosot jauh lebih tajam dibandingkan durasi tidur (turun dari skor 8,97 pada stres level 3 ke 5,86 pada stres level 8).

10.3 Penjelasan Mendalam Masing-Masing Interpretasi

  1. Interpretasi Pasangan Variabel 1 (Tingkat Stres dengan Durasi Tidur — \(r = -0,811\)): Secara umum, tingkat stres yang lebih tinggi berkaitan erat dengan durasi tidur yang lebih rendah. Koefisien korelasi sebesar \(-0,811\) menandakan hubungan linear berarah negatif yang sangat kuat: peningkatan beban pikiran dan tekanan psikologis memicu kesulitan memulai tidur sehingga memangkas total waktu istirahat malam hingga lebih dari 2 jam per hari antara kelompok stres terendah (level 3: \(8,23\) jam) dan kelompok stres tertinggi (level 8: \(6,05\) jam).
  2. Interpretasi Pasangan Variabel 2 (Tingkat Stres dengan Kualitas Tidur — \(r = -0,899\)): Korelasi negatif sebesar \(-0,899\) (atau \(-0,90\)) membuktikan bahwa kualitas tidur lebih rentan terhadap stres dibandingkan durasi tidur. Artinya, meskipun seseorang memiliki waktu tidur sekitar 7 jam (seperti pada level stres 5 dan 6 dengan rata-rata durasi \(7,48\) dan \(7,45\) jam), tekanan stres yang tinggi tetap merusak kedalaman tidur (deep sleep), sehingga skor kepuasan kualitas tidurnya tetap menurun drastis. Penting dicatat bahwa korelasi negatif ini menunjukkan keeratan pola hubungan di dalam dataset dan tidak secara tunggal membuktikan hubungan sebab-akibat langsung tanpa mempertimbangkan faktor fisik lainnya.

11 Kategori BMI, Gangguan Tidur, Jumlah, Persentase, dan Interpretasi

(Sub-bab 11.1 hingga 11.7 di bawah ini tertutup secara default dan akan otomatis terbuka saat Anda men-scroll layar ke masing-masing sub-bab).

11.1 Pengolahan Data Jumlah dan Persentase Berdasarkan BMI Category & Sleep Disorder

# 6. Menghitung Jumlah dan Persentase Berdasarkan BMI Category dan Sleep Disorder
bmi_sleep <- data %>%
  group_by(BMI.Category, Sleep.Disorder) %>%
  summarise(
    Jumlah = n(),
    .groups = "drop"
  ) %>%
  group_by(BMI.Category) %>%
  mutate(
    Persentase = round(
      Jumlah / sum(Jumlah) * 100,
      1
    )
  ) %>%
  ungroup()

# Menampilkan hasil analisis
print(bmi_sleep)
## # A tibble: 11 × 4
##    BMI.Category  Sleep.Disorder Jumlah Persentase
##    <chr>         <chr>           <int>      <dbl>
##  1 Normal        Insomnia            7        3.6
##  2 Normal        None              183       93.8
##  3 Normal        Sleep Apnea         5        2.6
##  4 Normal Weight Insomnia            2        9.5
##  5 Normal Weight None               17       81  
##  6 Normal Weight Sleep Apnea         2        9.5
##  7 Obese         Insomnia            4       40  
##  8 Obese         Sleep Apnea         6       60  
##  9 Overweight    Insomnia           64       43.2
## 10 Overweight    None               19       12.8
## 11 Overweight    Sleep Apnea        65       43.9

11.2 Tabel Berwarna: Kategori BMI, Gangguan Tidur, Jumlah, dan Persentase

Kategori BMI (BMI.Category)Gangguan Tidur (Sleep.Disorder)Jumlah Responden (Jumlah)Persentase dalam Kategori BMI (%)
NormalInsomnia
7 Orang
3.6%
NormalNone (Sehat)
183 Orang ★ (Tertinggi)
93.8%
NormalSleep Apnea
5 Orang
2.6%
Normal WeightInsomnia
2 Orang
9.5%
Normal WeightNone (Sehat)
17 Orang
81%
Normal WeightSleep Apnea
2 Orang
9.5%
ObeseInsomnia
4 Orang
40%
ObeseSleep Apnea
6 Orang
60%
OverweightInsomnia
64 Orang
43.2%
OverweightNone (Sehat)
19 Orang
12.8%
OverweightSleep Apnea
65 Orang
43.9%

11.3 Penjelasan Mengapa pada Bagian Normal & None Jumlahnya Mencapai 183 Responden (93,8%)

Angka 183 responden (93,8%) pada kombinasi BMI.Category = Normal dan Sleep.Disorder = None terbentuk akibat dua penyebab utama (aspek teknis pengolahan data dan aspek medis-metabolik):

  1. Akibat Teknis Transformasi Data (NA menjadi "None") & Pemisahan Label BMI di Dataset:
    Di dalam dataset mentah Sleep_health_and_lifestyle_dataset.csv, kolom Sleep.Disorder memiliki 219 baris bernilai kosong (NA) karena pencatatan awal hanya menuliskan nama penyakit bagi responden yang mengidap Insomnia atau Sleep Apnea, sedangkan responden sehat dibiarkan kosong. Setelah kode pembersihan tahap ke-5 dijalankan (ifelse(is.na(Sleep.Disorder) | trimws(Sleep.Disorder) == "", "None", Sleep.Disorder)), seluruh 219 baris kosong tersebut terkonversi menjadi kategori "None".
    Pada kolom BMI.Category tanpa penggabungan label, terdapat 195 responden berlabel "Normal" dan 21 responden berlabel "Normal Weight". Dari 195 orang pada kategori "Normal" tersebut, sebanyak 183 responden merupakan individu sehat yang sebelumnya bernilai NA (kini menjadi "None"), sedangkan hanya 7 orang (3,6%) yang mengalami Insomnia dan 5 orang (2,6%) yang mengalami Sleep Apnea. Dengan demikian, proporsinya mencapai 183 / 195 × 100% = 93,8%.
  2. Akibat Biologis, Anatomis, dan Gaya Hidup Responden BMI Normal:
    Secara medis, responden dengan Indeks Massa Tubuh Normal tidak mengalami penumpukan jaringan lemak viseral maupun lemak di sekitar leher/saluran pernapasan atas (upper airway), sehingga jalan napas tetap terbuka lancar saat tidur dan risiko Sleep Apnea sangat rendah (hanya 2,6%). Selain itu, kelompok BMI Normal dalam populasi studi ini memiliki rata-rata langkah harian (Daily Steps) dan aktivitas fisik yang stabil serta tingkat stres yang lebih terkendali, sehingga ritme sirkadian tubuh bekerja optimal dan terhindar dari Insomnia.

11.4 Interpretasi Lengkap Hubungan Kategori BMI dengan Gangguan Tidur

  • Tidur Sehat Terpusat pada BMI Normal & Normal Weight: Batang kategori None mendominasi secara mutlak pada kelompok Normal (93,8% atau 183 dari 195 responden) dan Normal Weight (81,0% atau 17 dari 21 responden). Hal ini membuktikan bahwa mempertahankan berat badan ideal adalah kunci utama untuk terbebas dari gangguan tidur.
  • Transisi Lonjakan Risiko pada Kelompok Overweight: Ketika status tubuh beralih menjadi Overweight (148 responden), proporsi tidur sehat (None) menyusut drastis menjadi hanya 12,8% (19 orang). Sebaliknya, 129 dari 148 responden (87,2%) mengidap masalah tidur dengan proporsi yang hampir berimbang antara Sleep Apnea (43,9% / 65 orang) dan Insomnia (43,2% / 64 orang).
  • Risiko Mutlak (100%) pada Kelompok Obese: Pada kategori Obese (10 responden), proporsi sehat (None) menghilang sepenuhnya menjadi 0%, yang berarti 100% responden obesitas mengalami gangguan tidur, didominasi oleh Sleep Apnea sebesar 60,0% (6 orang) dan Insomnia sebesar 40,0% (4 orang).

11.5 Visualisasi Hubungan Kategori BMI dengan Sleep Disorder

11.5.1 Grafik Jumlah Responden (Dodge Bar Chart)

# 7. Grafik BMI Category Berdasarkan Sleep Disorder
library(stringr) # Untuk membungkus teks panjang secara otomatis (str_wrap)

# 7. Grafik BMI Category Berdasarkan Sleep Disorder
ggplot(
  bmi_sleep,
  aes(
    x = BMI.Category,
    y = Jumlah,
    fill = Sleep.Disorder
  )
) +
  geom_bar(
    stat = "identity",
    position = position_dodge(width = 0.85),
    width = 0.75,
    color = "#0f172a",
    linewidth = 0.35
  ) +
  geom_text(
    aes(label = paste0(Jumlah, "\n(", Persentase, "%)")),
    position = position_dodge(width = 0.85),
    vjust = -0.25,
    size = 3.3,
    fontface = "bold",
    color = "#0f172a"
  ) +
  scale_fill_manual(values = c("Insomnia" = "#38bdf8", "None" = "#f43f5e", "Sleep Apnea" = "#10b981")) +
  scale_y_continuous(limits = c(0, 210)) +
  labs(
    # str_wrap otomatis menurunkan teks ke baris baru jika melebihi batas karakter (width)
    title = str_wrap("Hubungan BMI Category dengan Sleep Disorder (Jumlah & Persentase)", width = 50),
    subtitle = str_wrap("Kategori BMI Normal didominasi responden sehat (183 orang / 93,8%), sedangkan Overweight & Obese didominasi gangguan tidur", width = 68),
    x = "BMI Category",
    y = "Jumlah Responden",
    fill = "Sleep Disorder"
  ) +
  theme_minimal(base_size = 13) +
  theme(
    plot.background = element_rect(fill = "#ffffff", color = "#cbd5e1", linewidth = 0.8),
    panel.background = element_rect(fill = "#f8fafc", color = NA),
    plot.margin = margin(16, 18, 14, 18),
    # hjust = 0.5 mengatur rata tengah; lineheight mengatur jarak antarbaris
    plot.title = element_text(face = "bold", size = 14.5, color = "#0f172a", hjust = 0.5, lineheight = 1.15),
    plot.subtitle = element_text(color = "#475569", size = 11.5, hjust = 0.5, lineheight = 1.15, margin = margin(t = 4, b = 10)),
    plot.title.position = "plot",
    axis.text.x = element_text(angle = 25, hjust = 1, face = "bold", color = "#0f172a"),
    axis.text.y = element_text(color = "#1e293b", face = "bold"),
    axis.title = element_text(color = "#0f172a", face = "bold"),
    legend.position = "top"
  )

11.5.2 Grafik Proporsi Persentase 100% (Stacked Bar Chart)

ggplot(bmi_sleep, aes(x = BMI.Category, y = Persentase, fill = Sleep.Disorder)) +
  geom_col(position = "stack", width = 0.58, color = "#0f172a", linewidth = 0.4) +
  geom_text(
    aes(label = ifelse(Persentase >= 5, paste0(Persentase, "% (n=", Jumlah, ")"), "")),
    position = position_stack(vjust = 0.5),
    fontface = "bold", size = 3.5, color = "#0f172a"
  ) +
  scale_fill_manual(values = c("None" = "#34d399", "Insomnia" = "#fb7185", "Sleep Apnea" = "#38bdf8")) +
  labs(
    # str_wrap otomatis menurunkan teks ke baris baru jika melebihi batas karakter (width)
    title = str_wrap("Komposisi Persentase Gangguan Tidur pada Masing-Masing Kategori BMI", width = 50),
    subtitle = str_wrap("Pergeseran proporsi dari 93,8% sehat pada BMI Normal menjadi 100% mengalami gangguan tidur pada BMI Obese", width = 68),
    x = "Kategori BMI (BMI.Category)",
    y = "Proporsi Persentase (%)",
    fill = "Sleep Disorder"
  ) +
  theme_minimal(base_size = 13) +
  theme(
    plot.background = element_rect(fill = "#ffffff", color = "#cbd5e1", linewidth = 0.8),
    panel.background = element_rect(fill = "#f8fafc", color = NA),
    plot.margin = margin(16, 18, 14, 18),
    # hjust = 0.5 mengatur rata tengah; lineheight mengatur jarak antarbaris
    plot.title = element_text(face = "bold", size = 14.5, color = "#0f172a", hjust = 0.5, lineheight = 1.15),
    plot.subtitle = element_text(color = "#475569", size = 11.5, hjust = 0.5, lineheight = 1.15, margin = margin(t = 4, b = 10)),
    plot.title.position = "plot",
    axis.text = element_text(color = "#1e293b", face = "bold"),
    axis.title = element_text(color = "#0f172a", face = "bold"),
    legend.position = "top"
  )

11.6 Perbedaan Pola Gangguan Tidur Berdasarkan Jenis Kelamin

# 8. Menghitung Jumlah dan Persentase Sleep Disorder Berdasarkan Gender
gender_sleep <- data %>%
  group_by(Gender, Sleep.Disorder) %>%
  summarise(
    Jumlah = n(),
    .groups = "drop"
  ) %>%
  group_by(Gender) %>%
  mutate(
    Persentase = round(
      Jumlah / sum(Jumlah) * 100,
      1
    )
  ) %>%
  ungroup()

# Menampilkan tabel hasil analisis
print(gender_sleep)
## # A tibble: 6 × 4
##   Gender Sleep.Disorder Jumlah Persentase
##   <chr>  <chr>           <int>      <dbl>
## 1 Female Insomnia           36       19.5
## 2 Female None               82       44.3
## 3 Female Sleep Apnea        67       36.2
## 4 Male   Insomnia           41       21.7
## 5 Male   None              137       72.5
## 6 Male   Sleep Apnea        11        5.8
Jenis Kelamin (Gender)Gangguan Tidur (Sleep.Disorder)Jumlah RespondenPersentase per Gender (%)
FemaleInsomnia
36 Orang
19.5%
FemaleNone
82 Orang
44.3%
FemaleSleep Apnea
67 Orang
36.2%
MaleInsomnia
41 Orang
21.7%
MaleNone
137 Orang
72.5%
MaleSleep Apnea
11 Orang
5.8%
# 9. Grafik Perbedaan Pola Gangguan Tidur Berdasarkan Jenis Kelamin
library(ggplot2)
library(stringr) # Pastikan paket ini dimuat untuk fungsi str_wrap()

ggplot(
  gender_sleep,
  aes(
    x = Gender,
    y = Persentase,
    fill = Sleep.Disorder
  )
) +
  geom_bar(
    stat = "identity",
    position = position_dodge(width = 0.85),
    width = 0.72,
    color = "#0f172a",
    linewidth = 0.4
  ) +
  geom_text(
    aes(label = paste0(Persentase, "% (n=", Jumlah, ")")),
    position = position_dodge(width = 0.85),
    vjust = -0.45,
    size = 3.6,
    fontface = "bold",
    color = "#0f172a"
  ) +
  scale_fill_manual(values = c("Insomnia" = "#fb7185", "None" = "#34d399", "Sleep Apnea" = "#38bdf8")) +
  scale_y_continuous(limits = c(0, 84)) +
  labs(
    title = "Perbedaan Pola Gangguan Tidur Berdasarkan Jenis Kelamin",
    # 1. Gunakan str_wrap() untuk memotong baris otomatis per 65 karakter
    subtitle = str_wrap(
      "Perempuan memiliki proporsi Sleep Apnea jauh lebih tinggi (36,2%), sedangkan laki-laki dominan pada kategori None (72,5%)", 
      width = 65
    ),
    x = "Jenis Kelamin",
    y = "Persentase (%)",
    fill = "Gangguan Tidur"
  ) +
  theme_minimal(base_size = 13) +
  theme(
    plot.background = element_rect(fill = "#ffffff", color = "#cbd5e1", linewidth = 0.8),
    panel.background = element_rect(fill = "#f8fafc", color = NA),
    plot.margin = margin(16, 18, 14, 18),
    # 2. Tambahkan hjust = 0.5 agar judul & subjudul rata tengah
    plot.title = element_text(face = "bold", size = 14.5, color = "#0f172a", hjust = 0.5),
    plot.subtitle = element_text(color = "#475569", size = 11.5, hjust = 0.5, margin = margin(b = 10)),
    axis.text = element_text(color = "#1e293b", face = "bold"),
    axis.title = element_text(color = "#0f172a", face = "bold"),
    legend.position = "top"
  )

Interpretasi Perbedaan Berdasarkan Jenis Kelamin:
  • Persentase Sleep Apnea pada perempuan (36,2% / 67 orang) jauh lebih tinggi dibandingkan laki-laki (5,8% / 11 orang).
  • Persentase Insomnia pada laki-laki (21,7% / 41 orang) sedikit lebih tinggi dibandingkan perempuan (19,5% / 36 orang).
  • Kategori None (sehat) lebih banyak ditemukan pada laki-laki (72,5% / 137 orang) dibandingkan perempuan (44,3% / 82 orang). Pola ini menggambarkan distribusi di dalam dataset dan tidak membuktikan bahwa jenis kelamin secara tunggal menyebabkan gangguan tidur.

11.7 Kesimpulan, Insight, dan Rekomendasi Strategis

Kesimpulan Utama
  • Stres adalah Perusak Utama: Korelasi negatif sangat kuat terhadap kualitas tidur (-0,899) dan durasi tidur (-0,811).
  • Kategori BMI = Prediktor Kuat: 93,8% kelompok BMI Normal sehat (183 orang), sedangkan 100% kelompok Obesitas mengidap gangguan tidur.
  • Kondisi Mayoritas: Mayoritas populasi memiliki durasi tidur 6–8 jam dan 58,6% tidak mengidap gangguan tidur.
Insight Strategis
  • Kualitas tidur jauh lebih rentan terhadap peningkatan stres dibandingkan durasi tidur semata.
  • Gangguan tidur (Sleep Apnea & Insomnia) berkaitan erat dengan faktor metabolik dan fisik (berat badan), bukan sekadar kebiasaan waktu tidur.
Rekomendasi
  • Institusi / Perusahaan: Integrasi program manajemen stres (konseling beban kerja & fleksibilitas waktu istirahat).
  • Kesehatan Individu: Intervensi gaya hidup wajib menggabungkan sleep hygiene dengan program pengendalian berat badan (diet seimbang & olahraga).
cat("Semoga Laporan Ini Dapat Menambah Wawasan Kita Bersama.\n")
## Semoga Laporan Ini Dapat Menambah Wawasan Kita Bersama.