Exploratory Data Analysis Faktor Pengaruh Kesehatan Mental di Tempat Kerja

Raissa Maringka, Kusnawi Kusnawi

Abstract


Gangguan kesehatan mental pada lingkungan kerja merupakan hal yang sering ditemui di kalangan para pengerja. Menurut prediksi World Health Organization (WHO) pada tahun 2011 menyatakan bahwa pada tahun 2030, depresi akan menjadi penyakit yang membebankan dunia. Mempertahankan lingkungan pekerjaan yang bebas stres merupakan faktor yang penting untuk memiliki karyawan yang lebih produktif dalam bekerja. Untuk itu, mendeteksi gangguan kesehatan mental lebih awal merupakan hal yang penting harus dilakukan. Pada penelitian ini, peneliti mengambil data yang bersumber dari OSMI (Open Sourcing Mental Illness). Dataset ini mencakup data para pengerja secara per orangan yang berhubungan dengan bagaimana pekerjaan mereka mempengaruhi kesehatan mental. Peneliti berharap dengan exploratory data analysis berbasis python pada faktor-faktor yang mempengaruhi kesehatan mental di lingkungan kerja dapat membantu dalam mengevaluasi suatu perusahaan atau lingkungan pekerjaan dalam menolong para karyawan atau pengerja untuk lebih produktif dan sehat secara mental ataupun fisik. Pendekatan ini juga diharapkan dapat membantu para manajer atau HR untuk lebih mengerti akan kebutuhan karyawan serta mengambil langkah untuk mencegah masalah yang dapat mempengaruhi kesehatan mental para karyawan

Full Text:

PDF

References


Braganza, S., Young, J., Sweeny, A. and Brazil, V., 2018. oneED: Embedding a mindfulness‐based wellness programme into an emergency department. Emergency Medicine Australasia, 30(5), hal 678-686.

Laijawala, V., Aachaliya, A., Jatta, H. and Pinjarkar, V., 2020, June. Classification Algorithms based Mental Health Prediction using Data Mining. In 2020 IEEE 5th International Conference on Communication and Electronics Systems (ICCES) hal 1174-1178.

Bhattacharyya, R. and Basu, S.D., 2018. India Inc looks to deal with rising stress in employees. The Economic Times, hal 1-5.

Van den Broeck, J., Argeseanu Cunningham, S., Eeckels, R. and Herbst, K., 2005. Data cleaning: detecting, diagnosing, and editing data abnormalities. PLoS medicine, 2(10), hal e267.

Bamonti, P.M., Keelan, C.M., Larson, N., Mentrikoski, J.M., Randall, C.L., Sly, S.K., Travers, R.M. and McNeil, D.W., 2014. Promoting ethical behavior by cultivating a culture of self-care during graduate training: A call to action. Training and Education in Professional Psychology, 8(4), hal 253.

Labarrere, C.A., Woods, J.R., Hardin, J.W., Campana, G.L., Ortiz, M.A., Jaeger, B.R., Reichart, B., Bonnin, J.M., Currin, A., Cosgrove, S. and Pitts, D.E., 2011. Early prediction of cardiac allograft vasculopathy and heart transplant failure. American Journal of Transplantation, 11(3), hal 528-535.

Bauer, C. and Schedl, M., 2019. Global and country-specific mainstreaminess measures: Definitions, analysis, and usage for improving personalized music recommendation systems. PloS one, 14(6), p.e0217389.

Reddy, U.S., Thota, A.V. and Dharun, A., 2018, December. Machine learning techniques for stress prediction in working employees. In 2018 IEEE International Conference on Computational Intelligence and Computing Research (ICCIC) hal 1-4.

https://osmihelp.org/, diakses tgl 1 Juli 2021.

Subhani, A.R., Mumtaz, W., Saad, M.N.B.M., Kamel, N. and Malik, A.S., 2017. Machine learning framework for the detection of mental stress at multiple levels. IEEE Access, 5, hal 13545-13556.

Singh, U., Hur, M., Dorman, K. and Wurtele, E.S., 2020. MetaOmGraph: a workbench for interactive exploratory data analysis of large expression datasets. Nucleic acids research, 48(4), hal e23-e23.

Blank, J. and Deb, K., 2020. pymoo: Multi-objective optimization in python. IEEE Access, 8, hal 89497-89509.

https://www.kaggle.com/osmi/mental-health-in-tech-survey, diakses tgl 1 Juli 2021.

Bhakta, I. and Sau, A., 2016. Prediction of depression among senior citizens using machine learning classifiers. International Journal of Computer Applications, 144(7), hal 11-16.

Laijawala, V., Aachaliya, A., Jatta, H. and Pinjarkar, V., 2020, April. Mental Health Prediction using Data Mining: A Systematic Review. In Proceedings of the 3rd International Conference on Advances in Science & Technology (ICAST).




DOI: http://dx.doi.org/10.31154/cogito.v7i2.312.215-226

Refbacks

  • There are currently no refbacks.


CogITo Smart Journal
A publication of Fakultas Ilmu Komputer, Universitas Klabat
In partnership with Coris and IndoCEISS
Phone: +62 (431) 891035
email: editorial.cogito@unklab.ac.id | web: http://cogito.unklab.ac.id/index.php/cogito
 
Free counters!
View CogITo Smart Journal Stats

CogITo Smart Journal is indexed by:
  DOAJ    SINTA     Indonesia OneSearch by Perpusnas    Crossref    Google Scholar      Base Search PKP Index    neliti    EBSCO Information Science    mendeley          scilit    road    worldcat    DRJI    OpenAIREplus    copac    Gent University Library Stanford Library    Harvard Library    Leiden University Libraries    The University of Sheffield    Boston University Library    University of Manchester    University of Oxford    CORE    Livivo
 



CogITo Smart Journal is licensed under a Creative Commons Attribution 4.0 International License.