PERBANDINGAN ALGORITMA MACHINE LEARNING DALAM PREDIKSI TINGKAT BURNOUT PADA DATASET KESEHATAN PEKERJA REMOTE

Risca Lusiana Pratiwi; Zulia Imami Alfianti; Eko Yulianto; Ahmad Fauzi; Ginabila Ginabila

doi:10.51401/jinteks.v7i3.6160

Authors

Risca Lusiana Pratiwi Universitas Nusa Mandiri
Zulia Imami Alfianti Universitas Bina Srana Informatika
Eko Yulianto Universitas Bina Srana Informatika
Ahmad Fauzi Universitas Bina Srana Informatika
Ginabila Ginabila Universitas Bina Sarana Informatika

DOI:

https://doi.org/10.51401/jinteks.v7i3.6160

Keywords:

Burnout, Neural Network, Naive Bayes, Pekerja Remote

Abstract

Burnout merupakan kondisi kelelahan fisik dan emosional yang disebabkan oleh stres kerja berkepanjangan dan berulang, terutama dialami oleh pekerja dengan sistem kerja remote. Penelitian ini bertujuan untuk membandingkan performa dua algoritma machine learning, yaitu Naive Bayes dan Neural Network, dalam memprediksi tingkat burnout berdasarkan data kesehatan pekerja remote. Data yang digunakan bersumber dari situs Kaggle dan terdiri dari 1.114 entri dengan 10 atribut yang mencakup usia, jenis kelamin, pengaturan kerja, jam kerja per minggu, status kesehatan mental, hingga tingkat burnout. Data diuji menggunakan proses klasifikasi setelah melalui tahapan preprocessing, seperti pembersihan data, penanganan nilai hilang, transformasi kategori ke numerik, dan pembagian data menjadi training dan testing dengan rasio 70:30. Hasil evaluasi menunjukkan bahwa algoritma Neural Network unggul secara signifikan dengan akurasi mencapai 98,34%, precision dan recall di atas 98% untuk semua kelas, serta F1-score yang sangat tinggi dan seimbang. Sementara itu, Naive Bayes hanya menghasilkan akurasi sebesar 45,84% dan menunjukkan kinerja yang tidak stabil antar kelas. Temuan ini menunjukkan bahwa Neural Network lebih tepat digunakan dalam pemodelan prediksi burnout yang melibatkan data dengan hubungan non-linear dan kompleks. Penelitian ini diharapkan dapat menjadi dasar dalam pengembangan sistem deteksi dini burnout berbasis kecerdasan buatan untuk mendukung kesehatan mental pekerja remote.

References

A. F. Assa, “DAMPAK BEBAN KERJA DAN LINGKUNGAN KERJA TERHADAP BURNOUT SYNDROME PADA KARYAWAN PT. SINERGI INTEGRA SERVICES,” Jurnal Ilmiah MEA (Manajemen, Ekonomi, dan Akuntansi), vol. 6 No.3, pp. 436–451, 2022.

H. Liu, S. S. Lou, B. C. Warner, D. R. Harford, T. Kannampallil, and C. Lu, “HiPAL: A Deep Framework for Physician Burnout Prediction Using Activity Logs in Electronic Health Records,” in Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Association for Computing Machinery, Aug. 2022, pp. 3377–3387. doi: 10.1145/3534678.3539056.

L. Zhang, T. Zhang, Z. Ren, and G. Jiang, “Predicting compassion fatigue among psychological hotline counselors using machine learning techniques,” Current Psychology, vol. 42, pp. 4169–4180, 2021.

Y.-L. Lee, W. Chou, T.-W. Chien, P.-H. Chou, Y.-T. Yeh, and H.-F. Lee, “An App Developed for Detecting Nurse Burnouts Using the Convolutional Neural Networks in Microsoft Excel: Population-Based Questionnaire Study, JMIR Medical Informatics,” JMIR Med Inform, vol. 8, 2020.

J. Mengmeng, J. Dasan, and L. Xiaoxiao, “Research on Job Burnout Evaluation and Turnover Tendency Prediction of Knowledge Workers Based on BP Neural Network,” Security and Communication Networks, vol. 2022, 2022, doi: 10.1155/2022/6370886.

M. M. V. Z. Cillié, J. H. Bührmann, A. J. Blignaut, D. Demirtas, and S. K. Coetzee, “A machine learning model to predict the risk factors causing feelings of burnout and emotional exhaustion amongst nursing staff in South Africa,” BMC Health Serv Res, vol. 24, no. 1, Dec. 2024, doi: 10.1186/s12913-024-12184-5.

M. Pillai, K. Adapa, M. Foster, I. Kratzke, N. Charguia, and L. Mazur, “An Interpretable Machine Learning Approach to Prioritizing Factors Contributing to Clinician Burnout,” Foundations of Intelligent Systems, pp. 149–161, 2022.

M. Pillai et al., “Using an explainable machine learning approach to prioritize factors contributing to healthcare professionals’ burnout,” J Intell Inf Syst, vol. 62, pp. 1113–1124, 2024.

I. Perova et al., “Machine Learning Method to Identifying Early Factors Leading to Burnout Among Medical Professionals,” in ecture Notes in Data Engineering, Computational Intelligence, and Decision-Making, 2024.

Q. Xiong et al., “Factors influencing fatigue, mental workload and burnout among Chinese health care workers during public emergencies: an online cross-sectional study,” BMC Nurs, vol. 23, no. 1, Dec. 2024, doi: 10.1186/s12912-024-02070-0.

L. Wang et al., “Risk and prediction of job burnout in responding nurses to public health emergencies,” BMC Nurs, 2024.

M. Azizah, R. Pamungkas, and N. Merdiaty, “KAJIAN LITERATUR: BURNOUT & STRATEGI PENANGANANNYA,” Jurnal Psikologi dan Bimbingan Konseling, vol. 9, 2024, doi: 10.6734/LIBEROSIS..V2I2.3027.

D. A. Anandani and D. Rahmasari, “Hubungan Beban Kerja dengan Burnout pada Pegawai Perusahaan Startup The Relationship between Workload and Burnout in Startup Company Employees,” Jurnal Penelitian Psikologi, vol. 10, no. 02, pp. 103–115, 2022.

E. Ahman, B. Santoso, and R. I. Bagaskara, “Issue 2 (2022) Pages 256-261 INOVASI: Jurnal Ekonomi,” Keuangan dan Manajemen, vol. 18, no. 2, p. 256, 2022, doi: 10.29264/jinv.v18i2.10821.

N. G. Widyawati, M. Khasanah, Muttaqin, and E. Rasywir, “Prediksi Tingkat Stress Pada Mahasiswa Universitas Dinamika Bangsa Jambi Dalam Melakukan Perkuliahan Metode Hybrid Menggunakan Algoritma Naive Bayes,” Jurnal Manajemen Teknologi dan Sistem Informasi (JMS), vol. 1, no. 2, 2022.

M. Wibowo and Muh. R. F. Djafar, “Perbandingan Metode Klasifikasi Untuk Deteksi Stress Pada Mahasiswa di Perguruan Tinggi,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 7, no. 1, p. 153, Jan. 2023, doi: 10.30865/mib.v7i1.5182.