Penerapan Analisis Faktor Terhadap Faktor-Faktor Yang Memengaruhi Frekuensi Mental Illness Pada Tech Workplace Di Negara Amerika Serikat

Bryant Wahyu Andyani Putri

2023-11-09

# install.packages("readxl")
# install.packages("REdaS")
# install.packages("psych")

1 PENDAHULUAN

1.1 Latar Belakang

Amerika Serikat ( United States ) telah mengalami perkembangan yang sangat pesat dan menjadi salah satu sektor ekonomi yang paling dinamis. Akan tetapi, semakin mengalami kemajuan dan memiliki tekanan yang tinggi pada industri ini, perhatian mengenai kesejahteraan mental karyawan semakin meningkat. Ada sejumlah lebih dari 450.000.000 manusia menderita gangguan mental dan perilaku di seluruh dunia (Ayuningtyas, D., & Rayhani, M., 2018). Gangguan mental ( mental illness ) dijadikan sebagai isu yang mendalam pada kalangan pekerja di berbagai sektor, termasuk tempat kerja teknologi ( Tech Workplace ), karena tekanan pekerjaannya tinggi, bersaing ketat, dan harapan yang berlebihan bisa berkontribusi pada masalah kesehatan mental ( mental health ). Beberapa penelitian dan laporan statistik membuktikan bahwa frekuensi mental illnes, berupa depresi, kecemasan, dan stres bisa menjulang lebih tinggi pada kalangan pekerja industri teknologi dibandingkan dengan sektor lainnya. Agar terdapat pemahaman lebih lanjut dan lebih rinci mengenai faktor-faktor yang memengaruhi kesehatan mental di tempat kerja teknologi, analisis faktor-faktor menjadi suatu kebutuhan.

Gangguan mental bisa saja memberikan dampak yang negatif bagi para karyawan dan organisasi secara keseluruhan. Beberapa dampak yang mungkin akan timbul jika seorang karyawan mengalami gangguan mental, yakni terjadi penurunan produktivitas, timbul tingkat absensi yang tinggi, berpengaruh terhadap kesehatan fisik, kurangnya kepuasan kerja yang telah dilakukan, terdapat keterbatasan karir dan kemajuan pribadi, terganggunya kesejahteraan dan keseimbangan hidup, serta akan muncul stigma sosial yang berakhir menjadi isolasi mandiri dan diasingkan bagi karyawan yang mengalami gangguan mental. Oleh karena itu, perlu adanya identifikasi terhadap faktor-faktor penyebab terjadinya mental illness, agar populasi orang yang terkena gangguan mental menjadi berkurang dan dapat meminimalisir akibat dari gangguan tersebut.

Analisis Faktor merupakan metode statistik yang digunakan dalam mengidentifikasi pola atau struktur di antara variabel terkait. Pada penelitian ini, analisis faktor bisa membantu dalam identifikasi pola mengenai aspek-aspek gangguan mental yang mungkin muncul di lingkungan kerja, membantu dalam memahami hubungan antara faktor-faktor tersebut agar mudah diinterpretasikan. Dengan melakukan pemahaman faktor-faktor yang terkait dengan mental illness, perusahaan menyesuaikan program kesehatan mental yang semakin efektif bagi karyawan. Analisis faktor juga dapat membantu dalam mengidentifikasi faktor-faktor lingkungan kerja yang berkaitan dengan risiko gangguan mental serta melakukan perubahan yang memberikan support terhadap kesehatan mental para karyawan. Oleh karena itu, Analisis ini sangat diperlukan dalam identifikasi faktor-faktor yang memengaruhi frekuensi gangguan mental pada tempat kerja teknologi di Amerika Serikat pada tahun 2014.

Beberapa variabel yang dibahas dalam penelitian ini yaitu menggunakan 10 variabel yang mungkin memengaruhi frekuensi gangguan mental di tempat kerja teknologi. Variabel-variabel tersebut berupa pilihan perawatan ( care options ), program kesehatan ( wellness program ), mencari pertolongan ( seek help ), anonimitas ( anonymity ), meninggalkan ( leave ), ukuran kesehatan mental ( mental health consequence ), rekan kerja ( coworkers ), pengawas ( supervisor ), wawancara kesehatan mental ( mental health interview ), mental dengan fisik ( mental vs physical ). 10 variabel yang digunakan mewakili 10 pertanyaan yang mungkin menjadi faktor penyebab gangguan mental dan diberikan kepada responden yang bekerja di tempat kerja teknologi. Ingin dilakukan identifikasi terhadap faktor-faktor tersebut, sehingga perlu adanya analisis faktor dalam kasus ini.

1.2 Sumber Data

Untuk mendukung project ini, didapatkan data sekunder yang diambil dari website kaggle tentang survei kesehatan mental di tempat kerja teknologi pada tahun 2014 yang diunggah oleh OPEN SOURCING MENTAL ILLNESS, LTD. Berikut merupakan data mengenai 10 variabel oleh 38 responden yang diambil dari sumber terkait.

> library (readxl)
> Data <- read_excel("C:/Users/puput/OneDrive/Documents/Data Analisis Faktor (Mental Illness).xlsx")
> Data
# A tibble: 38 × 10
      X1    X2    X3    X4    X5    X6    X7    X8    X9   X10
   <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
 1     2     3     2     3     1     1     3     3     1     3
 2     3     1     1     1     3     2     2     2     1     1
 3     1     1     1     3     3     1     2     2     1     3
 4     3     1     1     2     2     2     2     3     1     1
 5     1     1     2     2     2     2     1     1     1     2
 6     2     2     3     3     2     1     3     3     1     2
 7     3     1     2     1     1     3     2     3     1     1
 8     3     2     2     2     2     1     3     3     2     3
 9     2     1     2     2     3     1     2     1     1     1
10     3     1     1     2     3     3     1     1     1     1
# ℹ 28 more rows

Keterangan:

  • \(X_1\)  : Care Options (Tahukah Anda pilihan layanan kesehatan mental yang diberikan perusahaan Anda?)

  • \(X_2\)  : Wellness Program (Pernahkah atasan Anda membahas kesehatan mental sebagai bagian dari program kesehatan karyawan?)

  • \(X_3\)  : Seek Help (Apakah perusahaan Anda menyediakan sumber daya untuk mempelajari lebih lanjut tentang masalah kesehatan mental dan cara mencari bantuan?)

  • \(X_4\)  : Anonymity (Apakah anonimitas Anda terlindungi jika Anda memilih untuk memanfaatkan sumber daya pengobatan kesehatan mental atau penyalahgunaan zat?)

  • \(X_5\)  : Leave (Seberapa mudah bagi Anda untuk mengambil cuti medis karena kondisi kesehatan mental?)

  • \(X_6\)  : Mental Health Concequence (Apakah menurut Anda mendiskusikan masalah kesehatan mental dengan atasan Anda akan menimbulkan konsekuensi negatif?)

  • \(X_7\)  : Coworkers (Apakah Anda bersedia mendiskusikan masalah kesehatan mental dengan rekan kerja Anda?)

  • \(X_8\)  : Supervisor (Apakah Anda bersedia mendiskusikan masalah kesehatan mental dengan atasan langsung Anda?)

  • \(X_9\)  : Mental Health Interview (Apakah Anda akan mengemukakan masalah kesehatan mental kepada calon pemberi kerja dalam sebuah wawancara?)

  • \(X_{10}\) : Mental Vs Physical (Apakah Anda merasa bahwa atasan Anda menganggap kesehatan mental sama seriusnya dengan kesehatan fisik?)

2 TINJAUAN PUSTAKA

2.1 Analisis Faktor

Analisis faktor merupakan metode statistik multivariat yang digunakan dalam identifikasi pola-pola tersembunyi pada suatu data dengan cara melakukan reduksi dimensi atau variabel-variabel yang saling terkait. Analisis data menggunakan analisis faktor memiliki arti analisis data yang digunakan untuk mencari tahu faktor-faktor yang dominan dalam menjelaskan suatu masalah (Kurniawan, B., dkk., 2017). Tujuan dari analisis ini yaitu untuk mencari tahu faktor-faktor yang menjadi dasar kumpulan variabel yang diamati. Maka, akan memudahkan pemahaman terhadap struktur di balik data yang kompleks. Dalam prosesnya, analisis ini melibatkan transformasi data dari variqabel-variabel yang terkumpul ke dalam faktor-faktor yang lebih ringkas dan mudah dipahami. Hal tersebut memungkinkan hasil identifikasi variabel-variabel yang saling berkaitan dan bermakna. Oleh karena itu, interpretasi antar variabel menjadi semakin terperinci dan mudah dipahami. Dalam analisis faktor, kita mencari faktor-faktor yang mungkin dapat menjelaskan sebagian besar varians dalam data dengan mempertahankan informasi yang relevan dari variabel asli. Faktor-faktor ini memberikan gambaran hubungan dan keterkaitan antara variabel-variabel yang diamati, membantu dalam mereduksi kompleksitas data dan mengidentifikasi pola yang mendasari.

Model analisis faktor yakni sebagai berikut: \[ x_i=∑λ_{ij} f_j+u_1 \] Dan rumus pembobot faktor pada masing-masing variabel adalah sebagai berikut: \[ h^2_{ij}=Σ(λ_{ij})^2 \] ## Tahapan Analisis Faktor Untuk melakukan analisis faktor, terdapat analisis pendahulu yang harus dilakukan dan harus terpenuhi.

### Uji Kaiser-Meyer-Olkin (KMO)

Uji KMO (Kaiser-Meyer-Olkin) merupakan salah satu uji yang digunakan dalam analisis faktor untuk mengukur kecocokan atau kesesuaian suatu data dengan metode analisis faktor. KMO merupakan uji yang dilakukan untuk menentukan kelayakan ( appropriateness ) dari suatu analisis faktor yang ingin dilakukan (Safitri, D., dkk., 2023). Tujuannya adalah untuk mengevaluasi sejauh mana data yang digunakan sesuai untuk dilakukan pada analisis faktor. Uji ini mengukur kemampuan variabel-variabel dalam dataset untuk saling berkorelasi, atau dengan kata lain, sejauh mana data dapat dijelaskan oleh faktor-faktor yang mungkin ada. Hasil dari uji Kaiser-Meyer-Olkin berada pada rentang 0 hingga 1, dengan nilai yang semakin mendekati 1 menunjukkan bahwa data lebih cocok digunakan dalam analisis faktor.

Rumus yang digunakan dalam perhitungan nilai KMO secara manual adalah sebagai berikut: \[ KMO=∑_i ∑_{i≠j}r_{ij}^2 )/(∑_i∑_{i≠j}r_{ij}^2 +∑_i∑_{i≠j}α_ij^2 ;i=1,2,…,p; j=1,2,…,p \] Keterangan:

\(r_{ij}\) : Koefisien korelasi sederhana antara variabel i dan j

\(α_{ij}\) : Koefisien korelasi parsial antara variabel i dan j

Secara umum, interpretasi nilai uji KMO adalah sebagai berikut:

  • Jika nilai KMO mendekati 1 (0.8 atau lebih), maka data sangat cocok untuk analisis faktor.

  • Jika nilai KMO berada di kisaran 0.6 hingga 0.7, maka dianggap cukup baik untuk analisis faktor.

  • Jika nilai KMO di bawah 0.5, maka data mungkin tidak cocok untuk analisis faktor.

Sebuah hasil KMO yang rendah menunjukkan bahwa mungkin terdapat variabel yang tidak berkorelasi dengan variabel lain dalam dataset, yang dapat membuat analisis faktor menjadi kurang dapat digunakakn atau tidak dapat memberikan informasi yang signifikan. Sehingga, uji KMO digunakan untuk memastikan bahwa data yang akan digunakan dalam analisis faktor memiliki karakteristik yang cocok untuk proses tersebut.

2.1.1 Uji Bartlett’s

Uji homogenitas varians populasi dapat dilakukan dengan uji bartlett (Sianturi, 2022). Uji Bartlett merupakan uji statistik yang digunakan dalam analisis faktor untuk menguji hipotesis nol bahwa matriks kovarians pada sampel identik dengan matriks identitas. Dengan kata lain, uji Bartlett dipakai untuk menguji homogenitas dari matriks kovarians, dengan asumsi bahwa variabel-variabel dalam dataset saling independen. Tujuan utama dari uji Bartlett yakni untuk menentukan apakah korelasi antara variabel-variabel tersebut signifikan atau tidak. Jika hasil uji Bartlett menunjukkan bahwa terdapat signifikansi, hal tersebut menandakan bahwa matriks kovarians yang diamati tidak identik dengan matriks identitas, yang berarti variabel-variabel tersebut tidak saling independen dan korelasi di antara variabel-variabel tersebut signifikan.

\[ X_{obs}^2=-[(N-1)-\frac{(2p+5)}{6} ] ln|R| \] Keterangan:

\(N\) = jumlah observasi

\(p\) = jumlah variabel

\(|R|\)= determinasi dari matriks korelasi

Dengan Hipotesis yang digunakan:

\(H_0\) : Tidak terdapat korelasi yang signifikan antar variabel

\(H_1\) : Terdapat korelasi yang signifikan antar variabel

jika p-value < 0.05, maka \(H_0\) ditolak dan analisis faktor terpenuhi.

2.1.2 Measure of Sampling Adequety (MSA)

Measure of Sampling Adequacy (MSA) digunakan sebagai uji untuk melakukan evaluasi sejauh mana data yang digunakan cocok untuk analisis faktor. MSA mengukur seberapa baik variabel - variabel dalam data berkorelasi satu sama lain. Nilai MSA berkisar dari 0 hingga 1. Dasar pengambilan keputusan yaitu jika nilai MSA Indikator < 0.5 maka Indikator tersebut akan tereliminasi dan tidak dapat diikutsertakan dalam analisis komponen utama.

2.1.3 Ekstraksi Faktor dengan Principal Component Analysis (PCA)

Principal Component Analysis (PCA) adalah suatu teknik statistik untuk mengubah dari sebagian besar variabel asli untuk digunakan dan saling berkorelasi satu sama lainnya, menjadi satu set variabel baru yang lebih kecil dan saling bebas (Van Delsen, dkk., 2017). PCA digunakan untuk mereduksi indikator yang tidak memenuhi korelasi berdasarkan nilai MSA. Dasar pengambilan keputusan dalam PCA yaitu melalui nilai eigen yang terbentuk ≥ 1 maka faktor tersebut dapat menjelaskan indikator dengan baik sehingga perlu disertakan dalam pembentukan indikator.

2.1.4 Rotasi Faktor dengan Varimax Method

Rotasi faktor dengan metode Varimax adalah suatu teknik dalam analisis faktor yang bertujuan untuk menyederhanakan dan memudahkan interpretasi faktor - faktor yang muncul dalam data. Metode ini bekerja dengan mengubah orientasi faktor-faktor sehingga setiap variabel memiliki beban (loading) yang tinggi pada satu faktor tertentu dan beban yang rendah pada faktor-faktor lainnya.

3 SOURCE CODE

3.1 Library

Beberapa library yang digunakan pada project ini, yaitu:

> library(readxl)
> library(REdaS)
> library(psych)

library(readxl) digunakan untuk menginput dan membaca data dari file Excel (.xls atau .xlsx) ke dalam syntax R. library(REdaS) digunakan untuk melakukan estimasi reliabilitas dan validitas data. Package ini memungkinkan analisis statistik untuk mengukur dan menyediakan fungsi-fungsi untuk menghitung koefisien reliabilitas dan mengukur validitas dari instrumen pengukuran. library(psych) digunakan untuk analisis psikometri dan statistik terapan. Package ini difokuskan pada analisis faktor, pengukuran, dan analisis statistik yang relevan dalam ilmu perilaku dan sosial. Package ini menyediakan fungsi-fungsi yang digunakan dalam analisis faktor, analisis korelasi, serta berbagai alat analisis lainnya yang berguna dalam ilmu psikologi dan bidang terkait.

3.2 Input Data

> Data <- read_excel("C:/Users/puput/OneDrive/Documents/Data Analisis Faktor (Mental Illness).xlsx")
> Data

Source Code tersebut digunakan untuk melakukan input data dari file excel yang disimpat pada variabel Data, dan dilakukan pemanggilan terhadap variabel Data tersebut.

3.3 Uji KMO dan MSA

> kmos <-KMOS(Data)
> kmos

KMOS() merupakan fungsi yang digunakan untuk menghitung Measure of Sampling Adequacy (MSA) dan uji Kaiser-Meyer-Olkin (KSO), sebuah uji yang berfungsi untuk mengevaluasi kecocokan data terhadap analisis faktor. Perintah kmos akan menampilkan hasil perhitungan KMO yang mungkin berisi nilai MSA dan KMO untuk setiap item atau variabel dalam data yang digunakan.

3.4 Uji Bartlett

> bart_spher(x = Data)

Syntax bart_spher(x = Data) merupakan fungsi bart_spher() dalam package R psych. Fungsi ini digunakan untuk melakukan uji Bartlett pada suatu data.

3.5 Ekstraksi Faktor dengan Principat Component Analysis (PCA)

> R<- cor(Data)
> R

Syntax ini menghitung korelasi dari Data dan hasilnya disimpan dalam objek R. Kemudian, perintah R digunakan untuk menampilkan nilai korelasi yang dihitung dalam objek tersebut.

> eigen<- eigen(R)
> eigen$values

Syntax ini akan menghasilkan daftar (list) dengan nilai-nilai eigen dari matriks R. Dengan memanggil eigen$values

> plot(eigen$values, xlab="Eigenvalue Number", ylab="Eigenvalue Size",
+ main = "Scree Plot")
> lines(eigen$values)

Syntax ini digunakan untuk membuat scree plot dan menambahkan garis pada hasil scatter plot.

3.6 Analisis Faktor

> factanal(x = Data, factors = 3)

Syntax factanal(x = Data, factors = 3) merupakan perintah dalam R untuk melakukan analisis faktor pada suatu dataset Data dengan memperoleh sejumlah faktor tertentu yang ditentukan.

> cov.mat = cov(Data)
> round(cov.mat, 2)

Source Code terseut digunakan untuk menghitung matriks kovarian dari Data, kemudian membulatkannya ke dua tempat desimal.

> factanal(covmat=cov.mat, factors = 3, n.obs = nrow(Data))

Fungsi tersebut digunakan untuk melakukan analisis faktor menggunakan matriks kovariansi cov.mat, mengambil 3 faktor, dan menggunakan jumlah observasi yang sama dengan jumlah baris pada data Data. Ini adalah langkah-langkah awal dalam menganalisis faktor dan mendapatkan faktor-faktor yang mungkin mempengaruhi variabilitas dalam data.

> output <- factanal(x = Data, factors = 3, scores = 'regression')
> head(output$scores)

Perintah tersebut menjalankan analisis faktor pada data yang disimpan dalam Data, menghasilkan output analisis faktor, dan menampilkan beberapa baris pertama dari variabel skor faktor yang dihasilkan dari analisis tersebut.

> varimax <- factanal(Data, factors = 3, rotation="varimax", scores="regression")
> head(varimax$scores)

Kode tersebut melakukan analisis faktor dengan metode varimax dan menghasilkan tiga faktor. Kemudian, head(varimax$scores) digunakan untuk melihat sebagian data dari skor faktor yang dihasilkan dari analisis faktor tersebut.

> output2 <- fa(Data,
+ nfactors = 3,
+ rotate = "varimax",
+ scores = "regression")
> 
> output2$loadings

Perintah pada syntax tersebut yakni melakukan analisis faktor dengan spesifikasi tertentu, menggunakan metode varimax untuk rotasi faktor dan menghitung muatan faktor, yang dapat membantu dalam memahami hubungan antara variabel Anda dan faktor-faktor yang diidentifikasi.

> output2$communalities

output2$communalities adalah cara untuk mengakses atribut khusus dari objek tersebut yang berisi nilai-nilai communalities untuk setiap variabel.

3.7 Plot

> loads <- output2$loadings
> fa.diagram(loads)

Syntax tersebut digunakan untuk mengekstrak matriks loadings dari hasil analisis faktor yang dilakukan sebelumnya dan kemudian membuat diagram faktor untuk visualisasi hubungan antara variabel dan faktor dalam analisis faktor tersebut.

3.8 Ekspor Loadings

> round(output2$loadings[1:10,], 3)

Syntax tersebut digunakan untuk mengambil 10 baris pertama dari loadings dalam objek output2, dan kemudian membulatkan data tersebut menjadi tiga desimal.

4 HASIL DAN PEMBAHASAN

4.1 Uji KMO dan MSA


Kaiser-Meyer-Olkin Statistics

Call: KMOS(x = Data)

Measures of Sampling Adequacy (MSA):
       X1        X2        X3        X4        X5        X6        X7        X8 
0.7574842 0.7294692 0.7071355 0.7968228 0.6913527 0.7630935 0.7515073 0.7943858 
       X9       X10 
0.6488386 0.7031671 

KMO-Criterion: 0.7378209

Melalui Uji Kaiser-Meyer Olkin (KMO) dengan bantuan software RStudio didapatkan nilai Measures of Sampling Adequacy (MSA) pada semua variabel lebih dari 0.5 (> 0.5), maka tidak terdapat variabel yang dieliminasi dan semua variabel dapat diikutsertakan dalam analisis komponen utama. Selain itu, diperoleh nilai KMO sebesar 0.7378209 yakni bernilai lebih dari 0.6 (> 0.6), maka data pada penelitian ini kemungkinan besar sesuai untuk analisis faktor dan analisis faktor dapat diterapkan.

4.2 Uji Bartlett

\(H_0\) : Tidak terdapat korelasi yang signifikan antar variabel

\(H_1\) : Terdapat korelasi yang signifikan antar variabel

    Bartlett's Test of Sphericity

Call: bart_spher(x = Data)

     X2 = 106.258
     df = 45
p-value < 2.22e-16

Berdasarkan output diketahui nilai signifikansi (p-value) sebesar 2.22e-16 atau 0.000 < 0.5 sehingga dapat disimpulkan bahwa antar variabel saling berkorelasi dan layak digunakan dalam analisis faktor.

4.3 Ekstraksi Faktor Dengan Principat Component Analysis (PCA)

             X1          X2          X3          X4          X5          X6
X1   1.00000000  0.24700952  0.30266716  0.04664941 -0.30853829 -0.03731774
X2   0.24700952  1.00000000  0.64925346  0.38468674 -0.21302363 -0.17681417
X3   0.30266716  0.64925346  1.00000000  0.34760120 -0.22386752 -0.11111368
X4   0.04664941  0.38468674  0.34760120  1.00000000  0.01166770 -0.42759647
X5  -0.30853829 -0.21302363 -0.22386752  0.01166770  1.00000000  0.04977980
X6  -0.03731774 -0.17681417 -0.11111368 -0.42759647  0.04977980  1.00000000
X7   0.14249783  0.09711586  0.12939386  0.18895035 -0.17645552 -0.52574973
X8   0.15432735  0.23693205  0.15252979  0.28406798 -0.25298964 -0.55346421
X9   0.10204559 -0.05997018 -0.07653604  0.15367483 -0.16568131 -0.42759647
X10  0.03886919  0.42899625  0.38262790  0.47506495 -0.06221921 -0.46448573
             X7         X8          X9         X10
X1   0.14249783  0.1543274  0.10204559  0.03886919
X2   0.09711586  0.2369321 -0.05997018  0.42899625
X3   0.12939386  0.1525298 -0.07653604  0.38262790
X4   0.18895035  0.2840680  0.15367483  0.47506495
X5  -0.17645552 -0.2529896 -0.16568131 -0.06221921
X6  -0.52574973 -0.5534642 -0.42759647 -0.46448573
X7   1.00000000  0.5815425  0.50112918  0.27380364
X8   0.58154252  1.0000000  0.39201382  0.26509387
X9   0.50112918  0.3920138  1.00000000 -0.05938312
X10  0.27380364  0.2650939 -0.05938312  1.00000000
 [1] 3.3133881 1.8694762 1.3988013 0.7196875 0.6358582 0.5839639 0.4841721
 [8] 0.3996615 0.3252383 0.2697529

Berdasarkan output, faktor yang memiliki nilai eigen ≥ 1 adalah komponen 1 hingga 3 yaitu sebanyak 3 faktor, maka proses pemfaktoran dilakukan hingga 3 faktor.

Berdasarkan scree plot yang telah terbentuk menggunakan bantuan software RStudio, diketahui bahwa jumlah faktor optimum sekitar 3 faktor.

4.4 Analisis Faktor


Call:
factanal(x = Data, factors = 3)

Uniquenesses:
   X1    X2    X3    X4    X5    X6    X7    X8    X9   X10 
0.744 0.358 0.345 0.587 0.738 0.276 0.436 0.455 0.517 0.431 

Loadings:
    Factor1 Factor2 Factor3
X1                   0.496 
X2           0.620   0.503 
X3  -0.105   0.562   0.573 
X4   0.209   0.607         
X5  -0.180          -0.479 
X6  -0.701  -0.465   0.128 
X7   0.717   0.146   0.168 
X8   0.667   0.236   0.211 
X9   0.678  -0.121         
X10  0.161   0.737         

               Factor1 Factor2 Factor3
SS loadings      2.036   1.921   1.156
Proportion Var   0.204   0.192   0.116
Cumulative Var   0.204   0.396   0.511

Test of the hypothesis that 3 factors are sufficient.
The chi square statistic is 5.61 on 18 degrees of freedom.
The p-value is 0.998

Keterangan: Nilai uniqueness menunjukkan persentase dari variansi yang tak terjelaskan dari faktor bersama.

• Loadings dengan nilai lebih kecil dari 0.1 dihilangkan. Nilai loadings menunjukkan pengaruh faktor dan nilainya pada masing-masing variabel.

• Dari Cumulative Var, terlihat bahwa 3 faktor mampu menjelaskan 51.1% keragaman dalam data.

       X1    X2    X3    X4    X5    X6    X7    X8    X9   X10
X1   0.75  0.18  0.21  0.02 -0.14 -0.03  0.08  0.12  0.05  0.03
X2   0.18  0.74  0.44  0.19 -0.10 -0.12  0.05  0.18 -0.03  0.30
X3   0.21  0.44  0.62  0.16 -0.10 -0.07  0.06  0.11 -0.03  0.24
X4   0.02  0.19  0.16  0.32  0.00 -0.19  0.07  0.14  0.05  0.22
X5  -0.14 -0.10 -0.10  0.00  0.29  0.02 -0.06 -0.12 -0.05 -0.03
X6  -0.03 -0.12 -0.07 -0.19  0.02  0.63 -0.26 -0.39 -0.19 -0.30
X7   0.08  0.05  0.06  0.07 -0.06 -0.26  0.38  0.32  0.17  0.14
X8   0.12  0.18  0.11  0.14 -0.12 -0.39  0.32  0.79  0.20  0.19
X9   0.05 -0.03 -0.03  0.05 -0.05 -0.19  0.17  0.20  0.32 -0.03
X10  0.03  0.30  0.24  0.22 -0.03 -0.30  0.14  0.19 -0.03  0.65

Call:
factanal(factors = 3, covmat = cov.mat, n.obs = nrow(Data))

Uniquenesses:
   X1    X2    X3    X4    X5    X6    X7    X8    X9   X10 
0.744 0.358 0.345 0.587 0.738 0.276 0.436 0.455 0.517 0.431 

Loadings:
    Factor1 Factor2 Factor3
X1                   0.496 
X2           0.620   0.503 
X3  -0.105   0.562   0.573 
X4   0.209   0.607         
X5  -0.180          -0.479 
X6  -0.701  -0.465   0.128 
X7   0.717   0.146   0.168 
X8   0.667   0.236   0.211 
X9   0.678  -0.121         
X10  0.161   0.737         

               Factor1 Factor2 Factor3
SS loadings      2.036   1.921   1.156
Proportion Var   0.204   0.192   0.116
Cumulative Var   0.204   0.396   0.511

Test of the hypothesis that 3 factors are sufficient.
The chi square statistic is 5.61 on 18 degrees of freedom.
The p-value is 0.998 
        Factor1     Factor2     Factor3
[1,]  0.7086750  1.18614716  0.60802763
[2,] -0.1253035 -1.20203537 -0.30114929
[3,]  0.1707863  0.88633888 -1.93704441
[4,]  0.2557490 -1.03225540  0.08926962
[5,] -1.0373862 -0.01668111 -0.62575782
[6,]  0.6235797  0.87816339  0.56888478
        Factor1     Factor2     Factor3
[1,]  0.7086750  1.18614716  0.60802763
[2,] -0.1253035 -1.20203537 -0.30114929
[3,]  0.1707863  0.88633888 -1.93704441
[4,]  0.2557490 -1.03225540  0.08926962
[5,] -1.0373862 -0.01668111 -0.62575782
[6,]  0.6235797  0.87816339  0.56888478

Loadings:
    MR1    MR2    MR3   
X1                 0.520
X2          0.656  0.450
X3          0.602  0.520
X4   0.230  0.605       
X5  -0.172        -0.516
X6  -0.717 -0.433  0.133
X7   0.726  0.135  0.162
X8   0.666  0.229  0.213
X9   0.663 -0.124  0.104
X10  0.178  0.717       

                 MR1   MR2   MR3
SS loadings    2.058 1.949 1.111
Proportion Var 0.206 0.195 0.111
Cumulative Var 0.206 0.401 0.512
       X1        X2        X3        X4        X5        X6        X7        X8 
0.2797394 0.6358829 0.6427149 0.4201482 0.2956319 0.7185101 0.5717257 0.5418428 
       X9       X10 
0.4657048 0.5465804

4.5 Plot

Berdasarkan plot yang telah dibentuk sebagai hasil visualisasi, terlihat bahwa:

\(MR_1\) berkorelasi signifikan dengan variabel \(X_7\), \(X_6\), \(X_8\), \(X_9\) dimana variabel \(X_6\) berkorelasi negatif dengan faktor \(MR_1\) (hubungan keduanya berbanding terbalik).

Dengan:

  • \(X_7\)  : Coworkers (Apakah Anda bersedia mendiskusikan masalah kesehatan mental dengan rekan kerja Anda?)

  • \(X_6\)  : Mental Health Concequence (Apakah menurut Anda mendiskusikan masalah kesehatan mental dengan atasan Anda akan menimbulkan konsekuensi negatif?)

  • \(X_8\)  : Supervisor (Apakah Anda bersedia mendiskusikan masalah kesehatan mental dengan atasan langsung Anda?)

  • \(X_9\)  : Mental Health Interview (Apakah Anda akan mengemukakan masalah kesehatan mental kepada calon pemberi kerja dalam sebuah wawancara?)

Sehingga, faktor \(MR_1\) dapat diinterpretasikan sebagai faktor yang berkaitan dengan penilaian terhadap ketersediaan mendiskusikan kesehatan mental dengan orang lain.

\(MR_2\) berkorelasi signifikan dengan variabel \(X_10\), \(X_2\), \(X_4\), \(X_3\).

Dengan:

\(X_10\) : Mental Vs Physical (Apakah Anda merasa bahwa atasan Anda menganggap kesehatan mental sama seriusnya dengan kesehatan fisik?)

\(X_2\)  : Wellness Program (Pernahkah atasan Anda membahas kesehatan mental sebagai bagian dari program kesehatan karyawan?)

\(X_4\)  : Anonymity (Apakah anonimitas Anda terlindungi jika Anda memilih untuk memanfaatkan sumber daya pengobatan kesehatan mental atau penyalahgunaan zat?)

\(X_3\)  : Seek Help (Apakah perusahaan Anda menyediakan sumber daya untuk mempelajari lebih lanjut tentang masalah kesehatan mental dan cara mencari bantuan?)

Sehingga, faktor \(MR_2\) dapat diinterpretasikan sebagai faktor yang berkaitan dengan penilaian terhadap upaya perusahaan dalam mencegah dan menghadapi gangguan mental.

\(MR_3\) berkorelasi signifikan dengan variabel \(X_1\) dan \(X_5\) dimana variabel \(X_5\) berkorelasi negatif dengan faktor \(MR_3\) (hubungan keduanya berbanding terbalik).

Dengan:

\(X_1\)  : Care Options (Tahukah Anda pilihan layanan kesehatan mental yang diberikan perusahaan Anda?)

\(X_5\)  : Leave (Seberapa mudah bagi Anda untuk mengambil cuti medis karena kondisi kesehatan mental?)

Sehingga, faktor \(MR_3\) dapat diinterpretasikan sebagai faktor yang berkaitan dengan penilaian terhadap respon dalam menangani kesehatan mental.

4.6 Ekspor Loadings

       MR1    MR2    MR3
X1   0.083  0.054  0.520
X2  -0.056  0.656  0.450
X3  -0.098  0.602  0.520
X4   0.230  0.605 -0.025
X5  -0.172  0.006 -0.516
X6  -0.717 -0.433  0.133
X7   0.726  0.135  0.162
X8   0.666  0.229  0.213
X9   0.663 -0.124  0.104
X10  0.178  0.717 -0.026

5 PENUTUP

5.1 Kesimpulan

Hasil analisis faktor yang telah dilakukan menggunakan bantuan software RStudio menunjukkan bahwa terdapat 3 faktor yang bisa diekstrak dari 10 variabel atau indikator dalam survei mengenai faktor-faktor yang memengaruhi frekuensi gangguan mental terhadap pekerja di industri teknologi di negara Amerika Serikat pada tahun 2014. Faktor-faktor tersebut diinterpretasikan sebagai faktor yang berkaitan dengan penilaian terhadap ketersediaan mendiskusikan kesehatan mental dengan orang lain, faktor yang berkaitan dengan penilaian terhadap upaya perusahaan dalam mencegah dan menghadapi gangguan mental, faktor yang berkaitan dengan penilaian terhadap respon dalam menangani kesehatan mental. Setiap variabel memiliki korelasi signifikan dengan setidaknya satu faktor lain dalam kasus tersebut. Hal ini menjelaskan bahwa semua variabel kurang dijelaskan dengan baik oleh faktor lain di luar model.

5.2 Saran

Hasil analisis faktor menghasilkan tiga faktor yang dapat diekstrak dari 10 indikator survei terkait gangguan mental pada pekerja di industri teknologi AS pada tahun 2014. Faktor-faktor tersebut merujuk pada aspek ketersediaan diskusi tentang kesehatan mental, upaya perusahaan dalam mengatasi gangguan mental, dan respon terhadap masalah kesehatan mental. Korelasi yang signifikan antara variabel menunjukkan keterkaitan yang kuat antara faktor-faktor. Namun, terdapat informasi yang tidak tercakup secara memadai oleh faktor-faktor yang ada, menunjukkan bahwa variabel memiliki hubungan kurang jelas dengan faktor-faktor di luar model.

6 DAFTAR PUSTAKA

Ayuningtyas, D., & Rayhani, M. (2018). Analisis situasi kesehatan mental pada masyarakat di Indonesia dan strategi penanggulangannya. Jurnal Ilmu Kesehatan Masyarakat, 9(1), 1-10.

Kurniawan, B., Wiharna, O., & Permana, T. (2017). Studi analisis faktor-faktor yang mempengaruhi hasil belajar pada mata pelajaran teknik listrik dasar otomotif. Journal of Mechanical Engineering Education, 4(2).

Open Sourcing Mental Illness, LTD (2014) Mental Health in Tech Survey. Kaggle. URL: https://www.kaggle.com/datasets/osmi/mental-health-in-tech-survey

Safitri, D., Saragih, L., & Purba, J. W. P. (2023). Analisis Faktor–Faktor Yang Mempengaruhi Revisit Intention (Minat Kunjung) Wisatawan Pada Objek Air Terjun Bah Biak Kec. Sidamanik, Kab. Simalungun. Manajemen: Jurnal Ekonomi, 5(1), 25-34.

Sianturi, R. (2022). Uji homogenitas sebagai syarat pengujian analisis. Jurnal Pendidikan, Sains Sosial, dan Agama, 8(1), 386-397.

Van Delsen, M. S. N., Wattimena, A. Z., & Saputri, S. (2017). Penggunaan metode analisis komponen utama untuk mereduksi faktor-faktor inflasi di Kota Ambon. Barekeng: Jurnal Ilmu Matematika dan Terapan, 11(2), 109-118.