Penerapan Analisis Faktor Terhadap Faktor-Faktor yang Mempengaruhi Kesehatan Mental Karyawan di Bidang Teknologi (IT) Tahun 2016

Library:

> # install.packages("knitr")
> # install.packages("rmarkdown")
> # install.packages("htmlto)
> # install.packages("prettydoc")
> # install.packages("equatiomatic")
> # install.packages("rsconnect")
> # install.packages("readxl")
> # install.packages("DT")
> # install.packages("psych")
> # install.packages("corrplot")
> # install.packages("ggplot2")
> # install.packages("car")
> # install.packages("REdaS")

1 PENDAHULUAN

1.1 Latar Belakang Kasus

Sumber daya manusia merupakan penggerak utama organisasi dan harus diperhatikan secara khusus agar perusahaan dapat berjalan dengan stabil. Menjaga sumber daya manusia di perusahaan merupakan suatu investasi bagi perusahaan. Karena meningkatnya kualitas sumber daya manusia akan berdampak pada peningkatan kinerja karyawan dan menurunnya tingkat stres para karyawan. Kesehatan mental karyawan di lingkungan kerja merupakan salah satu masalah sering luput dari perhatian karena merupakan sesuatu yang tidak terlihat dalam bentuk fisik. Sehingga dibutuhkan kejelian pengamatan dari para pemimpin perusahaan. Kesehatan mental memengaruhi kinerja yang akan diberikan karyawan kepada perusahaan.

Dalam lingkungan kerja yang semakin dinamis, kesehatan mental karyawan menjadi aspek penting yang tidak bisa diabaikan. Di sektor teknologi, khususnya di bidang Teknologi Informasi (IT), tantangan pekerjaan yang penuh tekanan, jam kerja yang panjang, serta kompleksitas tugas dapat berkontribusi terhadap stres dan masalah kesehatan mental. Teknologi Informasi adalah salah satu divisi yang membutuhkan ketahanan mental tinggi, mengingat intensitas kerja dan tuntutan penyelesaian masalah secara cepat. Dampak negatif kesehatan mental yang tidak dikelola dengan baik dapat memengaruhi produktivitas, kualitas kerja, dan hubungan antara rekan kerja, serta meningkatkan turnover karyawan.

Penelitian ini menggunakan analisis faktor untuk mengeksplorasi faktor-faktor utama yang memengaruhi kesehatan mental karyawan di divisi IT. Dengan menggunakan analisis faktor, diharapkan dapat ditemukan dimensi-dimensi utama yang terkait dengan persepsi karyawan terhadap kesehatan mental di tempat kerja, seperti aksesibilitas layanan, budaya perusahaan terhadap kesehatan mental, dan hubungan interpersonal terkait kesehatan mental di tempat kerja. Penelitian mengenai kesehatan mental karyawan sangat penting untuk memahami faktor-faktor yang menyebabkan kinerja karyawan menurun khususnya karyawan di bidang Teknologi (IT). Penerapan analisis faktor memungkinkan peneliti untuk mengidentifikasi dan mengelompokkan variabel-variabel yang saling berkaitan dalam memengaruhi kesehatan mental karyawan. Pemahaman ini akan sangat bermanfaat bagi pengembangan strategi pencegahan yang lebih efektif,menciptakan lingkungan kerja yang lebih inklusif, serta perencanaan program produktivitas karyawan yang tepat sasaran.

1.2 Data dan Sumber Data

Data yang digunakan dalam penelitian dengan judul “Penerapan Analisis Faktor Terhadap Faktor-Faktor yang Mempengaruhi Kesehatan Mental Karyawan di Bidang Teknologi (IT) Tahun 2016” adalah data faktor-faktor yang memungkinkan berpengaruh terhadap Kesehatan Mental Karyawan di Bidang Teknologi (IT) Tahun 2016 yang diambil dari sumber Kaggle dengan judul “OSMI Mental Health in Tech Survey 2016” terhadap 1016 karyawan. Berikut merupakan variabel-variabel yang digunakan:

• X₁ (Service Availability) : Apakah perusahaan tempat Anda bekerja sebelumnya memberikan tunjangan kesehatan mental? (1:Ya, 0:Tidak)

• X₂ (Care Options) : Apakah Anda mengetahui pilihan layanan kesehatan mental yang diberikan oleh perusahaan tempat Anda bekerja sebelumnya? (1:Ya, 0:Tidak)

• X₃ (Seek Help) : Apakah perusahaan tempat Anda bekerja sebelumnya menyediakan sumber daya untuk mempelajari lebih lanjut tentang masalah kesehatan mental dan cara mencari bantuan? (1:Ya, 0:Tidak)

• X₄ (Anonymity) : Apakah anonimitas Anda terlindungi jika Anda memilih untuk memanfaatkan sumber daya perawatan kesehatan mental atau penyalahgunaan zat di tempat kerja sebelumnya? (1:Ya, 0:Tidak)

• X₅ (Off Work) : Jika masalah kesehatan mental mendorong Anda untuk meminta cuti medis dari pekerjaan, permintaan cuti tersebut adalah: (1:Ya, 0:Tidak)

• X₆ (Mental Health Concequence) : Apakah menurut Anda membicarakan gangguan kesehatan mental dengan pemberi kerja sebelumnya akan berdampak negatif? narkoba (1:Ya, 0:Tidak)

• X₇ (Coworkers) : Apakah Anda bersedia mendiskusikan masalah kesehatan mental dengan rekan kerja Anda sebelumnya? lain (1:Ya, 0:Tidak)

• X₈ (Supervisor) : Apakah Anda bersedia mendiskusikan masalah kesehatan mental dengan atasan langsung Anda? (1:Ya, 0:Tidak)

• X₉ (Mental Health Interview) : Apakah Anda akan mengemukakan masalah kesehatan mental kepada calon pemberi kerja dalam sebuah wawancara? (1:Ya, 0:Tidak)

• X₁₀ (Mental vs Physical) : Apakah Anda merasa bahwa perusahaan tempat Anda bekerja sebelumnya menganggap kesehatan mental sama seriusnya dengan kesehatan fisik? (1:Ya, 0:Tidak)

Berikut merupakan data yang digunakan dalam penelitian ini:

> library(readxl)
> Mental_Health_InTech <- readxl::read_excel("D:/Mental_Health_In_Tech.xlsx")
> knitr::kable(Mental_Health_InTech, caption = "Kesehatan Mental Karyawan di Bidang IT Tahun 2016",align = "c")

Kesehatan Mental Karyawan di Bidang IT Tahun 2016

Service Availability	Care Options	Seek Help	Anonymity	Off Work	Mental Health Concequence	Coworkers	Supervisor	Mental Health Interview	Mental vs Physical
0	0	0	0	1	1	1	1	1	0
1	1	1	1	1	0	0	1	0	1
0	0	1	0	0	0	1	0	1	0
0	0	0	0	0	1	0	1	0	1
0	1	0	0	1	1	0	0	1	0
1	1	1	0	1	0	1	1	1	1
1	1	1	1	1	1	1	1	0	1
0	0	0	0	0	1	0	0	1	0
0	0	0	0	1	1	0	1	1	0
0	0	0	0	0	1	0	0	0	0
1	1	1	1	1	0	1	1	0	1
0	0	0	0	1	1	1	1	0	0
0	0	0	0	1	0	0	0	0	0
1	1	1	1	0	1	1	1	1	1
0	0	0	0	0	1	0	0	0	0
0	1	0	0	0	1	1	1	0	1
0	0	1	0	0	1	0	0	0	0
1	1	0	1	1	0	1	1	0	1
1	1	1	1	1	0	1	1	0	0
1	1	0	0	1	0	1	1	1	0
1	1	1	0	0	1	1	1	0	1
0	1	0	0	0	1	0	0	1	1
0	0	0	0	0	0	0	0	0	0
0	0	0	0	0	1	0	0	0	0
0	0	0	0	1	1	0	0	0	0
1	1	1	1	1	0	1	0	0	1
0	0	0	0	1	1	0	0	1	0
0	0	0	1	1	1	1	0	0	0
1	1	1	0	1	1	1	1	1	1
0	1	0	0	1	1	1	1	1	0
0	0	0	0	1	0	1	1	1	1
1	0	1	0	0	1	1	1	1	0
1	1	1	1	1	1	1	1	1	1
1	0	1	0	0	1	1	1	0	0
0	0	0	0	0	0	1	0	0	0
0	0	0	0	1	1	0	0	0	0
1	1	1	0	0	1	1	1	1	1
1	1	1	1	1	1	1	1	0	1
0	0	0	0	1	1	0	0	0	0
1	1	1	1	1	1	1	1	1	1
1	1	1	1	0	1	1	1	0	1
0	1	0	0	0	1	1	1	0	0
1	0	1	0	0	1	1	1	0	1
1	0	1	1	0	1	0	0	0	0
0	0	0	0	0	0	0	1	0	0
0	1	0	0	0	1	1	0	1	0
0	0	0	0	0	1	1	0	1	0
0	0	0	0	0	1	1	1	1	0
1	0	0	0	1	1	1	1	1	0
0	1	0	0	0	0	1	1	0	1
0	1	0	0	0	1	0	1	0	0
1	1	0	0	0	0	1	1	0	0
0	0	1	0	1	0	1	1	0	1
0	0	0	0	0	1	0	0	0	0
0	0	0	0	1	1	1	1	1	0
0	0	0	0	1	1	1	1	0	0
1	0	0	0	1	0	1	1	0	0
0	0	1	0	1	1	1	1	1	1
1	1	1	1	0	0	1	1	0	0
1	1	1	1	1	1	1	1	1	1
0	0	0	0	0	0	1	1	0	0
1	1	0	0	0	1	0	0	0	0
0	0	0	0	0	0	0	0	1	0
0	1	1	0	0	0	1	1	0	1
0	0	0	0	0	1	1	1	1	0
0	0	0	0	0	0	0	0	0	0
1	1	1	0	0	1	1	0	0	0
0	0	0	0	0	1	0	0	1	0
0	0	0	0	0	1	0	0	1	1
0	0	0	1	0	0	0	1	1	1
1	1	0	1	0	0	1	1	0	1
1	1	1	0	1	0	1	1	0	1
0	0	0	0	0	1	1	0	1	0
0	0	0	0	0	1	1	1	0	0
0	0	0	0	0	1	0	0	0	0
0	0	0	0	0	0	1	1	1	0
1	1	1	1	1	1	0	0	0	0
1	1	0	0	0	1	1	1	1	0
1	1	1	1	0	0	0	0	1	0
0	0	0	0	1	1	1	0	1	0
1	1	0	0	1	0	1	0	0	0
0	0	0	0	0	0	1	0	1	0
0	0	0	0	0	1	1	1	1	0
1	0	1	0	1	1	1	0	0	1
0	0	0	0	0	1	1	1	0	0
1	1	0	1	0	1	0	1	0	1
1	1	1	1	0	1	1	1	1	1
0	0	0	0	1	1	0	0	0	0
1	1	1	0	0	1	0	0	0	0
1	1	1	1	0	1	1	1	0	0
0	0	0	0	1	1	1	1	1	0
0	0	0	0	1	0	0	0	0	1
1	1	0	0	0	0	1	1	0	0
1	1	1	0	0	1	0	0	0	0
0	0	0	0	0	1	1	1	0	0
1	1	1	0	0	0	0	0	0	0
0	0	0	0	0	0	1	1	0	1
1	1	1	0	0	1	0	0	1	0
0	0	0	0	0	1	0	0	0	0
1	1	1	1	1	0	1	1	1	0
1	1	1	0	0	1	1	1	0	0
1	1	1	1	1	1	1	1	1	1
1	1	1	1	0	1	0	0	0	0
0	0	0	0	0	0	1	1	0	0
0	0	0	0	0	0	1	1	1	1
1	0	1	0	1	1	1	1	0	1
1	1	0	0	0	1	1	1	0	1
0	1	0	0	1	1	0	0	0	0
1	1	0	1	0	1	1	0	1	0
0	0	0	0	0	1	0	0	0	0
1	1	1	1	1	0	1	1	1	1
0	1	1	0	0	0	1	1	1	0
1	1	1	0	1	0	1	1	1	1
1	0	0	0	0	1	1	1	0	0
0	0	0	0	0	1	0	0	0	0
1	0	0	0	1	1	0	0	0	1
0	0	1	0	1	0	0	0	0	0
1	1	0	0	0	1	1	1	0	1
0	1	0	0	0	0	0	0	1	0
1	1	0	0	1	0	0	1	1	0
0	0	0	1	1	1	1	1	1	1
0	0	1	0	0	0	1	0	0	0
0	0	1	0	1	1	1	1	0	0
1	1	1	1	1	1	1	1	0	1
0	0	0	0	0	0	1	1	1	0
1	1	1	0	0	0	1	1	0	1
1	0	1	0	0	0	0	1	0	0
0	1	0	1	0	0	0	0	0	1
1	0	0	1	0	1	0	1	1	0
0	0	0	0	1	1	1	1	0	1
0	0	0	0	1	0	0	0	1	0
0	0	0	0	1	1	0	0	1	0
0	0	0	0	1	1	1	0	1	0
0	0	0	1	1	1	1	0	0	1
1	1	0	0	1	0	1	1	0	0
0	1	0	0	0	1	0	0	1	0
0	0	0	1	1	1	1	1	1	0
0	0	1	0	1	0	1	1	1	1
1	1	1	1	0	1	1	1	0	1
1	1	0	0	1	1	0	1	1	0
0	0	0	0	1	0	1	1	0	1
0	0	1	0	1	1	1	1	1	1
0	1	0	0	0	0	0	0	0	1
1	1	1	1	0	1	1	1	1	1
0	0	0	0	1	1	1	1	0	0
0	0	0	0	1	1	1	1	0	1
1	1	1	1	0	1	1	0	0	0
0	0	0	0	0	1	0	0	0	0
1	1	1	0	0	1	1	1	0	0
0	0	0	0	1	0	1	1	1	0
0	0	0	0	1	0	1	1	0	0
1	1	1	0	1	1	1	1	1	1
0	0	0	0	0	1	1	1	0	1
0	0	0	0	1	0	1	1	0	0
1	1	0	0	0	1	1	1	0	1
1	1	1	1	0	0	1	1	1	1
0	0	0	0	1	1	1	0	1	0
1	1	0	1	0	0	1	1	0	1
1	1	1	0	1	0	1	1	1	1
1	1	1	1	1	1	1	1	0	1
0	0	0	1	0	0	1	1	0	0
0	0	0	0	0	0	0	0	1	0
0	0	0	0	0	0	0	0	1	0
1	1	0	1	1	0	1	1	1	1
1	1	1	1	0	1	1	1	1	1
0	0	0	0	1	1	1	1	1	0
0	1	0	0	1	1	0	0	0	0
0	0	0	1	1	1	1	1	0	1
1	1	1	0	1	1	1	1	0	1
0	0	0	0	1	0	0	0	0	0
0	0	0	0	1	1	1	0	1	0
0	0	0	0	0	1	0	0	1	0
0	0	0	0	1	0	1	1	1	0
0	0	0	0	1	0	1	0	1	1
1	1	1	1	1	0	1	1	1	1
1	1	0	0	0	1	0	0	0	0
1	1	1	1	1	0	1	1	1	1
0	0	0	0	1	1	0	0	1	1
0	0	0	0	0	1	0	0	0	0
0	0	0	0	1	1	1	1	1	0
0	0	0	0	1	0	0	0	0	1
1	1	1	1	0	1	1	1	1	1
0	0	1	0	1	1	1	0	0	0
1	1	0	0	1	1	1	0	0	0
0	0	0	0	0	1	0	0	0	0
1	1	1	0	0	1	1	1	1	1
1	1	0	0	0	1	0	1	0	0
0	0	0	0	0	1	0	0	0	0
0	1	0	0	1	1	0	0	0	0
1	1	0	1	0	1	0	0	0	1
0	0	0	0	1	1	0	0	1	0
1	1	1	0	1	1	1	1	1	1
1	0	0	1	1	1	0	1	0	0
0	0	0	0	0	0	1	0	0	0
1	1	1	1	1	1	1	1	0	1
1	0	1	1	1	1	1	1	0	1
0	0	1	0	0	1	0	0	0	0
1	1	1	0	0	0	1	0	0	0
1	1	0	0	0	1	1	1	0	1
0	0	0	0	0	1	1	1	0	0
0	0	0	0	1	0	1	1	0	0
1	1	1	0	0	1	1	1	0	0
1	0	1	1	1	1	0	1	1	1
1	1	1	0	0	1	0	0	0	0
1	1	0	0	1	1	1	0	0	0
1	1	0	1	1	1	0	1	1	1
1	1	1	0	1	1	1	1	1	1
1	1	1	1	1	1	1	1	1	0
0	0	0	0	1	1	1	1	0	0
1	1	1	1	0	0	0	1	1	0
1	1	1	0	0	1	1	1	1	1
0	0	0	0	0	0	1	1	1	0
1	1	0	0	1	1	1	1	0	1
0	0	0	0	0	0	1	0	0	0
0	1	0	0	0	1	1	0	0	1
1	1	1	0	0	1	1	1	0	0
1	1	1	0	0	1	0	0	0	1
1	1	1	1	1	1	1	1	0	1
0	0	1	0	0	0	0	1	1	0
0	0	0	0	0	1	0	0	0	0
0	0	0	0	1	0	0	0	1	0
0	0	0	0	0	0	1	1	1	1
0	0	0	0	0	1	0	0	0	0
1	1	1	0	0	1	0	0	0	0
0	0	0	0	1	1	1	1	0	0
1	1	1	1	1	1	1	1	1	1
0	1	0	0	1	1	1	1	1	0
0	0	0	0	0	1	1	1	0	0
0	0	0	0	0	1	0	0	1	0
0	0	0	0	1	1	1	0	1	0
0	0	0	0	1	1	0	0	1	0
0	0	0	0	0	0	1	1	1	0
1	0	0	1	0	1	1	1	1	1
0	0	0	0	1	1	1	1	0	0
1	1	1	1	0	0	1	1	0	1
1	1	1	1	1	1	1	1	0	1
1	0	0	0	0	1	0	0	0	0
0	0	1	1	1	1	1	1	0	0
0	0	1	0	1	0	1	1	1	1
1	1	0	0	0	1	0	0	0	1
1	1	1	0	0	0	1	1	0	1
1	1	1	1	0	1	0	0	0	0
0	0	0	0	1	1	0	0	1	0
1	1	1	1	0	1	1	1	0	1
0	0	0	0	0	0	1	1	1	1
0	0	0	0	0	1	1	1	0	0
1	1	1	1	1	1	0	1	1	1
0	0	0	0	0	0	0	0	0	0
0	0	0	0	0	1	1	0	0	0
0	0	0	0	0	0	1	0	0	1
1	1	0	0	1	1	0	0	0	0
1	0	1	0	0	1	0	0	0	0
0	0	1	0	1	1	1	1	1	0
1	1	1	1	1	1	1	1	1	0
1	0	0	0	1	1	1	1	1	0
0	0	0	0	1	1	1	1	1	1
0	0	0	0	0	0	0	0	1	0
0	0	0	0	1	1	1	1	0	0
0	0	0	0	1	1	0	0	0	1
1	1	0	0	1	1	0	0	1	0
0	0	0	0	0	1	0	0	0	0
0	0	1	1	0	0	1	1	1	1
0	0	0	0	1	0	0	0	1	0
1	1	0	0	1	0	0	1	0	0
0	0	0	0	0	1	0	0	0	1
1	1	1	1	0	1	1	1	0	1
1	1	1	0	0	0	1	1	0	1
1	0	1	0	0	0	1	1	0	0
1	1	0	0	1	0	1	0	0	1
0	0	1	0	0	1	0	1	0	0
1	1	1	0	0	1	1	1	0	1
1	1	1	0	1	1	1	1	0	1
1	1	1	1	0	0	1	1	0	1
0	0	0	0	1	1	0	0	0	0
1	1	1	1	1	0	1	1	1	1
1	0	0	0	1	1	0	1	0	0
0	0	0	0	0	1	0	0	1	1
1	1	1	1	0	1	0	0	1	1
1	1	0	0	1	1	1	1	0	1
1	1	0	0	1	1	1	1	1	0
0	0	1	1	1	1	1	1	0	1
0	0	0	0	0	0	1	1	1	1
1	0	0	0	1	1	1	1	1	1
0	1	0	0	0	1	0	0	0	0
1	1	1	1	0	1	1	1	0	1
0	0	1	0	0	1	1	1	0	1
1	1	0	1	1	1	1	1	1	1
1	1	1	0	1	1	1	0	0	0
1	0	1	0	1	1	1	1	0	1
0	0	0	0	1	1	0	1	0	0
0	0	0	0	0	1	1	1	0	0
0	0	0	0	1	1	1	1	0	0
0	0	1	0	0	1	0	0	0	0
1	1	1	0	1	0	1	1	0	0
1	1	1	1	0	1	0	0	0	0
1	1	1	0	1	1	0	1	0	0
0	0	0	0	0	1	1	0	0	0
1	1	1	1	1	1	1	1	1	1
0	0	0	0	1	1	0	0	0	0
1	1	1	1	1	1	1	1	0	1
1	0	0	0	1	1	1	0	1	1
1	1	1	0	1	1	1	1	0	1
0	1	0	0	1	1	1	0	1	0
0	0	0	0	1	0	1	1	0	0
0	0	0	0	1	1	1	1	0	0
1	1	1	0	0	1	1	1	0	1
1	1	0	0	0	1	1	1	0	0
0	0	1	0	0	1	0	0	0	0
1	1	0	0	0	1	1	1	0	1
0	0	0	0	0	1	1	0	0	0
0	0	0	0	1	0	1	1	1	1
1	0	0	1	0	1	0	0	0	0
0	0	0	0	0	1	1	1	1	1
1	0	0	0	0	1	1	1	1	0
0	0	0	0	0	1	1	1	0	0
1	1	0	0	1	1	1	1	1	1
0	0	0	0	0	1	0	0	0	0
1	1	1	0	0	1	0	0	0	1
0	0	0	0	0	0	1	1	1	0
1	1	0	1	0	0	0	0	0	0
0	0	0	0	0	1	0	0	0	1
1	1	1	1	0	1	0	0	0	1
0	0	0	0	1	1	1	1	1	0
0	0	0	0	1	1	1	1	1	1
1	0	0	0	1	1	0	0	0	1
0	0	0	0	0	1	0	0	1	0
0	0	0	0	1	1	0	1	1	0
0	0	0	0	1	1	1	1	0	0
0	0	0	0	0	0	1	1	0	0
1	1	1	0	0	1	1	1	1	1
1	0	1	0	0	1	0	1	0	0
0	0	0	0	1	0	0	0	0	0
0	0	0	0	0	0	0	0	0	0
1	1	0	0	0	1	0	0	0	1
0	0	0	0	1	0	1	0	1	0
1	1	1	0	1	0	1	1	0	1
1	1	1	0	0	1	0	0	0	0
1	1	0	0	0	1	1	1	0	0
1	1	1	1	1	1	1	1	0	1
0	0	1	0	1	0	1	0	0	0
1	1	1	0	0	0	1	1	0	0
0	0	0	0	1	1	1	1	1	1
1	1	1	0	0	1	1	1	0	1
1	1	1	0	0	0	0	0	0	0
1	1	1	0	0	1	1	0	0	0
1	0	0	1	1	1	1	1	0	1
0	0	0	0	0	1	1	0	0	0
1	1	1	1	0	0	0	0	0	1
0	0	0	0	1	1	0	0	0	0
1	1	0	0	0	0	1	0	0	0
1	1	0	0	1	0	1	1	0	1
0	0	0	0	0	0	1	0	1	0
0	0	1	0	1	1	1	0	1	1
0	0	1	0	1	1	1	1	1	1
0	0	0	0	0	0	1	1	1	0
0	1	0	1	1	0	1	1	1	1
1	1	1	0	0	0	1	1	0	1
1	1	1	1	1	1	1	1	0	0
1	1	1	1	0	1	0	0	0	0
1	0	1	1	0	0	1	1	1	0
0	0	0	0	0	1	1	0	0	1
1	1	0	0	0	1	1	0	0	0
1	1	1	1	0	1	1	0	0	1
1	1	1	0	0	1	1	1	1	1
0	0	0	1	0	0	0	0	1	0
0	0	1	0	1	0	1	1	1	0
1	1	1	1	0	1	1	1	0	1
0	0	0	0	0	1	1	1	0	0
1	1	1	0	1	1	1	1	0	0
1	0	0	0	1	1	1	1	1	1
1	1	1	1	0	1	1	0	1	1
0	0	0	0	1	1	0	1	1	0
1	1	1	1	1	0	1	1	1	1
1	1	1	0	0	1	1	1	0	0
0	0	0	0	0	1	1	0	0	1
1	1	1	0	0	1	1	0	0	0
1	1	1	0	1	0	1	0	0	1
0	0	0	0	0	1	1	0	0	0
1	1	1	0	0	1	1	1	0	0
1	0	0	0	0	1	1	1	1	1
0	0	0	0	0	0	1	1	0	0
1	1	1	0	0	1	1	1	0	1
1	1	0	0	0	1	1	0	0	0
1	1	1	0	0	1	0	1	0	0
1	1	1	0	0	1	1	1	0	0
1	1	1	1	0	1	1	0	0	1
0	0	0	0	1	0	0	0	0	0
1	1	0	0	0	1	1	1	0	1
0	0	0	0	0	1	0	1	0	1
0	0	0	0	0	1	1	0	0	0
0	0	0	0	1	1	0	0	1	0
0	0	0	0	1	1	0	1	0	1
1	1	1	0	0	0	1	1	0	1
1	1	1	0	0	0	1	1	1	0
1	1	0	0	1	1	0	0	1	0
0	0	0	0	0	0	0	0	0	0
1	1	1	1	1	1	1	1	0	0
0	0	0	0	0	1	1	1	0	0
1	1	1	1	1	0	0	0	0	1
1	1	1	1	1	1	1	1	1	1
0	0	0	0	0	1	1	1	0	1
0	1	0	0	0	0	1	1	1	1
1	1	1	1	1	1	1	0	1	1
0	0	0	0	1	1	0	0	1	0
0	1	1	0	1	0	1	1	1	1
1	1	1	1	0	1	1	1	1	1
0	0	0	0	1	0	1	0	0	0
1	1	1	0	1	1	0	0	1	0
1	1	1	1	1	1	1	1	1	1
1	1	1	0	0	1	0	1	0	0
0	0	1	0	1	1	0	0	0	1
0	0	0	0	0	1	1	1	1	1
1	1	1	1	0	1	1	1	0	1
1	1	1	1	0	0	1	1	0	1
0	0	0	0	1	1	0	0	0	0
0	0	0	0	1	1	0	1	0	0
0	0	0	0	0	0	0	0	1	0
0	0	0	1	1	0	1	1	1	1
0	0	0	1	1	1	1	1	1	0
0	0	0	0	1	1	1	1	1	1
1	0	0	0	0	0	1	1	1	0
0	0	0	0	0	1	0	0	0	0
0	0	0	0	0	1	0	0	1	0
0	0	0	1	1	1	1	1	1	1
0	0	0	0	0	1	1	1	0	0
1	1	0	0	0	1	1	1	0	0
0	0	0	0	1	0	1	1	1	0
1	1	0	0	0	1	0	0	0	0
1	1	1	1	0	0	0	0	0	1
1	1	0	0	0	1	1	1	1	0
1	0	1	0	1	1	0	0	1	1
0	0	0	0	0	1	0	0	0	0
0	1	1	0	0	1	1	1	0	1
0	0	0	0	1	0	0	1	1	0
1	1	0	0	0	1	0	0	0	1
0	0	0	0	1	1	1	1	1	0
1	1	1	0	0	1	0	0	0	1
0	0	0	0	1	1	1	1	0	1
0	0	0	0	1	0	1	1	1	0
0	0	0	0	1	0	1	1	1	0
0	0	0	0	1	0	1	1	1	0
1	1	1	0	0	0	1	1	0	0
0	0	0	0	1	0	1	1	1	0
0	0	0	0	0	0	1	0	0	0
0	0	1	0	1	0	1	1	1	1
0	0	0	0	1	0	1	1	1	0
0	0	0	0	0	0	1	1	0	0
1	1	0	0	0	1	1	1	1	0
1	0	0	0	1	1	0	0	0	0
1	0	0	0	1	1	1	1	0	0
1	0	0	0	1	1	0	1	0	1
0	0	0	1	1	1	1	1	0	0
1	0	0	0	0	1	0	1	0	0
0	0	0	1	0	0	1	1	1	1
0	1	0	0	1	1	1	0	1	0
1	1	1	1	1	1	1	0	1	0
1	1	1	0	0	1	0	1	0	0
1	1	1	1	1	1	1	1	1	0
1	1	1	0	1	0	1	0	0	0
1	0	1	0	0	0	1	1	1	1
1	1	0	0	0	1	1	0	0	0
0	0	1	0	0	0	1	1	1	1
0	0	0	0	0	0	1	1	1	0
0	0	0	0	1	0	1	1	0	0
0	0	0	0	0	0	1	1	0	1
0	1	0	0	0	1	1	0	0	0
0	0	1	1	1	1	1	1	1	1
0	0	0	0	0	1	0	0	0	0
0	0	0	0	0	1	1	1	1	0
1	1	1	0	1	0	1	1	1	1
1	1	1	0	0	1	1	1	1	0
1	1	1	1	1	0	1	1	1	1
1	1	1	0	1	1	1	1	1	1
1	1	1	0	0	1	0	1	0	1
0	1	0	1	0	0	1	0	1	1
0	0	0	0	1	1	1	0	0	0
1	1	0	1	0	1	1	1	0	1
0	0	0	0	1	1	0	0	0	0
0	0	0	0	0	0	1	1	1	1
0	0	0	0	1	0	1	1	0	0
0	1	0	0	0	1	0	0	0	0
1	1	1	1	0	0	0	0	0	0
0	0	0	1	0	1	0	0	0	0
1	1	1	0	0	0	1	0	0	0
0	0	0	0	0	1	0	0	0	0
0	0	0	0	0	0	1	0	0	0
1	1	1	0	1	1	0	1	0	0
0	1	0	0	0	1	0	0	0	1
1	1	1	0	1	1	1	1	0	1
1	1	0	0	1	1	1	0	0	0
1	0	0	0	0	1	0	0	0	0
0	0	1	0	0	0	1	1	1	1
0	0	0	0	1	0	0	0	0	0
0	0	0	0	0	1	1	1	0	1
0	0	1	0	0	0	1	1	1	1
1	1	0	0	0	1	1	1	0	0
1	1	1	0	0	0	0	0	0	0
1	0	1	0	0	1	1	1	0	1
1	1	1	0	0	0	1	1	0	0
0	0	0	0	1	0	1	0	1	0
1	1	1	0	0	1	0	0	0	0
1	1	1	1	1	1	1	1	0	1
0	0	0	0	1	0	0	0	0	0
0	0	0	0	1	1	1	0	0	0
0	0	0	0	0	1	0	0	0	1
1	1	1	1	0	1	1	1	0	1
0	1	0	0	0	0	1	1	0	1
0	0	0	0	1	1	1	1	0	0
0	0	0	0	1	0	1	1	1	1
1	0	0	0	0	1	1	1	0	1
1	1	1	1	0	1	0	0	0	0
0	0	1	0	0	0	0	0	1	0
0	0	0	0	1	1	1	1	0	0
1	0	0	0	0	1	1	0	0	0
1	1	1	0	1	1	1	1	0	0
0	0	0	0	1	0	1	1	1	0
1	1	1	1	0	0	1	1	0	1
0	0	0	1	0	1	1	0	0	1
0	0	1	0	0	0	1	1	0	0
0	1	1	0	0	1	0	0	1	0
0	0	0	0	0	1	1	1	1	1
0	0	0	0	0	1	0	0	0	0
0	0	0	0	0	0	0	0	0	1
0	0	0	1	1	0	0	0	1	0
1	1	1	0	1	1	1	1	1	1
0	0	0	0	0	0	1	0	0	0
1	1	1	0	0	1	1	1	1	0
0	0	0	0	0	1	0	0	0	0
0	0	1	0	0	1	0	0	0	0
1	1	1	1	0	0	1	1	1	1
0	0	0	0	0	0	0	0	1	0
0	0	1	0	0	1	0	0	1	0
1	0	1	0	1	1	0	1	0	0
0	0	0	0	1	1	0	1	0	0
0	0	0	0	0	1	0	0	0	0
0	0	0	0	0	0	1	0	0	0
1	1	1	0	0	1	0	0	0	0
0	0	0	0	0	1	1	1	0	0
1	1	1	1	0	1	1	1	0	1
1	1	1	0	0	1	1	1	1	0
1	1	1	0	0	1	1	1	0	0
0	1	0	0	0	1	0	0	0	0
0	0	0	0	1	0	1	1	1	0
0	0	0	0	1	0	1	1	1	0
1	0	0	0	1	0	0	0	1	0
0	0	0	0	1	1	1	1	1	0
1	1	0	0	1	1	0	1	1	0
1	1	0	0	0	1	0	0	0	1
1	1	1	1	1	0	1	1	1	1
0	0	0	0	0	1	0	0	0	0
0	0	0	0	1	1	0	1	1	1
0	0	0	0	1	1	0	0	0	0
0	0	0	0	1	0	1	1	1	1
1	1	1	1	1	1	0	1	0	0
1	1	0	0	0	1	1	1	1	0
0	0	0	0	0	0	1	1	1	1
1	1	0	1	0	1	1	1	0	0
0	0	0	0	1	1	0	1	1	1
1	1	1	1	0	1	1	1	0	1
1	0	0	0	0	0	1	1	1	0
0	0	0	0	1	1	0	0	1	1
1	1	1	1	0	0	1	1	0	1
1	1	1	1	1	0	1	1	0	1
1	1	0	0	0	1	1	0	0	0
1	1	1	1	1	1	1	1	0	1
0	0	0	0	1	1	0	0	1	0
1	1	1	1	0	0	0	0	0	0
1	0	0	0	1	1	1	1	0	1
1	1	1	1	1	1	0	0	0	0
0	0	0	0	1	1	1	1	0	1
0	0	0	0	0	0	1	1	1	0
0	0	0	0	0	0	1	1	0	0
1	1	0	0	0	1	0	0	0	1
1	1	0	1	1	1	1	1	1	0
0	0	0	0	0	0	0	1	0	0
0	0	0	0	1	1	0	0	0	0
1	0	0	0	0	1	0	0	0	0
1	0	0	0	1	0	1	0	0	1
1	1	0	0	0	0	0	0	0	0
1	1	1	1	1	0	0	0	0	1
1	1	1	1	1	1	0	1	0	1
0	0	0	0	0	1	1	0	0	0
1	1	1	1	1	1	1	1	0	1
0	0	0	0	0	0	1	1	0	0
0	0	0	0	0	1	0	0	0	0
1	1	0	1	0	1	1	1	0	0
1	1	1	1	0	1	1	1	0	0
1	0	0	0	1	0	1	1	0	0
0	0	0	0	0	0	1	1	1	0
0	0	0	0	0	0	0	1	1	0
0	0	0	0	1	0	1	1	1	1
0	1	0	0	0	0	1	1	0	1
0	0	0	0	0	1	1	0	1	0
0	0	0	0	0	1	1	0	1	1
1	1	0	0	0	1	0	0	0	0
0	0	0	0	1	1	1	1	1	1
0	1	0	0	0	0	1	1	0	1
0	0	0	0	0	0	0	0	1	1
1	1	1	1	1	0	1	1	1	1
1	1	1	0	1	1	1	1	1	1
1	1	0	1	0	0	1	1	1	1
1	1	1	1	0	0	1	1	1	1
0	0	0	0	0	1	0	0	0	0
0	0	0	0	1	0	1	1	0	0
1	1	1	0	0	1	1	1	1	1
0	0	0	0	0	1	1	0	0	0
1	1	1	1	0	1	1	1	0	1
1	1	0	0	1	1	1	1	1	0
1	1	1	1	1	0	1	1	0	1
0	0	0	0	0	0	1	1	1	1
0	0	0	0	0	1	0	1	0	1
0	0	0	0	0	1	0	0	0	0
0	0	0	0	0	1	0	0	0	0
1	1	0	0	0	1	1	0	1	0
0	0	0	0	0	1	0	0	0	0
1	0	1	0	1	1	0	0	0	0
0	0	0	0	1	0	1	1	1	0
0	0	0	0	0	0	0	0	0	0
0	0	0	0	1	0	0	0	1	0
0	0	0	0	1	0	1	1	1	0
0	0	1	0	1	0	1	1	0	1
0	0	0	0	0	1	1	1	0	0
0	1	0	0	1	0	1	1	1	1
0	0	0	0	1	0	1	0	0	0
0	0	0	0	1	1	0	0	0	0
0	0	0	0	1	0	1	1	1	0
1	1	1	1	0	0	1	1	0	1
0	0	0	1	1	1	1	1	0	1
0	0	0	0	0	1	0	0	0	0
1	1	1	1	1	0	1	1	0	1
1	1	1	1	0	1	1	1	0	1
0	0	0	0	1	1	1	1	0	0
0	0	0	1	0	0	1	1	0	1
1	1	1	0	1	1	1	1	0	0
0	0	0	0	1	0	1	1	0	0
1	1	0	0	1	1	0	0	0	0
1	1	1	1	0	1	1	1	1	1
0	0	0	0	1	1	0	0	1	0
1	0	1	0	0	1	1	1	1	1
0	0	0	0	1	1	0	0	1	0
1	0	0	0	0	1	1	1	1	1
0	0	0	0	1	0	1	1	1	0
0	0	0	0	0	0	0	0	1	1
1	0	0	0	0	1	1	1	1	0
0	0	0	0	0	0	1	1	0	0
0	1	0	0	0	0	0	0	0	0
1	1	1	0	0	1	0	0	0	0
0	0	0	0	0	1	0	0	0	0
1	1	0	1	0	1	1	1	0	0
1	1	1	0	1	0	1	1	0	1
0	0	0	0	1	1	0	0	0	0
0	1	0	1	1	1	1	1	0	1
1	0	0	0	1	0	1	1	0	1
0	0	0	0	1	0	0	1	1	0
0	0	0	0	1	0	1	1	1	0
1	0	1	0	0	0	1	1	1	1
0	0	0	0	1	0	0	0	0	0
1	1	1	1	1	1	1	1	1	1
1	1	1	1	1	1	0	0	1	1
0	0	0	0	0	1	1	1	0	0
1	1	1	1	1	0	1	1	0	1
0	0	0	0	1	1	1	1	0	1
0	0	0	0	1	1	1	1	1	0
0	0	1	1	0	0	1	1	0	1
1	1	0	0	0	1	1	0	1	0
0	1	0	0	1	1	0	0	0	0
0	0	0	0	1	1	0	0	0	0
0	0	0	0	0	0	1	1	1	0
1	1	1	1	1	1	1	1	0	1
1	1	1	1	1	0	1	1	1	1
1	1	1	0	0	1	1	1	0	0
0	0	0	0	0	0	1	1	0	0
0	0	0	0	0	0	1	1	1	0
0	0	0	0	1	0	1	0	1	0
1	1	1	1	0	1	1	1	1	1
0	0	0	0	0	1	1	0	0	0
0	0	1	0	0	1	0	0	0	0
0	0	0	0	0	0	1	1	0	1
1	1	0	1	1	0	1	1	0	1
0	0	0	1	1	1	0	0	0	0
1	1	0	0	1	1	0	0	0	0
0	0	0	0	0	0	1	1	0	0
1	1	1	1	1	1	0	0	0	1
1	1	0	1	0	0	0	1	0	1
1	1	1	0	0	1	1	1	1	1
0	0	0	0	1	1	1	1	1	1
0	1	0	0	0	1	1	1	0	0
1	0	1	1	1	1	1	1	1	0
1	1	0	0	1	1	0	0	0	0
0	0	0	0	0	1	1	0	0	1
0	1	0	0	0	0	1	1	1	0
0	0	0	1	1	1	1	1	1	1
0	0	0	0	0	1	0	0	0	0
1	1	1	1	0	0	0	1	0	1
1	1	0	0	0	1	1	1	0	0
1	1	0	0	1	1	1	1	1	0
0	0	0	0	0	1	1	1	1	0
0	0	0	0	0	0	1	1	1	1
1	1	1	1	0	0	1	1	1	1
0	0	0	0	0	1	0	0	0	0
1	1	0	0	0	1	1	1	0	1
1	1	0	0	0	1	1	0	1	0
0	1	0	0	0	1	0	1	1	0
1	1	1	0	0	0	1	1	0	0
0	0	0	0	1	0	0	1	1	1
1	1	1	0	0	0	1	1	0	1
1	1	1	1	0	1	1	1	0	1
1	1	1	0	1	0	1	1	1	0
1	0	1	0	1	0	1	0	1	1
0	0	0	0	1	0	1	1	1	0
0	0	0	0	1	0	1	0	1	0
0	0	0	0	0	1	0	0	0	0
0	0	0	0	1	1	1	0	0	1
1	1	1	1	1	1	0	0	0	1
1	1	1	0	0	1	1	1	0	1
0	0	0	0	1	0	1	1	0	0
1	1	0	0	1	1	1	1	1	0
0	0	0	0	0	1	0	0	0	1
1	1	1	1	1	0	1	1	1	1
0	1	0	0	1	1	1	1	0	1
1	1	1	1	0	0	0	0	0	0
0	0	0	0	1	1	0	0	1	0
1	1	0	0	1	0	1	0	1	0
0	0	0	0	0	1	1	0	1	0
0	0	0	0	0	1	0	0	0	0
1	1	1	1	0	0	1	1	1	1
0	0	0	0	1	0	1	1	1	0
1	1	1	1	1	0	1	1	1	1
0	0	1	1	1	1	1	1	1	1
1	1	1	1	0	1	1	1	0	1
0	1	0	0	0	1	0	0	0	0
1	1	1	0	1	0	0	1	0	1
0	0	0	0	0	1	0	0	0	0
0	0	0	0	1	0	0	0	1	0
0	0	0	0	0	1	0	0	0	0
1	1	0	0	0	0	0	0	1	0
1	0	0	0	0	1	0	1	0	0
1	1	1	1	1	0	1	1	0	1
0	0	0	0	0	1	1	1	0	0
1	1	1	0	0	1	0	0	0	0
0	0	0	0	1	1	1	1	1	0
0	0	0	0	0	0	0	1	0	1
0	0	0	0	0	1	0	0	0	0
1	1	0	1	0	1	1	1	0	1
0	0	0	0	0	0	1	1	0	1
0	0	0	0	1	1	0	0	1	0
0	0	0	0	0	0	0	0	0	0
1	0	0	0	0	1	1	0	1	0
1	1	0	0	1	1	0	0	0	0
1	1	1	0	1	0	0	0	0	1
1	0	0	1	0	1	1	1	0	0
0	0	0	0	0	1	1	0	0	0
0	0	0	0	0	0	0	0	0	0
1	1	1	1	0	1	0	1	0	0
0	0	0	1	1	0	1	1	0	1
0	1	0	0	1	1	1	1	0	0
1	1	1	1	0	1	1	0	0	0
0	0	0	0	1	1	1	1	1	0
0	0	0	0	0	0	1	1	1	1
1	1	1	1	0	1	1	1	0	0
1	1	1	0	0	0	1	1	0	1
1	1	1	0	0	1	0	0	0	0
1	1	1	1	0	1	1	1	0	1
0	0	0	0	0	1	1	1	0	0
0	0	0	0	1	1	1	1	1	1
0	1	0	0	1	1	0	1	0	0
1	1	1	0	0	1	0	0	0	0
0	0	0	0	0	0	1	0	1	1
1	1	0	1	1	1	0	0	0	0
0	0	0	0	0	0	1	0	0	0
0	1	1	1	1	1	1	1	1	1
1	1	1	0	1	1	0	1	0	0
1	1	1	0	0	1	0	0	0	1
0	1	0	1	0	1	1	1	0	0
1	1	1	1	1	1	1	1	1	0
0	0	1	0	0	1	0	1	0	1
0	0	0	0	0	1	0	0	0	1
1	0	0	0	0	1	1	1	0	1
1	0	0	0	0	1	1	0	0	1
1	1	1	1	0	1	0	1	0	1
0	0	1	0	1	1	0	1	0	0
0	0	0	0	0	1	1	0	0	0
0	0	0	0	0	0	1	0	0	0
0	0	0	0	1	0	0	0	0	0
0	0	0	0	1	0	1	1	1	1
0	0	0	0	0	1	0	0	0	0
0	0	0	0	0	1	0	1	1	0
0	0	0	0	1	0	1	1	0	0
0	1	0	0	1	1	1	1	1	0
0	0	0	0	0	1	1	0	1	0
0	0	0	0	0	0	0	1	0	0
0	0	0	1	0	1	1	0	1	0
0	0	0	0	1	1	0	0	1	0
0	1	0	1	0	1	0	0	0	1
1	1	1	1	1	1	1	1	0	0
1	1	0	0	0	0	0	0	0	0
1	1	1	0	0	1	0	0	0	0
1	1	1	1	0	1	0	1	0	1
1	1	1	1	1	1	1	1	0	0
1	1	1	1	0	0	1	1	0	1
1	1	1	1	0	1	1	1	0	1
1	1	0	0	0	1	0	0	0	0
0	1	0	0	0	1	1	1	0	0
0	0	0	0	0	0	0	0	0	0
1	1	1	1	0	1	1	0	0	0
1	1	1	1	1	1	1	1	0	1
1	1	1	1	0	0	1	1	0	1
1	1	0	0	0	1	1	0	0	0
1	1	1	0	0	1	1	1	0	0
0	0	0	0	0	0	1	1	1	0
1	1	0	0	0	0	0	0	0	0
1	0	0	0	1	0	1	1	1	0
1	1	0	1	1	1	0	1	0	1
1	1	0	0	1	1	1	1	1	0
1	1	0	0	1	1	1	1	0	0
1	1	1	0	1	1	1	1	1	1
1	1	1	1	0	1	0	0	0	0
1	1	1	1	1	0	1	1	0	1
0	0	0	1	1	0	1	1	1	1
0	0	0	0	0	1	0	0	0	0
0	0	1	0	1	1	1	1	1	1
1	1	1	1	1	0	1	1	1	1
0	0	1	0	0	0	0	0	0	0
1	1	1	0	1	1	1	1	0	1
1	1	0	0	0	1	1	0	0	0
0	1	1	0	0	1	0	0	0	0
1	1	0	0	1	1	1	0	0	0
0	1	1	1	1	0	1	1	1	1
0	0	0	0	0	1	0	0	0	0
0	0	0	0	1	0	0	0	1	1
0	0	0	0	0	1	1	0	0	0
0	0	0	0	1	1	0	0	0	0
1	1	1	1	1	1	1	1	1	1
1	1	0	1	0	1	0	0	0	0
1	1	1	1	1	1	1	0	1	0
0	0	0	0	0	1	0	0	0	0
1	0	1	0	0	1	0	0	0	0
1	1	1	0	0	1	0	0	0	0
1	1	1	1	0	1	0	1	0	0
0	0	0	0	1	1	1	1	1	0
1	1	0	0	0	0	1	0	0	0
0	0	0	0	1	0	1	1	1	0
0	1	0	0	0	1	0	0	1	1
1	1	0	0	0	1	0	0	0	0
1	1	0	0	0	1	1	1	1	1
1	1	1	0	0	0	1	0	0	0
0	0	0	0	1	1	1	1	1	0
0	0	0	0	0	0	1	1	0	0
0	0	1	1	0	1	1	0	1	1
1	1	0	0	0	1	1	0	0	0
0	0	1	0	0	1	1	0	0	0
1	1	1	1	0	1	1	1	0	0
0	0	0	0	0	1	0	0	0	0
0	0	0	0	0	1	0	0	0	0
0	0	0	0	0	0	0	0	0	0
0	0	0	0	0	0	0	0	1	0
0	0	0	0	1	1	1	1	0	1
1	1	1	0	1	0	1	1	1	0
1	0	0	0	0	1	1	1	1	1
0	0	0	0	0	0	1	1	1	0
1	1	1	0	1	1	1	1	0	1
1	1	0	1	1	1	1	1	1	1
0	0	0	0	0	0	0	0	0	0
1	1	1	0	0	1	1	1	0	1
1	1	1	1	0	1	1	1	0	0
0	0	0	0	0	1	1	1	0	1
0	0	0	0	0	1	0	0	0	0
0	1	0	0	1	1	1	1	0	1
1	0	1	0	0	0	0	1	0	1
0	0	0	0	1	0	0	0	0	0
1	1	1	1	0	1	1	0	0	0
1	1	0	0	0	1	1	0	0	0
0	0	0	0	0	0	1	1	0	1
0	0	0	0	0	1	1	1	1	1
0	0	0	0	0	0	0	0	0	0
1	1	1	0	0	0	1	1	0	1
1	1	0	0	1	1	1	0	0	0
1	1	0	0	1	1	1	1	1	0
1	0	0	0	0	1	0	0	0	0
0	0	0	0	1	1	0	0	0	0
0	0	0	0	1	1	1	1	1	1
1	0	0	0	1	1	0	0	1	0
1	0	0	1	1	1	1	1	0	0
1	1	1	1	0	1	1	1	1	0
1	1	1	1	0	1	1	0	0	0
1	1	1	1	0	1	0	0	0	0
0	0	0	0	0	1	1	0	0	0
1	1	0	0	1	0	1	1	1	0
0	0	0	0	0	1	1	1	0	0
1	1	1	0	1	1	0	0	0	0
1	0	0	0	1	1	1	1	0	0
0	0	0	0	0	0	0	0	1	0
0	0	0	0	1	0	1	1	0	0
0	0	0	0	0	1	0	0	1	0
1	1	0	0	1	0	0	0	1	0
0	0	0	0	1	1	1	1	1	1
0	0	0	1	1	1	0	0	1	0
0	0	0	0	0	1	0	0	0	0
1	0	1	0	1	1	1	1	0	0
0	1	0	0	0	0	1	1	1	0
0	0	0	0	0	1	0	1	0	1
0	0	0	0	1	1	1	1	1	0
1	1	0	0	0	1	1	1	0	0
0	0	0	1	0	0	1	1	0	0
0	0	0	0	1	0	0	0	0	0
0	0	1	0	0	1	1	1	1	0
1	1	1	1	1	1	1	0	0	1
0	0	0	0	1	1	1	1	0	1
0	1	0	0	0	1	1	1	0	0
1	1	1	0	0	0	1	1	0	1
0	0	0	0	1	1	0	0	0	1
0	0	0	0	1	1	1	1	1	0
0	0	0	0	1	1	1	1	1	1
0	0	0	0	0	1	1	0	0	0
1	0	0	0	0	1	1	1	0	0
1	1	1	0	0	1	0	1	0	0
1	1	1	1	0	1	0	0	0	1
0	0	0	0	0	0	1	1	1	0
1	1	0	1	0	1	0	0	0	0
0	0	0	0	0	0	1	1	1	1
1	1	0	0	0	0	1	1	1	1
1	1	1	0	0	1	1	1	0	1
1	1	1	1	1	1	1	1	0	0
1	1	1	0	0	1	0	0	0	0
1	1	0	0	1	1	1	1	0	0
0	0	0	0	1	0	0	0	0	0
1	1	1	1	1	1	1	1	0	1
0	0	0	0	1	1	1	1	1	0
1	1	0	0	0	1	1	0	0	0
0	0	0	0	0	1	0	0	0	0
1	1	1	1	0	1	1	1	0	1
0	0	0	0	0	1	0	0	0	0
1	1	1	0	0	1	1	1	1	1
1	0	0	0	1	1	1	1	1	1
0	0	0	0	0	1	1	0	0	0
0	0	1	0	0	1	0	0	0	0
1	1	1	1	1	1	0	0	1	0
1	1	1	1	0	1	0	0	0	0
0	0	1	0	0	0	1	1	1	1
0	1	0	0	0	0	1	1	1	0
0	0	0	0	0	1	1	0	0	1
1	1	1	0	0	0	1	1	0	1
0	0	0	0	1	0	1	1	0	1
0	0	0	0	1	1	0	0	0	0
0	0	0	0	1	0	0	0	0	0
0	0	0	0	0	1	0	0	0	0
1	0	1	0	0	1	1	0	0	0
0	0	0	0	1	1	1	1	1	1
0	0	0	0	1	0	1	0	1	0
1	1	1	0	1	1	1	1	1	1
1	1	0	1	0	1	1	1	1	1
0	0	0	0	0	1	0	1	0	0
1	1	1	1	0	1	1	1	0	1
1	1	1	1	0	1	1	1	1	1
1	1	1	1	0	1	1	0	0	0
0	0	0	0	0	0	1	0	0	0
0	0	1	1	1	0	1	1	1	1
0	0	0	0	1	0	1	1	1	0
0	0	0	0	0	1	0	0	0	1
1	1	1	1	1	1	1	1	1	0
1	1	1	0	0	1	1	1	1	1
0	1	0	0	1	1	0	1	1	0
0	0	0	0	0	1	0	1	0	0
0	0	0	0	0	0	1	1	0	0
0	0	0	0	0	0	1	1	0	0
0	0	0	0	1	0	1	1	1	1
1	1	1	1	1	1	0	0	1	0
0	0	0	0	0	1	0	0	0	0
1	1	0	0	0	1	1	1	1	0
0	1	0	0	0	0	1	0	0	0
1	1	1	1	1	1	1	1	0	1
0	1	0	0	0	1	1	0	0	0
0	0	0	0	0	0	0	0	0	0
1	1	1	0	0	0	0	0	0	0
1	0	0	0	0	1	0	0	0	1
0	0	1	0	0	0	0	0	0	0
0	0	1	1	0	0	1	0	0	1
0	0	0	0	0	1	0	0	0	0
1	1	0	1	0	1	1	1	0	1
1	1	0	0	0	1	1	1	0	0
0	1	0	0	1	1	1	1	0	0
0	0	0	0	1	0	1	1	1	0
1	0	0	0	0	0	1	1	1	1
0	0	0	0	0	1	0	0	0	0
1	1	0	0	1	1	1	1	1	0
1	1	1	1	0	1	1	1	1	1
0	0	0	0	1	1	1	1	0	0
0	0	0	0	0	1	1	1	0	0
1	1	1	0	0	1	0	0	0	0
1	1	0	0	0	1	1	0	0	0
0	1	1	0	0	1	1	0	1	0
1	1	1	1	0	1	1	1	0	0
1	1	0	0	0	1	0	0	1	0
1	1	0	0	1	1	0	0	0	0
0	0	0	0	1	0	0	0	0	0
0	0	0	0	1	1	1	1	0	1
0	0	0	0	0	1	1	1	0	0
1	1	0	0	0	1	0	1	0	0
0	0	0	0	0	0	1	1	0	0
0	0	0	0	0	1	1	0	0	0
0	0	1	1	0	0	1	1	0	0
1	1	1	1	0	0	1	1	1	1
0	0	0	0	0	1	0	0	0	0
0	0	0	0	1	0	1	1	0	1
1	1	1	1	0	1	1	1	0	1
0	0	1	0	0	0	0	0	1	1
1	1	1	1	1	1	0	0	0	1
0	0	0	0	1	1	1	1	0	0
1	1	0	0	0	1	1	1	0	0
0	0	1	0	0	1	1	1	1	1
1	0	1	1	1	1	1	0	0	1
0	0	1	0	1	1	1	1	1	1
1	1	0	0	1	1	1	0	0	0
1	1	1	1	0	1	1	1	0	0
0	0	0	0	0	1	0	0	0	0

Untuk membaca data dari excel diperlukan syntax library(readxl) agar dapat memuat pustaka atau paket “readxl” ke dalam lingkungan R. Jika ingin menampilan isi data dari file Excel tersebut dapat memanggil variabel dengan nama Mental_Health_InTech.

2 Tinjauan Pustaka Metode

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 variabel-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: \[ \begin{align*} x_{i}&=\Sigma\lambda_{ij}f_{j}+u_{i}\\ x_{1}&=\lambda_{11}f_{1}+\lambda_{12}f_{2}+...+\lambda_{1k}f_{k}+u_{1}\\ x_{2}&=\lambda_{21}f_{1}+\lambda_{22}f_{2}+...+\lambda_{2k}f_{k}+u_{2} \\ &\vdots\\ x_{q}&=\lambda_{q1}f_{1}+\lambda_{q2}f_{2}+...+\lambda_{qk}f_{k}+u_{q} \end{align*} \]

2.1.1 Asumsi Dalam Analisis Faktor

Dalam analisis faktor diperlukan beberapa asumsi yang harus dilakukan agar analisis faktor dapat dilakukan. Berikut merupakan asumsi dari analisis faktor:

1. Nilai perbandingan korelasi terobservasi dengan korelasi parsial lebih dari 0.6

2. Nilai mean dari suatu faktor spesifik ataupun faktor bersama 0

3. Varians dari faktor bersama bernilai 1

4. Antar faktor bersama bebas dari korelasi

2.1.2 Jenis-jenis Analisis Faktor

Analisis faktor terdiri dari dua jenis yaitu analisis faktor eksploratori dan analisis faktor konfirmatori. Analisis faktor eksploratori digunakan untuk menyelidiki hubungan antara variabel manifestasi dan faktor tanpa membuat asumsi yang sangat ketat tentang variabel manifestasi yang berhubungan dengan faktor mana. Sedangkan analisis faktor konfirmatori, digunakan untuk menguji apakah model faktor tertentu yang diajukan sebelumnya secara praduga memberikan kesesuaian yang memadai dengan kovarians atau korelasi antara variabel manifestasi.

2.1.3 Perbedaan PCA dan Analisis Faktor

PCA dan analisis faktor sering disebut sebagai analisis yang serupa, meskipun terdapat perbedaan mendasar di antara keduanya. Adapun beberapa perbedaan dari PCA dan analisis faktor:

1. Dalam PCA, hasil kombinasi adalah gabungan linear dari variabel asli. Sedangkan dalam analisis faktor, hasil kombinasi adalah kombinasi linear dari faktor-faktor yang mendasarinya.

2. Dalam PCA, tujuannya untuk mengidentifikasi total variasi variabel. Sedangkan tujuan dalam analisis faktor, perhatiannya lebih tertuju pada kovarians atau korelasi antara variabelnya.

2.2 Matriks Korelasi

Pada analisis faktor, matriks korelasi adalah matriks yang menunjukkan korelasi antar variabel. Korelasi adalah ukuran tingkat keterkaitan antar variabel. Korelasi dapat berkisar antara -1 hingga 1. Nilai 1 menunjukkan korelasi sempurna positif, nilai -1 menunjukkan korelasi sempurna negatif, dan nilai 0 menunjukkan tidak ada korelasi.

Matriks korelasi penting dalam analisis faktor karena digunakan untuk menentukan faktor-faktor yang mendasari variabel-variabel tersebut. Faktor-faktor adalah variabel-variabel yang memiliki korelasi yang tinggi antar satu sama lain. Analisis faktor mengharuskan adanya hubungan linier antara variabel yang diamati dan koefisien korelasi tidak boleh nol. Hal ini yang menunjukkan bahwa hubungan itu nyata.

2.3 Uji Hipotesis

2.3.1 Bartlett’s Test of Sphericity

Uji Bartlett adalah salah satu metode untuk menguji apakah suatu matriks korelasi antar variabel terobservasi dapat dianggap sebagai matriks identitas, yang berarti tidak ada hubungan antara variabel-variabel tersebut. Uji ini sering digunakan sebagai salah satu syarat untuk melakukan analisis faktor, yaitu suatu teknik statistik untuk mengidentifikasi variabel laten yang mendasari pola korelasi dalam suatu kumpulan variabel terobservasi. Uji Bartlett didasarkan pada statistik chi-kuadrat yang mengukur perbedaan antara matriks korelasi yang diperoleh dari data dan matriks identitas.

Hipotesis dalam uji ini adalah sebagai berikut:

H₀:Matriks korelasi adalah matriks identitas (Tidak terdapat korelasi yang signifikan setidaknya antar beberapa variabel)

H₁:Matriks korelasi bukan matriks identitas (Terdapat korelasi yang signifikan setidaknya antar beberapa variabel)

Adapun statistik uji Barlett’s test sebagai berikut: \[ x^2_{obs}=-[(N-1)-\frac{(2p+5)}{6}]ln|R| \]

Keterangan:

N = jumlah observasi p = jumlah variabel |R| = determianan matriks korelasi

Dengan kriteria pengambilan keputusannya adalah jika nilai p dari uji ini kurang dari tingkat signifikansi yang ditentukan, maka hipotesis nol ditolak dan disimpulkan bahwa ada hubungan antara variabel-variabel yang diteliti, sehingga analisis faktor dapat dilakukan. Sebaliknya, jika nilai p dari uji ini lebih besar dari tingkat signifikansi yang ditentukan, maka hipotesis nol tidak dapat ditolak dan disimpulkan bahwa tidak ada hubungan antara variabel-variabel yang diteliti, sehingga analisis faktor tidak dapat dilakukan.

2.3.2 Kaiser Mayer Olkin (KMO)

Uji KMO (Kaiser-Meyer-Olkin) adalah salah satu metode untuk menguji kelayakan sampel untuk melakukan analisis faktor, yaitu suatu teknik statistik untuk mengidentifikasi variabel laten yang mendasari pola korelasi dalam suatu kumpulan variabel terobservasi. Uji KMO mengukur seberapa baik variabel-variabel yang diteliti berkorelasi satu sama lain, sehingga dapat dikelompokkan menjadi faktor-faktor yang lebih sedikit. Uji KMO menghasilkan nilai antara 0 dan 1, yang menunjukkan seberapa banyak variasi dalam data yang dapat dijelaskan oleh faktor-faktor yang ada. Nilai yang lebih tinggi menunjukkan bahwa data lebih cocok untuk analisis faktor, sedangkan nilai yang lebih rendah menunjukkan bahwa data kurang cocok untuk analisis faktor.

Adapun Statistik Uji KMO sebagai berikut: \[ KMO=\frac {\Sigma_i\Sigma_{i\neq j} r^2_{ij}}{\Sigma_i\Sigma_{i\neq j}r^2_{ij}+\Sigma_i\Sigma_{i\neq j}a^2_{ij}} ;i=1,2,...,p;j=1,2,...,p \]

Keterangan:

r_k = koefisien korelasi antara variabel ke-j dan ke-k P_jk = koefisien korelasi parsial antara variabel ke-j dan ke-k

Dimana kriteria pengambilan keputusan yaitu memiliki nilai statistik KMO minimal sebesar 0,5.

2.3.3 Measure of Sampling Adequacy (MSA)

Measure of Sampling Adequacy (MSA) adalah sebuah metrik yang digunakan dalam analisis faktor untuk menilai sejauh mana data sampel yang digunakan cocok atau memadai untuk analisis faktor. MSA digunakan untuk memeriksa apakah data yang digunakan dalam analisis faktor memiliki karakteristik yang cukup baik untuk menghasilkan hasil yang andal. Ini adalah salah satu tahap awal dalam analisis faktor, yang digunakan untuk menilai kualitas data sebelum melanjutkan dengan analisis faktor itu sendiri.

Untuk kriteria pengambilan keputusan yaitu jika nilai MSA Indikator < 0.5, maka Indikator tersebut akan tereliminasi dan tidak dapat diikutsertakan dalam analisis komponen utama.

2.4 Metode Ekstrasi Faktor

Dalam analisis faktor, ekstraksi faktor merupakan langkah awal yang penting. Langkah ini bertujuan untuk mengurangi jumlah variabel asli menjadi sejumlah kecil faktor yang lebih mudah untuk diinterpretasikan. Jumlah faktor yang terbentuk (k faktor) harus lebih sedikit dari jumlah variabel asli (p variabel), yaitu p ≤ k (Sigit,2008).

Salah satu metode umum untuk mengekstrak faktor adalah Principal Component Analysis (PCA) dan Principal Factor Analysis (PFA). PCA mengasumsikan bahwa setiap variabel dapat dijelaskan melalui kombinasi linier faktor bersama yang berarti faktor-faktor tersebut mencakup variasi keseluruhan variabel. Jika semua faktor berkontribusi terhadap variasi suatu variabel, maka komunalitasnya mencapai 100% (atau 1). Namun dalam praktiknya, hal ini jarang terjadi karena variabel jarang dapat direduksi menjadi beberapa faktor yang mewakili variasi semua variabel. Dalam PCA, jika komunalitas kurang dari 1 maka menandakan bahwa ada kehilangan informasi dalam representasi tersebut.

Sedangkan, PFA mengasumsikan bahwa variasi variabel dapat dibagi menjadi dua bagian. Bagian pertama mencakup variasi gabungan dari semua variabel dalam analisis. Bagian lainnya mencakup variasi yang unik untuk masing-masing variabel. Variabilitas total antar variabel yang diamati tidak dapat dijelaskan oleh faktor bersama. Dalam PFA, faktor bersama hanya menjelaskan komponen variasi pertama yaitu bagian yang umumnya muncul dari semua variabel sehingga komunalitas indikator harus kurang dari 1 (Cleff, 2019).

2.5 Metode Penentuan Jumlah Faktor

Penentuan banyak faktor adalah salah satu langkah penting dalam analisis faktor. Banyak faktor yang dipilih haruslah sesuai dengan data yang digunakan. Jika banyak faktor yang dipilih terlalu sedikit, maka faktor-faktor tersebut tidak akan dapat mewakili semua informasi yang ada pada data. Sebaliknya, jika banyak faktor yang dipilih terlalu banyak, maka faktor-faktor tersebut akan menjadi terlalu umum dan tidak dapat memberikan informasi yang berarti.

Ada beberapa metode yang dapat digunakan untuk menentukan banyak faktor, yaitu:

1. Penentuan Berdasarkan Eigenvalues

Metode ini didasarkan pada nilai eigenvalues dari matriks korelasi. Eigenvalues adalah kuadrat akar dari akar-akar polynomial karakteristik matriks korelasi. Eigenvalues yang lebih besar menunjukkan bahwa variabel-variabel yang terkait dengan eigenvalue tersebut memiliki korelasi yang lebih tinggi.

Secara umum, faktor-faktor yang dipilih adalah faktor-faktor yang memiliki eigenvalues lebih besar dari 1. Hal ini disebabkan karena eigenvalues yang lebih besar menunjukkan bahwa faktor-faktor tersebut dapat menjelaskan lebih banyak varians dari data.

2. Penentuan Berdasarkan Scree Plot

Metode ini didasarkan pada scree plot, yaitu plot dari eigenvalues terhadap jumlah faktor. Scree plot biasanya berbentuk seperti huruf S. Lereng dari huruf S tersebut menunjukkan bahwa ada titik di mana eigenvalues mulai menurun dengan cepat. Titik ini menunjukkan jumlah faktor yang optimal.

3. Penentuan Apriori

Metode ini didasarkan pada pengetahuan apriori tentang data. Jika peneliti memiliki pengetahuan tentang jumlah faktor yang diharapkan, maka peneliti dapat menggunakan pengetahuan tersebut untuk menentukan banyak faktor.

4. Penentuan Berdasarkan pada Persentase Varian

Metode ini didasarkan pada persentase varians yang dijelaskan oleh faktor-faktor. Faktor-faktor yang dipilih adalah faktor-faktor yang dapat menjelaskan paling sedikit 50% dari varians. Hal ini disebabkan karena faktor-faktor tersebut dapat mewakili sebagian besar informasi yang ada pada data.

2.6 Rotasi Faktor

Rotasi faktor dilakukan untuk mempermudah interpretasi dalam hasil yang disebabkan oleh hasil analisis faktor yang tidak unik.Hal ini berarti, hasil analisis faktor yang tidak dirotasi dapat menghasilkan faktor-faktor yang tidak unik yaitu faktor-faktor yang memiliki variabel-variabel yang sama. Rotasi faktor dapat membantu untuk mengatasi hal ini dengan mengatur faktor-faktor sehingga variabel-variabel yang memiliki korelasi yang tinggi berada pada faktor yang sama.

Rotasi juga diperlukan untuk menentukan faktor-faktor terkuat yang tepat pada masing-masing variabel tanpa memberikan hasil yang kontradiktif. Rotasi faktor dapat membantu untuk menentukan faktor-faktor yang paling kuat yang sesuai dengan masing-masing variabel.

2.7 Tujuan

Berdasarkan faktor-faktor di atas, penelitian ini bertujuan untuk menerapkan analisis faktor guna mengidentifikasi faktor dominan yang mempengaruhi kesehatan mental karyawan di bidang Teknologi (IT). Hasil dari analisis ini diharapkan dapat memberikan wawasan lebih dalam mengenai kesehatan mental karyawan di bidang Teknologi (IT), sehingga perusahaan dapat merancang kebijakan dan program yang lebih tepat sasaran untuk meningkatkan kesejahteraan mental karyawan.

3 SOURCE CODE

> library(DT)
> library(psych)
> library(corrplot)
> library(ggplot2)
> library(car)
> library(REdaS)
> library(knitr)

3.1 Statistika Deskriptif

> for(i in 1:ncol(Mental_Health_InTech)) {
+   frekuensi_1 <- sum(Mental_Health_InTech[, i] == 1)
+   frekuensi_0 <- sum(Mental_Health_InTech[, i] == 0)
+   print(paste(colnames(Mental_Health_InTech)[i], "Jumlah 1 =",
+               frekuensi_1, "Jumlah 0 =", frekuensi_0, sep = " "))
+ }
[1] "Service Availability Jumlah 1 = 477 Jumlah 0 = 538"
[1] "Care Options Jumlah 1 = 462 Jumlah 0 = 553"
[1] "Seek Help Jumlah 1 = 370 Jumlah 0 = 645"
[1] "Anonymity Jumlah 1 = 242 Jumlah 0 = 773"
[1] "Off Work Jumlah 1 = 434 Jumlah 0 = 581"
[1] "Mental Health Concequence Jumlah 1 = 673 Jumlah 0 = 342"
[1] "Coworkers Jumlah 1 = 655 Jumlah 0 = 360"
[1] "Supervisor Jumlah 1 = 594 Jumlah 0 = 421"
[1] "Mental Health Interview Jumlah 1 = 376 Jumlah 0 = 639"
[1] "Mental vs Physical Jumlah 1 = 391 Jumlah 0 = 624"

• for(i in 1:ncol(Mental_Health_InTech)) adalah lop for yang akan iterasi melalui setiap kolom dalam data frame Mental_Health_InTech. Dimana i adalah variabel iterasi yang akan mengambil nilai dari 1 hingga jumlah kolom dalam data frame Mental_Health_InTech.

• frekuensi_1 <- sum(Mental_Health_InTech[, i] == 1) adalah pernyataan untuk menghitung frekuensi nilai 1 untuk kolom ke-idalam data frame Mental_Health_InTech.

• frekuensi_0 <- sum(Mental_Health_InTech[, i] == 0) adalah pernyataan untuk menghitung frekuensi nilai 0 untuk kolom ke-idalam data frame Mental_Health_InTech.

• Untuk menampilkan frekuensi nilai 1 dan 0 untuk kolom ke-i dapat digunakan syntax print(paste(colnames(Mental_Health_InTech)[i], “Jumlah 1 =”, frekuensi_1, “Jumlah 0 =”, frekuensi_0, sep = ” “)).

3.2 Bartlett’s Test of Sphericity

> library(REdaS)
> bart_spher(Mental_Health_InTech)
    Bartlett's Test of Sphericity

Call: bart_spher(x = Mental_Health_InTech)

     X2 = 2297.003
     df = 45
p-value < 2.22e-16

Pernyataan library(REdaS) adalah perintah yang mencoba memuat pustaka atau paket yang disebut “REdaS” ke dalam lingkungan R. Setelah memuat pustaka “REdaS,” perintah bart_spher(Mental_Health_InTech) mencoba menjalankan fungsi bart_spher dengan argumen Mental_Health_InTech. Fungsi ini digunakan untuk melakukan analisis faktor menggunakan metode Bartlett’s Sphericity Test pada variabel bernama Mental_Health_InTech.

3.3 Uji KMO dan MSA

> library(REdaS)
> KMO_Result <- KMO(Mental_Health_InTech)
> KMO_Result
Kaiser-Meyer-Olkin factor adequacy
Call: KMO(r = Mental_Health_InTech)
Overall MSA =  0.74
MSA for each item = 
     Service Availability              Care Options                 Seek Help 
                     0.71                      0.72                      0.84 
                Anonymity                  Off Work Mental Health Concequence 
                     0.85                      0.64                      0.71 
                Coworkers                Supervisor   Mental Health Interview 
                     0.65                      0.66                      0.72 
       Mental vs Physical 
                     0.83 

Pernyataan library(REdaS) adalah perintah yang mencoba memuat pustaka atau paket yang disebut “REdaS” ke dalam lingkungan R. Setelah memuat pustaka “REdaS,” perintah KMO_Result <- KMO(Mental_Health_InTech) digunakan untuk menjalankan fungsi KMO dengan argumen Mental_Health_InTech. Fungsi ini adalah upaya untuk menghitung Measure of Sampling Adequacy (MSA) menggunakan metode Kaiser-Meyer-Olkin (KMO) pada data Mental_Health_InTech. Hasil perhitungan MSA akan disimpan dalam variabel bernama KMO_Result, sehingga dapat digunakan untuk mengevaluasi apakah data cocok untuk analisis faktor.

3.4 Matriks Korelasi

> library(corrplot)
> datamatrix <- cor(Mental_Health_InTech)
> corrplot(datamatrix, method = "number")

library(corrplot) digunakan untuk memuat pustaka atau paket “corrplot” ke dalam lingkungan R. Setelah itu, untuk menghitung matriks korelasi dari data bernama Mental_Health_InTech dapat digunakan syntax datamatrix <- cor(Mental_Health_InTech). Dalam konteks analisis faktor, matriks korelasi digunakan untuk mengukur tingkat korelasi antara variabel-variabel dalam data tersebut. Kemudian, untuk melihat visualisasi dari matriks korelasi yang telah dihitung dapat digunakan fungsi corrplot dari paket “corrplot”. Parameter method=“number” digunakan untuk menampilkan nilai korelasi sebagai angka di dalam sel matriks korelasi.

3.5 Menghitung Nilai Eigen

> eigenvalues <- eigen(datamatrix)$values
> eigenvalues
 [1] 2.8659570 1.8402064 1.0190579 0.9394689 0.7973883 0.7382792 0.6028296
 [8] 0.5117130 0.4145765 0.2705232

Digunakan fungsi eigen() untuk menghitung nilai eigen dari matriks korelasi yang telah dihitung sebelumnya yaitu variabel bernama datamatrix. Hasil perhitungan eigenvalues ini akan disimpan dalam variabel yang diberi nama eigenvalues. Untuk melihat nilai eigenvalues yang dihasilkan dari perhitungan sebelumnya dapat dilakukan dengan memanggil variabel eigenvalues .

3.6 Scree Plot

> scree_plot <- plot(eigenvalues, main = "Scree Plot",
+                    xlab = "Faktor", ylab = "Nilai Eigen",
+                    pch = 20, col = "magenta", type = "o", lwd = 1.5) +
+              axis(1, at = seq(1, 10)) +
+              abline(h = 1, col = "red", lty = 2, lwd = 1)

Untuk membuat grafik Scree Plot dapat digunakan syntax scree_plot <- plot(eigenvalues, main = “Scree Plot”, xlab = “Faktor”, ylab = “Nilai Eigen”, pch = 20, col = “Sky blue”, type = “o”, lwd = 1.5). Dimana penjelasan dalam perintah ini adalah sebagai berikut:

• eigenvalues merupakan vektor yang berisi nilai eigen dari komponen-komponen (faktor-faktor) dalam analisis faktor.

• main = “Scree Plot” digunakan untuk menetapkan judul grafik menjadi “Scree Plot”.

• xlab = “Faktor” digunakan untuk menjelaskan label sumbu x (sumbu horizontal) dan diberi nama “Faktor”.

• ylab = “Nilai Eigen” digunakan untuk menjelaskan label sumbu y (sumbu vertikal) dan diberi nama “Nilai Eigen”.

• pch = 20 digunakan untuk menentukan tipe simbol (marker) dalam plot. Pilihan pch = 20 menghasilkan simbol bulat yang berisi titik di tengahnya.

• col = “Sky blue” digunakan untuk menentukan warna plot. Pada syntax tersebut, warna digunakan adalah “magenta”.

• type = “o” digunakan untuk menentukan jenis plot. “o” menghasilkan plot garis dengan titik.

• lwd = 1.5 digunakan untuk mengatur lebar garis plot.

Untuk membentuk garis horizontal pada nilai y = 1 (dalam warna merah) dengan jenis garis putus-putus (lty = 2) dan lebar garis (lwd = 1) dapat digunakan syntax abline(h = 1, col = “red”, lty = 2, lwd = 1). Garis ini digunakan untuk membantu menunjukkan batas yang umumnya digunakan untuk memutuskan jumlah faktor yang akan dipertahankan. Faktor-faktor dengan eigenvalues di atas garis ini akan dipertahankan, sedangkan yang di bawahnya akan diabaikan.

3.7 Ekstrasi dan Rotasi Faktor

Dengan PCA

> r <- Mental_Health_InTech
> nfactors <- 3
> PCA = principal(r, nfactors, rotate = "varimax")
> PCA$communality
     Service Availability              Care Options                 Seek Help 
                0.7314525                 0.6890053                 0.5845063 
                Anonymity                  Off Work Mental Health Concequence 
                0.4658485                 0.7376608                 0.3851088 
                Coworkers                Supervisor   Mental Health Interview 
                0.6226897                 0.6507201                 0.4643475 
       Mental vs Physical 
                0.3938819 

Variabel r didefinisikan sebagai data yang disimpan dalam Mental_Health_InTech. variabel r didefinisikan sebagai data yang disimpan dalam Mental_Health_InTech. Jumlah faktor yang akan diekstraksi dalam analisis faktor disimpan sebanyak 3 dengan syntax nfactors <- 3 jumlah faktor ini dapat disesuaikan berdasarkan hasil dari Scree Plot.

PCA = principal(r = data_corr, nfactors = nfaktor, rotate = “varimax”) syntax ini digunakan untuk menjalankan fungsi principal() dalam melakukan analisis faktor. Dimana jenis rotasi yang digunakan adalah metode rotasi varimax yang bertujuan untuk membuat faktor-faktor menjadi lebih mudah diinterpretasikan.

Untuk mengakses nilai communalities (komunalitas) dari hasil analisis faktor yang disimpan dalam objek PCA dapat dipanggil dengan PCA$communality . Komunalitas adalah ukuran seberapa besar varians suatu variabel dapat dijelaskan oleh faktor-faktor yang diekstraksi. Dengan mengeksekusi baris ini, maka akan mendapatkan nilai komunalitas untuk setiap variabel dalam analisis faktor.

Dengan PFA

> r <- Mental_Health_InTech
> nfactors <- 3
> PFA = fa(r, nfactors, rotate = "varimax", fm = "pa")
> PFA
Factor Analysis using method =  pa
Call: fa(r = r, nfactors = nfactors, rotate = "varimax", fm = "pa")
Standardized loadings (pattern matrix) based upon correlation matrix
                            PA1   PA3   PA2    h2   u2 com
Service Availability       0.75  0.22 -0.39 0.759 0.24 1.7
Care Options               0.70  0.18 -0.36 0.647 0.35 1.6
Seek Help                  0.69  0.06 -0.03 0.476 0.52 1.0
Anonymity                  0.63  0.00  0.14 0.413 0.59 1.1
Off Work                   0.03  0.08  0.27 0.081 0.92 1.2
Mental Health Concequence  0.07 -0.08 -0.23 0.062 0.94 1.4
Coworkers                  0.13  0.66  0.28 0.531 0.47 1.4
Supervisor                 0.20  0.67  0.35 0.618 0.38 1.7
Mental Health Interview   -0.03  0.15  0.36 0.151 0.85 1.4
Mental vs Physical         0.43  0.17  0.32 0.314 0.69 2.2

                       PA1  PA3  PA2
SS loadings           2.15 1.04 0.86
Proportion Var        0.22 0.10 0.09
Cumulative Var        0.22 0.32 0.41
Proportion Explained  0.53 0.26 0.21
Cumulative Proportion 0.53 0.79 1.00

Mean item complexity =  1.5
Test of the hypothesis that 3 factors are sufficient.

df null model =  45  with the objective function =  2.27 with Chi Square =  2297
df of  the model are 18  and the objective function was  0.06 

The root mean square of the residuals (RMSR) is  0.03 
The df corrected root mean square of the residuals is  0.04 

The harmonic n.obs is  1015 with the empirical chi square  62.39  with prob <  8.4e-07 
The total n.obs was  1015  with Likelihood Chi Square =  60.46  with prob <  1.7e-06 

Tucker Lewis Index of factoring reliability =  0.953
RMSEA index =  0.048  and the 90 % confidence intervals are  0.035 0.062
BIC =  -64.15
Fit based upon off diagonal values = 0.99
Measures of factor score adequacy             
                                                   PA1  PA3  PA2
Correlation of (regression) scores with factors   0.89 0.79 0.75
Multiple R square of scores with factors          0.79 0.62 0.57
Minimum correlation of possible factor scores     0.58 0.25 0.14

Variabel r didefinisikan sebagai data yang disimpan dalam Mental_Health_InTech. Jumlah faktor yang akan diekstraksi dalam analisis faktor disimpan sebanyak 3 dengan syntax nfactors <- 3 jumlah faktor ini dapat disesuaikan berdasarkan hasil dari Scree Plot. Kemudian, untuk melakukan ekstrasi dan rotasi digunakan syntax berikut PFA = fa(r, nfactors, rotate = “varimax”, fm = “pa”) . Dimana jenis rotasi yang digunakan adalah metode rotasi varimax yang bertujuan untuk membuat faktor-faktor menjadi lebih mudah diinterpretasikan. fm = “pa” digunakan untuk menentukan metode ekstraksi faktor yang akan digunakan. Dalam hal ini, digunakan metode Principal Axis Factoring (PAF).

3.8 Interpretasi Analisi Faktor

> fa.diagram(PFA,rsize = 1)

Fungsi fa.diagram() pada R digunakan untuk membuat diagram faktor. Diagram faktor adalah diagram yang menunjukkan hubungan antara variabel-variabel dengan faktor-faktor yang dihasilkan oleh analisis faktor. Dimana fungsi fa.diagram() memiliki dua argumen, yaitu PFA adalah hasil analisis faktor dan rsize ukuran variabel pada diagram.

4 Hasil dan Pembahasan

4.1 Statistika Deskriptif

> for(i in 1:ncol(Mental_Health_InTech)) {
+   frekuensi_1 <- sum(Mental_Health_InTech[, i] == 1)
+   frekuensi_0 <- sum(Mental_Health_InTech[, i] == 0)
+   print(paste(colnames(Mental_Health_InTech)[i], "Jumlah 1 =",
+               frekuensi_1, "Jumlah 0 =", frekuensi_0, sep = " "))
+ }
[1] "Service Availability Jumlah 1 = 477 Jumlah 0 = 538"
[1] "Care Options Jumlah 1 = 462 Jumlah 0 = 553"
[1] "Seek Help Jumlah 1 = 370 Jumlah 0 = 645"
[1] "Anonymity Jumlah 1 = 242 Jumlah 0 = 773"
[1] "Off Work Jumlah 1 = 434 Jumlah 0 = 581"
[1] "Mental Health Concequence Jumlah 1 = 673 Jumlah 0 = 342"
[1] "Coworkers Jumlah 1 = 655 Jumlah 0 = 360"
[1] "Supervisor Jumlah 1 = 594 Jumlah 0 = 421"
[1] "Mental Health Interview Jumlah 1 = 376 Jumlah 0 = 639"
[1] "Mental vs Physical Jumlah 1 = 391 Jumlah 0 = 624"

Karena setiap variabel adalah data dengan skala nominal, maka statistika deskriptif yang ingin dilihat adalah frekuensi setiap variabelnya. Berdasarkan Output diatas didapatkan informasi frekuensi dan modus dari setiap variabel. Berikut merupakan interpretasi yang diperoleh.

1. Pada variabel X₁ (Service Availability), diketahui perusahaan yang memberikan tunjangan kesehatan mental sebanyak 477 perusahaan dan sebanyak 538 perusahaan adalah perusahaan yang tidak memberikan tunjangan kesehatan mental. Hal ini menunjukkan bahwa lebih banyak perusahaan yang tidak memberikan tunjangan kesehatan mental bagi karyawan.

2. Pada variabel X₂ (Care Options), diketahui karyawan yang mengetahui layanan kesehatan mental di perusahaan sebanyak 462 karyawan, sedangkan sebanyak 553 karyawan tidak mengetahui layanan kesehatan mental di perusahaan.Hal ini menunjukkan bahwa lebih banyak karyawan yang tidak mengetahui layanan kesehatan mental di perusahaan.

3. Pada variabel X₃ (Seek Help), diketahui perusahaan yang menyediakan sumber daya untuk mempelajari lebih lanjut tentang masalah kesehatan mental dan cara mencari bantuan sebanyak 370 dan sebanyak 645 perusahaan tidak menyediakan sumber daya tersebut. Hal ini menunjukkan bahwa lebih banyak perusahaan yang tidak menyediakan sumber daya untuk mempelajari lebih lanjut tentang masalah kesehatan mental karyawan dan cara mencari bantuannya.

4. Pada variabel X₄ (Anonymity), diketahui karyawan yang merasa identitasnya terlindungi ketika memanfaatkan sumber daya perawatan kesehatan mental atau penyalahgunaan zat di tempat kerja sebanyak 242 karyawan, sedangkan sebanyak 773 karyawan merasa identitasnya tidak terlindungi. Hal ini menunjukkan bahwa lebih banyak karyawan merasa identitasnya tidak terlindungi ketika memanfaatkan sumber daya perawatan kesehatan mental atau penyalahgunaan zat di tempat kerja.

5. Pada variabel X₅ (Off Work), diketahui karyawan yang diperbolehkan untuk meminta cuti medis dari pekerjaan karena masalah kesehatan mental sebanyak 434 karyawan, sedangkan sebanyak 581 karyawan tidak diperbolehkan untuk meminta cuti. Hal ini menunjukkan bahwa lebih banyak karyawan yang tidak diperbolehkan untuk meminta cuti medis dari pekerjaan karena masalah kesehatan mental.

6. Pada variabel X₆ (Mental Health Concequence), diketahui karyawan yang membicarakan gangguan kesehatan mental dengan atasan kerja akan berdampak negatif sebanyak 673 karyawan dan sebanyak 342 karyawan merasa tidak akan berdampak negatif. Hal ini menunjukkan bahwa lebih banyak karyawan yang merasa akan berdampak negatif ketika membicarakan gangguan kesehatan mental dengan atasan kerja.

7. Pada variabel X₇ (Coworkers), diketahui karyawan yang bersedia mendiskusikan masalah kesehatan mental dengan rekan kerja sebanyak 655 karyawan, sedangkan sebanyak 360 karyawan tidak bersedia. Hal ini menunjukkan bahwa lebih banyak karyawan yang bersedia mendiskusikan masalah kesehatan mental dengan rekan kerjanya.

8. Pada variabel X₈ (Supervisor), diketahui karyawan yang bersedia mendiskusikan masalah kesehatan mental dengan atasan langsung sebanyak 594 karyaawan dan sebanyak 421 karyawan tidak bersedia Hal ini menunjukkan bahwa lebih banyak mahasiswa yang bersedia mendiskusikan masalah kesehatan mental dengan atasan langsung.

9. Pada variabel X₉ (Mental Health Interview), diketahui karyawan yang akan mengemukakan masalah kesehatan mental kepada calon pemberi kerja dalam sebuah wawancara sebanyak 376 karyawan, sedangkan sebanyak 639 karyawan tidak akan mengemukakan hal tersebut. Hal ini menunjukkan bahwa lebih banyak karyawan yang tidak akan mengemukakan masalah kesehatan mental kepada calon pemberi kerja dalam sebuah wawancara.

10. Pada variabel X₁₀ (Mental vs Physical), diketahui karyawan yang merasa perusahaannya menganggap kesehatan mental sama seriusnya dengan kesehatan fisik sebanyak 391 karyawan, sedangkan sebanyak 624 karyawan merasakan hal yang sebaliknya. Hal ini menunjukkan bahwa lebih banyak karyawan yang tidak merasakan perusahaannya menganggap bahwa kesehatan mental sama seriusnya dengan kesehatan fisik.

4.2 Bartlett’s Test of Sphericity

> library(REdaS)
> bart_spher(Mental_Health_InTech)
    Bartlett's Test of Sphericity

Call: bart_spher(x = Mental_Health_InTech)

     X2 = 2297.003
     df = 45
p-value < 2.22e-16

Hipotesis H₀ : matriks korelasi adalah matriks identitas (Tidak terdapat korelasi yang signifikan setidaknya antar beberapa variabel)

H₁ : matriks korelasi bukan matriks identitas (Terdapat korelasi yang signifikan setidaknya antar beberapa variabel)

Keputusan Berdasarkan hasil output tersebut didapatkan p-value sebesar 2.22e-16 Karena p-value (2.22e-16) < (0.05), maka tolak H₀.

Intetrpretasi Dengan taraf nyata 5% dapat disimpulkan bahwa sudah cukup bukti untuk menyatakan bahwa terdapat korelasi yang signifikan setidaknya antar beberapa variabel, sehingga matriks korelasi antar variabel pada data belum layak digunakan dalam analisis faktor.

4.3 Uji KMO dan MSA

> library(REdaS)
> KMO_Result <- KMO(Mental_Health_InTech)
> KMO_Result
Kaiser-Meyer-Olkin factor adequacy
Call: KMO(r = Mental_Health_InTech)
Overall MSA =  0.74
MSA for each item = 
     Service Availability              Care Options                 Seek Help 
                     0.71                      0.72                      0.84 
                Anonymity                  Off Work Mental Health Concequence 
                     0.85                      0.64                      0.71 
                Coworkers                Supervisor   Mental Health Interview 
                     0.65                      0.66                      0.72 
       Mental vs Physical 
                     0.83 

Berdasarkan output, diperoleh nilai KMO-Criterion (overall MSA) sebesar 0.74 > 0.5. Hal ini berarti bahwa analisis faktor dapat diterapkan menggunakan matriks korelasi antar variabel pada data. Selain itu, didapatkan seluruh nilai MSA untuk setiap variabel yang bernilai > 0.5. Hal ini juga berarti bahwa semua variabel dapat diikutsertakan dalam analisis faktor selanjutnya.

4.4 Matriks Korelasi

> library(corrplot)
> datamatrix <- cor(Mental_Health_InTech)
> corrplot(datamatrix, method = "number")

Berdasarkan hasil plot matriks korelasi yang dibentuk, diperoleh informasi bahwa nilai koefisien korelasi antar variabel tidak sama dengan 0. Hal ini menunjukkan adanya hubungan pada setiap variabelnya sehingga memenuhi asumsi model analisis faktor.

• Variabel Service Availability memiliki korelasi positif yang cukup kuat dengan Care Options (0.72) dan Seek Help (0.54). Hal ini menunjukkan bahwa ketersediaan layanan kesehatan mental di tempat kerja cenderung berkaitan dengan tersedianya pilihan perawatan dan akses informasi untuk mencari bantuan.

• Variabel Coworkers juga memiliki korelasi positif dengan Supervisor (0.58). Hal ini menunjukkan bahwa banyaknya karyawan yang bersedia untuk mendiskusikan masalah kesehatan mental dengan rekan kerja cenderung berkaitan dengan tersedianya mendiskusikan masalah kesehatan mental dengan atasan langsung.

• Care Options juga memiliki korelasi sedang dengan Seek Help (0.49), menunjukkan bahwa informasi mengenai opsi layanan kesehatan mental dapat mendukung keinginan karyawan untuk mencari bantuan.

4.5 Menghitung Nilai Eigen

> eigenvalues <- eigen(datamatrix)$values
> eigenvalues
 [1] 2.8659570 1.8402064 1.0190579 0.9394689 0.7973883 0.7382792 0.6028296
 [8] 0.5117130 0.4145765 0.2705232

Berdasarkan output yang didapatkan, diperoleh informasi nilai eigen setiap variabelnya. Dimana variabel yang memiliki nilai eigen lebih dari satu ada pada komponen 1, komponen 2, dan komponen 3. Sehingga dapat disimpulkan bahwa faktor yang dapat menjelaskan keseluruhan data (faktor bermakna) hanya terdapat 3 faktor, maka faktor akan direduksi hingga 3 faktor saja.

4.6 Scree Plot

> scree_plot <- plot(eigenvalues, main = "Scree Plot",
+                    xlab = "Faktor", ylab = "Nilai Eigen",
+                    pch = 20, col = "magenta", type = "o", lwd = 1.5) +
+              axis(1, at = seq(1, 10)) +
+              abline(h = 1, col = "red", lty = 2, lwd = 1)

Pernyataan bahwa terdapat banyak faktor bermakna yang akan diekstrak adalah sebanyak 3 faktor diperkuat dengan hasil scree plot ini. Berdasarkan scree plot, terlihat bahwa terdapat 3 faktor pertama yang memiliki nilai eigen lebih dari 1 (cukup baik dalam menjelaskan varians masing-masing variabel).

4.7 Ekstrasi dan Rotasi Faktor

Dengan PCA

> r <- Mental_Health_InTech
> nfactors <- 3 #Dapat dilihat dari Scree Plot
> PCA = principal(r, nfactors, rotate = "varimax")
> PCA$communality
     Service Availability              Care Options                 Seek Help 
                0.7314525                 0.6890053                 0.5845063 
                Anonymity                  Off Work Mental Health Concequence 
                0.4658485                 0.7376608                 0.3851088 
                Coworkers                Supervisor   Mental Health Interview 
                0.6226897                 0.6507201                 0.4643475 
       Mental vs Physical 
                0.3938819 

Nilai komunalitas menunjukkan bahwa variabel tersebut apakah dapat dijelaskan dengan baik oleh komponen-komponen utama dan dapat dikatakan sebagai variabel yang penting dalam menjelaskan struktur data. Variabel dikatakan dapat menjelaskan faktor dengan baik jika memiliki nilai komunalitas lebih dari 0.5. Dengan demikian, dapat disimpulkan variabel yang dapat menjelaskan faktor dengan baik adalah X₁ (Service Availability), X₂ (Care Options), X₃ (Seek Help), X₅ (Off Work), X₇ (Coworkers), dan X₈ (Supervisor). Sedangkan variabel yang kurang dapat menjelaskan faktor dengan baik adalah variabel X₄ (Anonymity), X₆ (Mental Health Concequence), X₉ (Mental Health Interview), dan X₁₀ (Mental vs Physical).Hal ini menunjukkan bahwa ekstrasi dengan PCA kurang cocok dengan kasus ini.

Dengan PFA

> r <- Mental_Health_InTech
> nfactors <- 3 #Dapat dilihat dari Scree Plot
> PFA = fa(r, nfactors, rotate = "varimax", fm = "pa")
> PFA
Factor Analysis using method =  pa
Call: fa(r = r, nfactors = nfactors, rotate = "varimax", fm = "pa")
Standardized loadings (pattern matrix) based upon correlation matrix
                            PA1   PA3   PA2    h2   u2 com
Service Availability       0.75  0.22 -0.39 0.759 0.24 1.7
Care Options               0.70  0.18 -0.36 0.647 0.35 1.6
Seek Help                  0.69  0.06 -0.03 0.476 0.52 1.0
Anonymity                  0.63  0.00  0.14 0.413 0.59 1.1
Off Work                   0.03  0.08  0.27 0.081 0.92 1.2
Mental Health Concequence  0.07 -0.08 -0.23 0.062 0.94 1.4
Coworkers                  0.13  0.66  0.28 0.531 0.47 1.4
Supervisor                 0.20  0.67  0.35 0.618 0.38 1.7
Mental Health Interview   -0.03  0.15  0.36 0.151 0.85 1.4
Mental vs Physical         0.43  0.17  0.32 0.314 0.69 2.2

                       PA1  PA3  PA2
SS loadings           2.15 1.04 0.86
Proportion Var        0.22 0.10 0.09
Cumulative Var        0.22 0.32 0.41
Proportion Explained  0.53 0.26 0.21
Cumulative Proportion 0.53 0.79 1.00

Mean item complexity =  1.5
Test of the hypothesis that 3 factors are sufficient.

df null model =  45  with the objective function =  2.27 with Chi Square =  2297
df of  the model are 18  and the objective function was  0.06 

The root mean square of the residuals (RMSR) is  0.03 
The df corrected root mean square of the residuals is  0.04 

The harmonic n.obs is  1015 with the empirical chi square  62.39  with prob <  8.4e-07 
The total n.obs was  1015  with Likelihood Chi Square =  60.46  with prob <  1.7e-06 

Tucker Lewis Index of factoring reliability =  0.953
RMSEA index =  0.048  and the 90 % confidence intervals are  0.035 0.062
BIC =  -64.15
Fit based upon off diagonal values = 0.99
Measures of factor score adequacy             
                                                   PA1  PA3  PA2
Correlation of (regression) scores with factors   0.89 0.79 0.75
Multiple R square of scores with factors          0.79 0.62 0.57
Minimum correlation of possible factor scores     0.58 0.25 0.14

Berdasarkan hasil analisis faktor pada output tersebut terdapat 3 faktor yang mempengaruhi kesehatan mental karyawan di bidang teknologi (IT).Dimana, untuk melihat setiap variabel lebih dominan berada pada faktor 1, 2, atau 3 dapat diketahui dari persamaan berikut:

X₁ = 0.75F₁ -0.39F₂ + 0.22F₃ X₂ = 0.70F₁ -0.36F₂ + 0.18F₃ X₃ = 0.69F₁ -0.03F₂ + 0.06F₃ X₄ = 0.63F₁ 0.14F₂ + 0.00F₃ X₅ = 0.03F₁ 0.27F₂ + 0.08F₃ X₆ = 0.07F₁ -0.23F₂ -0.08F₃ X₇ = 0.13F₁ 0.28F₂ + 0.66F₃ X₈ = 0.20F₁ 0.35F₂ + 0.67F₃ X₉ = -0.03F₁ 0.36F₂ + 0.15F₃ X₁₀ = 0.43F₁ 0.32F₂ + 0.17F₃

Untuk memastikan suatu variabel masuk dalam kelompok faktor 1, 2, atau 3 dapat ditentukan dengan melihat nilai mutlak korelasi terbesar antara variabel dengan faktor (Component) yang terbentuk. Tanda positif dan negatif menunjukkan arah korelasi dari variabel tersebut. Hal ini berarti bahwa variabel X₁, X₂, X₃, dan X₄ masuk dalam faktor 1, variabel X₉, dan X₁₀ masuk dalam faktor 2, variabel X₇ dan X₈ masuk dalam faktor 3, sedangkan variabel X₆ tidak masuk dalam faktor karena memiliki nilai korelasi yang terlalu kecil. Hal ini mengindikasikan bahwa variabel X₅ dan X₆ dijelaskan dengan lebih baik oleh faktor lain di luar model.

• Faktor 1 (PA1) dapat dikategorikan menjadi ketersediaan layanan dan dukungan kesehatan mental di perusahaan, karena variabel-variabelnya seperti Service Availability, Care Options, Seek Help, dan Anonymity berfokus pada aksesibilitas layanan.

• Faktor 2 (PA2) dapat mencerminkan dukungan sosial dan sikap terhadap kesehatan mental, karena mencakup variabel Off Work, Mental Health Interview, dan Mental vs Physical, yang mengindikasikan sikap dan penerimaan terhadap kesehatan mental di tempat kerja.

• Faktor 3 (PA3) dapat dikategorikan dengan interaksi dan komunikasi antar rekan kerja terkait masalah kesehatan mental, seperti terlihat dari variabel Coworkers dan Supervisor.

Selain itu didapatkan nilai proporsi ragam (Proportion Var) setiap faktor sebagai berikut:

Faktor 1 = 0.22 Faktor 2 = 0.09 Faktor 3 = 0.10

Hal ini menunjukkan bahwa faktor yang paling dominan adalah faktor 1 karena memiliki nilai proporsi ragam terbesar. Dimana faktor pertama mampu menjelaskan keragaman sebesar 22%, faktor kedua sebesar 9%, dan faktor ketiga sebesar 10%. Secara kumulatif, ketiga faktor ini mampu menjelaskan keragaman sebesar 41%.

4.8 Interpretasi Analisis Faktor

> fa.diagram(PFA,rsize = 1)

Berdasarkan hasil output tersebut memperkuat pernyataan sebelumnya. Sehingga dapat disimpulkan sebagai berikut:

• Pada faktor 1 (PA1) diketahui bahwa faktor tersebut berkorelasi signifikan dengan variabel X1 (Service Availability), X2 (Care Options), X3 (Seek Help), X4(Anonymity), dan X10 (Mental vs Physical). Kelima variabel tersebut merupakan faktor ketersediaan layanan dan dukungan kesehatan mental di perusahaan. Sehingga faktor ini dapat diinterpretasikan sebagai faktor aksesibilitas layanan kesehatan mental perusahaan.

• Pada faktor 2 (PA2) diketahui bahwa faktor tersebut berkorelasi signifikan dengan variabel X9 (Mental Health Interview). Dimana variabel tersebut merupakan faktor sikap dan penerimaan terhadap kesehatan mental di tempat kerja. Sehingga faktor ini dapat diinterpretasikan sebagai faktor sikap dan penerimaan terhadap kesehatan mental di tempat kerja.

• Pada faktor 3 (PA3) diketahui bahwa faktor tersebut berkorelasi signifikan dengan variabel X7 (Coworkers) dan X8(Supervisor).Kedua variabel tersebut merupakan faktor interaksi dan komunikasi antar rekan kerja terkait masalah kesehatan mental.Sehingga faktor ini dapat diinterpretasikan sebagai faktor interaksi dan komunikasi antar rekan kerja.

5 Penutup

5.1 Kesimpulan

Berdasarkan hasil analisis faktor yang telah dilakukan didapatkan 3 faktor dari 10 variabel yang mempengaruhi kesehatan mental karyawan di bidang Teknologi (IT). Ketiga faktor tersebut diinterpretasikan sebagai faktor aksesibilitas layanan kesehatan mental perusahaan, faktor sikap dan penerimaan terhadap kesehatan mental di tempat kerja., dan faktor obesitas. Faktor aksesibilitas layanan kesehatan mental perusahaan, terdiri dari variabel Service Availability, Care Options, Seek Help, dan Anonymity. Faktor sikap dan penerimaan terhadap kesehatan mental di tempat kerja, terdiri dari variabel Mental Health Interview. Dan faktor interaksi dan komunikasi antar rekan kerja terdiri dari variabel Coworkers dan Supervisor. Variabel Off Work dan Mental Health Concequence tidak memilki korelasi yang signifikan pada ketiga faktor yang terbentuk. Hal ini mengindikasikan bahwa variabel X5 dan X6 dijelaskan dengan lebih baik oleh faktor lain di luar model. Ketiga faktor tersebut dapat menjelaskan keragaman dari variabel sebesar 41%.

Selain itu, faktor yang dominan dari ketiga faktor adalah faktor aksesibilitas layanan kesehatan mental perusahaan. Hal ini dikarenakan faktor aksesibilitas layanan kesehatan mental perusahaan menjelaskan keragaman variabel sebesar 22%. Sedangkan, faktor sikap dan penerimaan terhadap kesehatan mental di tempat kerja hanya mampu menjelaskan sebesar 9% dan faktor interaksi dan komunikasi antar rekan kerja hanya mampu menjelaskan sebesar 10%.

Melalui hal tersebut diharapkan karyawan dan pihak perusahaan dapat lebih mengetahui faktor-faktor apa saja yang dapat mempengaruhi kesehatan mental karyawan di perusahaannya. Sehingga, baik karyawan maupun perusahaan tempat karyawan bekerja dapat mengetahui tentang pentingnya kesadaran akan faktor-faktor kesehatan mental karyawan dan langkah-langkah preventif yang dapat diambil kedepannya.

5.2 Saran

Adapun saran dalam penelitian ini:

1. Melakukan penelitian dengan sampel yang lebih besar. Sampel yang lebih besar dapat memberikan hasil penelitian yang lebih akurat dan dapat digeneralisasi ke populasi yang lebih luas.

2. Meneliti variabel-variabel yang berbeda. Hal ini bertujuan untuk mendapatkan pemahaman yang lebih luas tentang topik penelitian. Sehingga dapat diketahui faktor-faktor apa saja yang mungkin mempengaruhi kesehatan mental karyawan di bidang teknologi (IT).

6 Daftar Pustaka

Cleff, T. (2019). Applied Statistics and Multivariate Data Analysis for Business and Economics: A Modern Approach Using SPSS, Stata, and Excel. Springer.

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).

Meidina, D. W. (2022). Pengaruh Kesehatan Mental Karyawan terhadap Kinerja yang Dimediasi oleh Kesejahteraan di Tempat Kerja (Studi Empiris pada Karyawan Divisi Teknologi Informasi di Masa Work From Home). Business Management Journal, 18(1), 85-105.

Nugroho, Sigit. (2008). Statistika Multivariat Terapan. Bengkulu: UNIB Press.

Sumber data : https://www.kaggle.com/datasets/osmi/mental-health-in-tech-2016