library(tidyverse)
library(highcharter)

Introduction

Sumber gambar: https://www.ingeniumweb.com/blog/post/8-ways-to-improve-work-life-balance-when-working-from-home/4975/

COVID-19 telah merubah segala aspek didalam kehidupan umat manusia, khususnya termasuk merubah kebiasaan dan interaksi antar manusia dalam kehidupan sehari-hari. Bahkan COVID-19 merubah segala lini perekonomian masyarakat, baik perusahaan-perusahaan besar maupun pedagang kaki lima. Setelah pandemi COVID-19, beberapa kebijakan perusahaan juga berubah, banyak yang menerapkan Work From Home (WFH), tetapi masih ada beberapa yang menerapkan Work From Office (WFO) walaupun dibatasi jumlah karyawan yang hadir dan WFO. Tetapi setelah pandemi dan banyak perusahaan menerapkan sistem WFH, banyak karyawan atau pekerja lainnya merasa bahwa jam kerja mereka menjadi lebih panjang. Sehingga banyak karyawan atau pekerja lainnya merasa work life balance mereka tidak seimbang saat pandemi. Bahkan kejadian seperti ini tidak hanya terjadi di Indonesia, tapi di seluruh belahan dunia juga terdampak. Tetapi di negara lain khususnya di wilayah Eropa, permasalah ini sudah diatur dan dibatasi oleh undang-undang Right to Disconnect pada negara-negara lain seperti Perancis, Belgia, Italia, dan Spanyol.

Lalu, bagaimana para pekerja atau karyawan di Indonesia? Dataset ini bertujuan untuk melihat bagaimana work-life-balance karyawan atau pekerja di Indonesia selama pandemi COVID-19 dan melihat bagaimana perusahaan dapat improve kinerja karyawan dengan kebijakan yang dapat membantu atau menjaga work-life balance karyawan menjadi seimbang. Dengan menggunakan metode clustering, kebijakan perusahaan dan divisi HR dapat mengetahui usulan kebijakan baru yang dapat meng-improve kinerja karyawan. Selain diimplementasikan pada divisi HR, beberapa contoh Clustering yang dapat diterapkan adalah meningkatkan pelayanan, fasilitas, dan transportasi umum terhadap customer berbasis customer review pada perusahaan transportasi atau pun perusahaan lainnya. Selain itu, dengan Clustering perusahaan dapat mengelompokkan berbagai macam customer sehingga dapat merekomendasikan produk layanan terhadap beberapa customer dengan tepat.

Dataset ini diharapkan dapat menjadi masukan bagi divisi HR atau perusahaan untuk menentukan apakah lebih baik diadakan kebijakan atau peraturan internal baru untuk masa pandemi agar kinerja karyawan dapat meningkat. Kuisioner ini ditujukan kepada karyawan yang bekerja secara WFH maupun WFO dan respondent tidak dibatasi umur atau bidang pekerjaannya. Selain itu, dari kuisioner ini diharapkan dapat memproyeksi bagaimana work-life balance karyawan di pandemi.

Sebelum ke tahap menentukan apa yang dapat divisi HR lakukan dengan clustering dari hasil survey, beberapa insight didapatkan. Pertama, mari kita lihat 10 data pertama yg telah didapat.

#read dataset
wlb <- read.csv("data/Working Hours During Pandemic (Responses) - Form Responses 1.csv")

#show 5 upper data from dataset
head(wlb)
#remove `Timestamp` column
wlb <- wlb[-1]
head(wlb)

Setelah melihat sebagian dari dataset tersebut, mari kita olah dulu agar data mudah di proses.

Data Pre-processing

Agar mempermudah proses EDA, lebih baik dilakukan penamaan ulang bagi nama per kolom.

# rename columns
wlb_clean <- wlb %>% 
  rename(Usia = 'Usia..Contoh..17.',
         Field = 'Bidang.pekerjaan.yang.anda.geluti',
         Domisili = 'Domisili..Tempat.tinggal.',
         Pegawai = 'Anda.termasuk.karyawan',
         Kontrak = 'Masa.keterikatan.kontrak.anda.dengan.perusahaan.tempat.anda.bekerja.adalah',
         Sistem_kerja = 'Sistem.kerja.perusahaan.anda.saat.ini',
         Absensi = 'Bagaimanakah.sistem.absen.di.tempat.anda.bekerja.selama.pandemi.COVID.19.',
         Jam_kerja1 = 'Bila.perusahaan.anda.mengutamakan.WFH..berapa.lamakah.anda.benar.benar.bekerja...Mohon.jawab.dengan.jujur.',
         Lembur1 = 'Bila.anda.bekerja.lebih.dari.8.jam.sehari.ketika.WFH..apakah.anda.mengirim.atau.mengisi.formulir.lembur.',
         Hak_lembur = 'Bila.anda.lembur...bekerja.lebih.dari.8.jam.sehari..apakah.anda.masih.mendapat.hak...co..uang.lembur.',
         Istirahat_wfh = 'Selama.masa.pandemi.dan.anda.WFH..apakah.anda.merasa.waktu.untuk.istirahat.menjadi.lebih.berkurang.',
         Istirahat_wfo = 'Selama.masa.pandemi.dan.anda.WFO..apakah.anda.merasa.waktu.untuk.istirahat.menjadi.lebih.berkurang.',
         Tertular_covid_wfo = 'Selama.masa.pandemi.dan.anda.WFO..apakah.anda.takut.tertular.COVID.19.di.kantor.maupun.saat.perjalanan.pergi...pulang.',
         Tanggap_covid = 'Seberapa.baikkah.perusahaan.anda.bekerja.dalam.menanggapi.pandemi.COVID.19.',
         Fasilitas_covid_wfo = 'Apakah.anda.mendapat.fasilitas.tertentu.saat.anda.WFO.dari.tempat.anda.bekerja..co..multivitamin..masker.kain...kesehatan..dll..',
         Fasilitas_covid_wfh = 'Apakah.anda.mendapat.fasilitas.tertentu.saat.anda.walaupun.anda.WFH.dari.tempat.anda.bekerja..co..multivitamin..masker.kain...kesehatan..dll..',
         Work_life_balance = 'Seberapa.baikkah.Work.Life.Balance.anda.selama.masa.pandemi.',
         Right_to_disconnect = 'Apakah.anda.setuju.bila.diadakannya.undang.undang.yang.mengatur.tentang.jam.kerja.selama.WFH..co..Right.to.Disconnect.',
         Aturan_baru = 'Pilih.beberapa.penyataan.berikut.yang.menurut.anda.baik.untuk.diterapkan.selama.pandemi.COVID.19',
         Resign = 'Apakah.ada.perasaan.anda.ingin.resign.dari.pekerjaan.anda.selama.masa.pandemi.',
         Alasan = 'Alasan.anda.ingin.resign.dari.pekerjaan.anda.selama.masa.pandemi..pilih.yang.paling.mendekati.',
         Khawatir = 'Apakah.anda.khawatir.bila.anda.resign..anda.tidak.mendapatkan.tempat.yang.lebih.baik.dari.tempat.anda.bekerja.sekarang.') %>% 
  mutate_if(is.character, as.factor)

# check 5 data
head(wlb_clean)

EDA & Visualisasi

Beberapa insight yang bisa kita dapatkan sebelum melakukan clustering adalah

Perbandingan Jumlah per Gender Respondent

wlb_clean %>% 
  group_by(Gender) %>% 
  tally() %>% 
  arrange(-n) %>% 
  hchart("column",
           hcaes(Gender, n)) %>% 
  hc_tooltip(crossHairs = TRUE,
             borderWidth = 3.5,
             table = TRUE,
             headerFormat = "<b>Respondent</b>",
             pointFormat = paste('<br>{point.Gender} : {point.n}')) %>% 
  hc_title(text = "Total Respondent Berdasarkan Gender",
           style = list(fontWeight = "bold"),
           align = "center") %>% 
  hc_yAxis(title = list(text = "Total Respondent")) %>% 
  hc_colors("#a29ecd") %>% 
  hc_add_theme(hc_theme_ffx())

Grafik bar diatas menunjukkan bahwa respondent paling banyak datang dari kalangan Perempuan/Female.

Gender dan Profesi Respondent

Visualisasi berikut adalah penggambaran berapakah jumlah respondent berdasarkan gender dan profesi.

wlb_clean %>% 
  group_by(Gender, Field) %>% 
  tally() %>%
  arrange(-n) %>% 
  hchart("column",
         hcaes(Field, n,
               group = Gender),
         stacking = "normal") %>% 
  hc_tooltip(crossHairs = TRUE,
             borderWidth = 3.5,
             table = TRUE) %>% 
  hc_title(text = "Total Respondent Berdasarkan Gender dan Profesi",
           style = list(fontWeight = "bold"),
           align = "center") %>% 
  hc_yAxis(title = list(text = "Total")) %>% 
  hc_xAxis(title = list(text = "Profesi")) %>% 
  hc_colors(c("#0e469a",
              "#6db6d9")) %>% 
  hc_legend(enabled = TRUE) %>% 
  hc_add_theme(hc_theme_ffx())

Grafik bar diatas menunjukkan jumlah respondent per profesinya, dan respondent terbanyak berasal dari bidang profesi Finance dan pada bidang profesi Finance respondent Perempuan/Female paling banyak. Terlihat juga respondent dari beberapa profesi hanya berasal dari Laki-laki/Male atau Perempuan/Female saja.

Gender dan Usia

Sebelum menuju pembahasan lebih jauh, mari kita lihat respondent datang dari kalangan usia berapa per kategori gender.

wlb_clean %>% 
  mutate(Usia = as.factor(Usia)) %>% 
  group_by(Gender, Usia) %>% 
  tally() %>%
  arrange(Usia) %>% 
  hchart("column",
         hcaes(Usia, n,
         group = Gender),
         stacking = "normal") %>% 
  hc_tooltip(crossHairs = TRUE,
             borderWidth = 3.5,
             table = TRUE) %>% 
  hc_title(text = "Usia Respondent Berdasarkan Gender",
           style = list(fontWeight = "bold"),
           align = "center") %>% 
  hc_yAxis(title = list(text = "Total Respondent")) %>% 
  hc_colors(c("#0e469a",
              "#6db6d9")) %>% 
  hc_legend(enabled = TRUE) %>% 
  hc_add_theme(hc_theme_ffx())

Grafik bar diatas dapat disimpulkan bahwa rerata umur respondent adalah karyawan berumur 25 tahun dan rentang usia respondent bergender Perempuan/Female lebih banyak dibanding gender Laki-laki/Male.