Analisis Faktor yang Memengaruhi Burnout Karyawan Menggunakan Regresi Logistik Biner pada  Data Employee Mental Health

Shynde Limar Kinanti; Ardania Meilaningrum

doi:10.69693/ijim.v4i3.2092

Authors

Shynde Limar Kinanti Universitas Bina Sarana Informatika
Ardania Meilaningrum Universitas Bina Sarana Informatika

DOI:

https://doi.org/10.69693/ijim.v4i3.2092

Keywords:

regresi logistik biner, burnout, burnout karyawan, evaluasi model, kesehatan mental

Abstract

Kelelahan kerja atau burnout telah menjadi salah satu permasalahan utama di kalangan karyawan karena beban kerja yang tinggi serta stres yang berkepanjangan. Kondisi ini berdampak pada penurunan kesejahteraan psikologis, kesehatan kerja sekaligus kualitas pekerjaan. Penelitian ini bertujuan untuk mengembangkan model prediksi burnout, mengidentifikasi faktor-faktor yang berpengaruh signifikan terhadap burnout, serta mengevaluasi kemampuan model dalam mengklasifikasikan karyawan yang berisiko mengalami risiko burnout. Data sekunder digunakan sebagai data awal untuk analisis menggunakan metode terpilih yaitu Regresi Logistik Biner. Hasilnya menunjukkan bahwa dari 13 variabel yang dianalisis, terdapat lima variabel yang berpengaruh signifikan terhadap burnout seperti jam kerja per minggu, jam lembur dan durasi penggunaan layar yang berpengaruh positif, sedangkan durasi tidur serta aktivitas fisik berpengaruh negatif terhadap peluang terjadinya burnout. Evaluasi model menunjukkan diskriminasi yang baik (AUC = 0,7909) sehingga model mampu membedakan karyawan yang berisiko mengalami burnout dan yang tidak setelah penggunaan threshold optimum baru senilai 0,1307. Temuan ini menunjukkan bahwa identifikasi faktor penyebab burnout karyawan dapat membantu organisasi untuk menyusun strategi intervensi guna meningkatkan kesehatan kerja pada karyawan

Downloads

Download data is not yet available.

References

Agresti, A. 2018. An Introduction to Categorical Data Analysis. 3rd ed. Hoboken, NJ: John Wiley & Sons.

Demerouti, E. 2024. Burnout: A Comprehensive Review. Zeitschrift für Arbeitswissenschaft. 78(4): 492–504. https://doi.org/10.1007/s41449-024-00452-3

Emmanuel, T., Mpoeleng, D., Semong, B., Maupong, T. & Tabona, O. 2021. A Survey on Missing Data in Machine Learning. Journal of Big Data. 8(1): Article 140. https://doi.org/10.1186/s40537-021-00516-9

Fan, C., Chen, M., Wang, X., Wang, J. & Huang, B. 2021. A Review on Data Preprocessing Techniques Toward Efficient and Reliable Knowledge Discovery From Building Operational Data. Frontiers in Energy Research. 9: Article 652801. https://doi.org/10.3389/fenrg.2021.652801

Fan, T. & Nazemi, E. 2023. Introducing Effective Parameters for Predicting Job Burnout Using a Self-Organizing Method Based on Group Method of Data Handling Neural Network. PLOS ONE. 18(11). https://doi.org/10.1371/journal.pone.0290267

Fawcett, T. 2006. An Introduction to ROC Analysis. Pattern Recognition Letters. 27(8): 861–874. https://doi.org/10.1016/j.patrec.2005.10.010

Fox, J. & Weisberg, S. 2019. An R Companion to Applied Regression. 3rd ed. Thousand Oaks, CA: Sage Publications.

Géron, A. 2022. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. 3rd ed. Sebastopol, CA: O'Reilly Media.

Guo, X., et al. 2024. Effects of Job Crafting and Leisure Crafting on Nurses' Burnout: A Machine Learning-Based Prediction Analysis. Journal of Nursing Management. 2024: Article 9428519. https://doi.org/10.1155/2024/9428519

Hiola, Y.P., Maulina, M., Indahwati & Alamudi, A. 2025. Performance Evaluation of Multinomial Logistic Regression, Random Forest, and XGBoost Methods in Data Classification. Journal of Mathematics, Computations, and Statistics. 8(2): 355–373. https://doi.org/10.35580/jmathcos.v8i2.8459

Hosmer, D.W., Lemeshow, S. & Sturdivant, R.X. 2013. Applied Logistic Regression. 3rd ed. Hoboken, NJ: John Wiley & Sons.

James, G., Witten, D., Hastie, T., Tibshirani, R. & Taylor, J. 2023. An Introduction to Statistical Learning with Applications in Python. Cham: Springer. https://doi.org/10.1007/978-3-031-38747-0

Liu, C., et al. 2025. Machine-Learning-Based Model for Analysing and Accurately Predicting Factors Related to Burnout in Healthcare Workers. BMJ Public Health. 3(2): e000777. https://doi.org/10.1136/bmjph-2023-000777

Sammut, C. & Webb, G.I. (Eds.). 2017. Encyclopedia of Machine Learning and Data Mining. 2nd ed. Boston, MA: Springer.

Shi, H., et al. 2025. Machine Learning for Predicting Burnout Among Healthcare Workers: A Systematic Review and Meta-Analysis. Contemporary Nurse. https://doi.org/10.1080/10376178.2025.2593294