PERBANDINGAN MODEL KLASIFIKASI UNTUK WFO DAN WFH
TERHADAP KESEHATAN MENTAL KARYAWAN

Oleh :
Adnan Darwanto
9882405221111001

Perkembangan teknologi dan perubahan dalam dunia kerja telah mendorong
munculnya berbagai model pekerjaan, terutama Work From Home (WFH) dan
Work From Office (WFO). Meskipun WFH memberikan fleksibilitas yang tinggi,
model ini dapat menyebabkan isolasi sosial dan kesulitan komunikasi yang
berdampak pada kesehatan mental karyawan. Sebaliknya, WFO memungkinkan
interaksi sosial yang lebih intens, namun dapat meningkatkan stres akibat tekanan
lingkungan kerja dan rutinitas perjalanan. Oleh karena itu, penelitian ini bertujuan
untuk menganalisis pengaruh model kerja WFO dan WFH terhadap kesehatan
mental karyawan serta membandingkan performa tiga model klasifikasi, yaitu
Support Vector Machine (SVM), Random Forest, dan Naive Bayes, dalam
mengklasifikasikan kondisi kesehatan mental berdasarkan pola kerja karyawan.
Penelitian ini menggunakan dataset yang diperoleh dari Kaggle, yang berisi data
kesehatan mental karyawan dengan atribut terkait pola kerja mereka. Data
dianalisis menggunakan tiga algoritma klasifikasi utama: SVM, Random Forest,
dan Naive Bayes. Evaluasi model dilakukan berdasarkan metrik akurasi, precision,
recall, dan f1-score untuk menentukan algoritma yang paling efektif dalam
memprediksi dampak model kerja terhadap kesehatan mental.
Hasil penelitian menunjukkan bahwa model Random Forest memberikan
performa yang paling seimbang dengan akurasi sebesar 71,43%, recall tinggi untuk
kelas WFO (97%), namun rendah untuk kelas WFH (13%). Sementara itu, SVM
menunjukkan akurasi yang lebih tinggi (79,66%), dengan recall yang lebih baik

untuk kelas WFH (89%) dibandingkan WFO (70%), yang mengindikasikan
efektivitasnya dalam mengidentifikasi pola WFH. Naive Bayes memiliki akurasi
yang lebih rendah (63,56%) dan memberikan hasil yang kurang optimal
dibandingkan dengan dua model lainnya. Dengan demikian, meskipun Random
Forest memiliki akurasi yang sedikit lebih rendah dibandingkan dengan SVM,
model ini menunjukkan stabilitas yang lebih baik dalam menangani data yang tidak
seimbang dan variabel yang kompleks.
Penelitian ini diharapkan dapat memberikan wawasan bagi perusahaan
dalam menentukan kebijakan kerja yang lebih optimal guna meningkatkan
kesejahteraan mental karyawan. Selain itu, hasil penelitian ini juga berkontribusi
dalam pengembangan pendekatan berbasis data untuk menganalisis kesehatan
mental karyawan dalam berbagai model kerja.
Kata Kunci: Kesehatan Mental, Work From Home, Work From Office, Machine
Learning, Klasifikasi