README.md

Synthetic UMKM Dataset Documentation

Ringkasan

Dataset ini adalah data sintetis yang meniru karakteristik operasional UMKM secara realistis pada level bulanan. Dataset dirancang untuk eksplorasi data, pemodelan machine learning, simulasi bisnis, dan analisis sentimen pada ulasan pelanggan.

Tujuan Dataset

Dataset memodelkan keterkaitan metrik inti UMKM dalam satu kerangka yang konsisten:

• Skala bisnis: pendapatan dan volume transaksi
• Efisiensi operasional: burn rate dan margin laba
• Kualitas layanan: rating, volatility review, dan latency
• Maturitas usaha: lama operasional
• Retensi pelanggan: repeat order rate
• Kematangan digital: digital adoption score
• Tekanan pasar: competitiveness lokasi
• Persepsi pelanggan: sentiment score dari teks ulasan

Struktur Kolom

Fitur	Tipe Data	Skala/Satuan	Deskripsi Teknis
ID	Integer	Bilangan bulat	Identitas unik setiap baris data.
Monthly_Revenue	Integer	IDR	Total nilai penjualan bulanan.
Net_Profit_Margin (%)	Float	Persentase (%)	Rasio laba bersih terhadap pendapatan.
Burn_Rate_Ratio	Float	Rasio	Pengeluaran operasional dibanding pendapatan (> 1.0 cenderung defisit).
Transaction_Count	Integer	Frekuensi	Jumlah transaksi unik dalam periode observasi.
Avg_Historical_Rating	Float	Skala 1-5	Rata-rata skor penilaian pelanggan.
Review_Text	String	Teks	Ulasan pelanggan sintetis untuk kebutuhan NLP.
Review_Volatility	Float	Indeks	Fluktuasi kualitas layanan/ulasan.
Business_Tenure_Months	Integer	Bulan	Lama usaha beroperasi.
Repeat_Order_Rate (%)	Float	Persentase (%)	Proporsi repeat order pelanggan.
Digital_Adoption_Score	Float	Skala 1-10	Tingkat adopsi kanal dan proses digital.
Peak_Hour_Latency	Categorical	Low/Med/High	Kualitas layanan saat jam sibuk.
Location_Competitiveness	Integer	Jumlah	Kerapatan kompetitor di area yang sama.
Sentiment_Score	Float	-1.0 s/d 1.0	Skor sentimen hasil konversi Review_Text.
Class	Categorical	Elite/Growth/Struggling/Critical	Variabel target kelas bisnis.

Logika Sintesis Data

Generator tidak mengacak nilai secara independen, tetapi mengikuti logika operasional berikut:

1. Bangkitkan faktor dasar: Business_Tenure_Months dan Location_Competitiveness.
2. Turunkan Digital_Adoption_Score dari maturitas bisnis dengan noise.
3. Bentuk Transaction_Count dari maturitas, adopsi digital, dan kompetisi.
4. Hitung Monthly_Revenue dari Transaction_Count x AOV lognormal + noise musiman.
5. Turunkan Peak_Hour_Latency dari tekanan transaksi, adopsi digital, dan kompetisi.
6. Bentuk Burn_Rate_Ratio dari kompetisi, latency, adopsi digital, dan noise.
7. Hitung Net_Profit_Margin (%) dengan hubungan terbalik terhadap burn rate.
8. Bentuk Repeat_Order_Rate (%) dari digital adoption, tenure, kompetisi, dan noise.
9. Turunkan Review_Volatility dari latency dan kondisi burn rate.
10. Bentuk Avg_Historical_Rating dari sinyal kualitas operasional.
11. Generate Review_Text yang konsisten dengan rating, volatility, dan latency.
12. Konversi Review_Text menjadi Sentiment_Score berbasis keyword.
13. Klasifikasikan Class menggunakan threshold persentil agar distribusi kelas lebih seimbang.

Logika Variabel Target Class

Label target dibentuk secara rule-based dengan prioritas kondisi dan threshold persentil:

• Elite: kombinasi margin tinggi, burn rate rendah, repeat order tinggi, dan rating tinggi.
• Struggling: sinyal profitabilitas melemah dan/atau kualitas layanan menurun.
• Critical: kondisi risiko tinggi (burn rate ekstrem, usaha sangat baru di pasar kompetitif, atau kombinasi rugi berat + rating rendah).
• Growth: kondisi default di luar tiga kondisi ekstrem di atas.

Karakteristik Realisme

• Distribusi finansial menggunakan lognormal agar mengikuti pola skew data ekonomi nyata.
• Antarvariabel dibangun saling terkait (bukan random independent).
• Terdapat noise terkontrol untuk menghindari data terlalu sempurna.
• Ada post-adjustment untuk bisnis dengan burn rate sangat tinggi agar rating dan repeat order tetap masuk akal.

Contoh Use Case

• EDA: analisis distribusi pendapatan, margin, burn rate, dan segmentasi kelas bisnis.
• ML klasifikasi: prediksi Class.
• ML regresi: prediksi Net_Profit_Margin (%).
• NLP: analisis sentimen pada Review_Text dan validasi terhadap Sentiment_Score.

Batasan Dataset

• Dataset ini bukan data riil dan tidak merepresentasikan entitas bisnis spesifik.
• Hubungan antarvariabel adalah asumsi desain generator.
• Tidak ditujukan untuk inferensi kausal kebijakan nyata tanpa kalibrasi ke data empiris.
• Review_Text bersifat template-based, bukan percakapan pengguna asli.

Panduan Pemakaian Cepat

import pandas as pd

df = pd.read_csv("synthetic_umkm_data.csv")
print(df.shape)
print(df.head())
print(df["Class"].value_counts())

Reproducibility

Generator menggunakan seed tetap (SEED = 42) sehingga data dapat direproduksi selama parameter generator tidak diubah.