| # 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 | |
| ```python | |
| 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. |