File size: 5,038 Bytes
2a7ff14 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 | # Remote Workforce Health Index - Synthetic Dataset
Dataset ini adalah data sintetis untuk analisis kesejahteraan kerja karyawan remote/hybrid, dengan fokus pada prediksi risiko burnout.
File utama di folder ini:
- `generate_remote_workforce_synthetic_data.ipynb`: notebook pembangkit data sintetis.
- `work_wellbeing_dataset.csv`: hasil data sintetis (30.000 baris).
## Tujuan Dataset
Dataset dirancang untuk:
- Simulasi data HR/People Analytics tanpa menggunakan data pribadi asli.
- Eksperimen machine learning klasifikasi `Burnout_Risk`.
- Analisis hubungan kausal antar faktor kerja remote seperti jam kerja, intensitas meeting, dan kualitas internet.
## Ringkasan Dataset
- Nama dataset: `Remote Workforce Health Index`
- Jumlah baris: `30000`
- Jumlah kolom: `10`
- Target: `Burnout_Risk` (`Low`, `Medium`, `High`)
## Data Dictionary
| Kolom | Tipe Data | Skala/Atribut | Deskripsi |
| --- | --- | --- | --- |
| `Employee_ID` | Integer | Nominal | ID unik karyawan (inkremental). |
| `Work_Location` | String | Nominal | Lokasi kerja utama: `Home`, `Office`, `Coworking`. |
| `Avg_Working_Hours` | Float | Numerik | Rata-rata jam kerja per hari (rentang dibatasi 6.0-13.0). |
| `Meeting_Intensity` | Integer | Numerik | Rata-rata jam meeting/call per hari (0-10). |
| `Internet_Reliability` | Categorical | Ordinal | Stabilitas koneksi: `Poor`, `Fair`, `Good`, `Excellent`. |
| `Seniority_Level` | Categorical | Ordinal | Level jabatan: `Junior`, `Mid`, `Senior`. |
| `Work_Life_Balance` | Integer | Ordinal | Skor keseimbangan kerja-hidup (1-5). |
| `Daily_Mood_Note` | String | Text | Catatan suasana hati harian untuk kebutuhan NLP. |
| `Sentiment_Score` | Float | Numerik | Skor sentimen pada rentang -1.0 sampai 1.0. |
| `Burnout_Risk` | Categorical | Target | Label risiko burnout: `Low`, `Medium`, `High`. |
## Metode Sintesis Data
Generator menggunakan pendekatan hibrida:
- Rule-based causal generator (aturan sebab-akibat) sebagai fondasi pola utama.
- SDV (`GaussianCopulaSynthesizer`) untuk memperkaya variasi dan hubungan multivariat.
- Post-processing agar data tetap konsisten dengan aturan bisnis setelah sampling.
### Alur Kausal (Causal-Link)
1. Tentukan profil dasar: `Seniority_Level` dan `Work_Location`.
2. Tentukan `Internet_Reliability` berdasarkan `Work_Location`.
3. Bentuk `Meeting_Intensity` dari baseline senioritas + Gaussian noise.
4. Hitung `Avg_Working_Hours` dari baseline jam kerja + pengaruh meeting + bias lokasi.
5. Hitung `Work_Life_Balance` dari penalti jam kerja tinggi, meeting tinggi, dan kualitas internet buruk.
6. Tentukan `Burnout_Risk` dengan kombinasi threshold rules + probabilistic scoring.
7. Turunkan `Sentiment_Score` dari WLB + penyesuaian burnout + kualitas internet + noise.
8. Bentuk `Daily_Mood_Note` dari template berbasis sentimen dengan variasi dari `Faker`.
9. Finalisasi `Employee_ID` secara inkremental.
## Detail Logika yang Diimplementasikan
- Senior cenderung memiliki intensitas meeting lebih tinggi dibanding Mid/Junior.
- `Office` cenderung memiliki internet lebih stabil (`Good`/`Excellent`) dibanding `Home`.
- Jam kerja meningkat seiring intensitas meeting, dengan bias tambahan pada `Home`.
- WLB turun ketika:
- `Avg_Working_Hours` tinggi,
- `Meeting_Intensity` tinggi,
- `Internet_Reliability` rendah (`Poor`/`Fair`).
- Burnout cenderung tinggi pada kombinasi WLB rendah + jam kerja panjang.
- Sentimen berkorelasi positif dengan WLB dan negatif dengan burnout.
## Dependensi
Notebook menggunakan package berikut:
- `pandas`
- `numpy`
- `faker`
- `sdv`
- `pyarrow` (opsional jika menyimpan parquet)
Instalasi sudah disiapkan dalam notebook melalui cell:
```python
%pip install -q pandas numpy faker sdv pyarrow
```
## Cara Menjalankan
1. Buka `generate_remote_workforce_synthetic_data.ipynb`.
2. Jalankan cell dari atas ke bawah secara berurutan.
3. Pastikan semua dependensi terinstal.
4. Setelah selesai, file `work_wellbeing_dataset.csv` akan terbuat/terbarui.
## Quality Checks yang Disediakan di Notebook
Notebook menampilkan cek cepat untuk memvalidasi pola data:
- Proporsi `Burnout_Risk`.
- Rata-rata `Work_Life_Balance` per kategori burnout.
- Rata-rata `Avg_Working_Hours` per kategori burnout.
- Rata-rata `Sentiment_Score` per kategori burnout.
Checks ini membantu memastikan data sintetis masih masuk akal secara bisnis.
## Catatan Penting
- Dataset ini sintetis, bukan data riil karyawan.
- Tidak boleh dianggap sebagai ground truth epidemiologis/psikologis.
- Distribusi dapat sedikit berubah jika parameter generator diubah.
- Reproducibility didukung dengan `SEED = 42` pada notebook.
## Ide Penggunaan
- Klasifikasi burnout (`Low/Medium/High`) dengan model ML.
- Feature importance untuk melihat faktor paling berpengaruh terhadap burnout.
- Eksperimen NLP pada `Daily_Mood_Note` (sentiment, topic, text classification).
- Simulasi intervensi kebijakan kerja (contoh: mengurangi meeting intensity).
## Struktur Folder
- `README.md`
- `generate_remote_workforce_synthetic_data.ipynb`
- `work_wellbeing_dataset.csv`
|