| # 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` | |