ZakyF/Work-Wellbeing

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:

%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