Dataset Deskripsi Usaha dan Klasifikasi Baku Lapangan Usaha Indonesia 5-Digit (KBLI) 2020

Pendahuluan Dataset ini dibuat secara sintetis untuk KBLI menggunakan Generative AI menggunakan chatbot ChatGPT dengan teknik one-shot prompting. Teknik ini digunakan untuk menghasilkan deskripsi usaha berbasis kode KBLI lima digit guna mengatasi keterbatasan data berlabel dan variasi deskripsi usaha yang ada. Dataset yang dihasilkan melalui teknik prompt engineering dan validasi manual menunjukkan bahwa 93,25% deskripsi usaha sesuai dengan standar KBLI yang ditetapkan. Rata-rata deskripsi usaha per kategori menunjukkan distribusi yang cukup merata, menjamin representasi yang cukup pada tiap kode lima digitnya. Dataset ini memberikan kontribusi penting untuk melatih model machine learning pada klasifikasi otomatis deskripsi usaha ke kategori lima digit KBLI. Dataset telah melewati serangkaian proses anotasi, seperti majority voting dari data collector dan anotasi lanjutan berupa penggantian kata, penambahan contoh, dan perbaikan deskripsi usaha untuk setiap 5-digit kode KBLI. Sehingga, menjamin kevalidan deskripsi usaha terhadap 5-digit kode KBLI tetap terjaga. Struktur Dataset Dataset ini terdiri dari atribut text (Deskripsi usaha), label (Kode KBLI 2020 5-digit), dan cleaned_deskripsi (atribut text yang telah melalui serangkaian preprocessing). Jumlah records pada dataset ini sebanyak 58.172 records. Rata-rata jumlah deskripsi usaha pada setiap kode 5-digit KBLI sekitar 27 sampai 42 records. Dataset akan dibagi menjadi 3 struktur file berbeda, antara lain data train, data test, dan data validation. Struktur File clean_test.csv berisikan teks deskripsi usaha, label kode lima digit KBLI, dan teks yang telah dilakukan preprocessing untuk tujuan data testing atau uji pada unseen data pada model machine learning yang digunakan. Data testing yang digunakan sebanyak 11.635 records dari pasangan deskripsi usaha dan kode KBLI 5-digit yang bersesuaian. clean_train.csv berisikan teks deskripsi usaha, label kode lima digit KBLI, dan teks yang telah dilakukan preprocessing untuk tujuan data training pada model machine learning yang digunakan. Data training yang digunakan sebanyak 34.902 records dari pasangan deskripsi usaha dan kode KBLI 5-digit yang bersesuaian. clean_val.csv berisikan teks deskripsi usaha, label kode lima digit KBLI, dan teks yang telah dilakukan preprocessing untuk tujuan data validation pada model machine learning yang digunakan. Data validation yang digunakan sebanyak 11.635 records dari pasangan deskripsi usaha dan kode KBLI 5-digit yang bersesuaian. Lisensi dan Sitasi Dataset ini tersedia di bawah lisensi Creative Commons Attribution 4.0 International (CC-BY 4.0). Jika Anda menggunakan dataset ini dalam riset atau pekerjaan Anda, mohon untuk memberikan sitasi yang sesuai.