synthetic-data-generator

Synthetic Data Generator (Digital Twin Simulator)

Overview

Skill ini memberikan agen kemampuan untuk bertindak sebagai Simulator Responden (Digital Twin Simulator) dalam penelitian. Agen akan mengadopsi persona (digital twin) berdasarkan parameter profil yang ditentukan dan merespons instrumen penelitian (kuisioner, skala Likert, pertanyaan wawancara terbuka) layaknya responden manusia sesungguhnya.

Selain menghasilkan data secara offline ke file CSV/JSON, skill ini juga mendukung Active Participant Simulator, yaitu kemampuan untuk mengotomatisasi pengisian kuesioner online nyata (seperti Google Forms, Typeform, dll.) melalui browser menggunakan integrasi MCP server chrome-devtools.

Dependencies

• Modul Python standar (untuk pembuatan data offline skala besar).
• MCP Server chrome-devtools (untuk pengisian kuesioner online via browser).
• Zero-Failure Auto-Provisioning Rule: Jika chrome-devtools belum aktif/terpasang saat pengisian kuesioner online, agen DILARANG menjawab "not installed". Agen WAJIB otomatis mengeksekusi pemicuan langsung on-demand: npx -y chrome-devtools-mcp@latest atau py bin/mcp_auto_updater.py.

Quick Start

Contoh penggunaan:

1. Offline: "Gunakan skill synthetic-data-generator untuk membuat dataset survei sintetis berisi 100 responden dengan profil demografi mahasiswa tingkat akhir dan respon terhadap kepuasan layanan bimbingan online."
2. Online: "Gunakan skill synthetic-data-generator untuk mensimulasikan 5 digital twin mengisi Google Form di URL https://forms.gle/xxxxx dengan profil pelaku UMKM digital."

Workflow

1. Inisialisasi Instrumen dan Profil

• Instrumen: Pahami struktur instrumen penelitian yang digunakan. Apakah ini kuantitatif (skala 1-5) atau kualitatif (jawaban naratif)?
• Profil Demografi/Psikografi: Pahami distribusi sampel target. Contoh: "Buat 300 data dengan distribusi 60% pria, 40% wanita, usia 18-35 tahun, tingkat skeptisisme teknologi tinggi-sedang."

2. Strategi Prompting Persona (LLM Adoption)

Untuk memastikan data tidak seragam dan memiliki varians yang realistis:

• Gunakan teknik System Prompt dinamis yang menyuntikkan sifat (traits) acak pada tiap iterasi responden.
• Terapkan Temperature yang cukup (misalnya 0.7 - 0.9) agar jawaban tidak deterministik.
• Konsistensi Logis: Pastikan jawaban antar item pertanyaan (terutama yang saling berkorelasi atau reversed item) konsisten dengan persona yang sedang dianut.
• Attention Checks: Jika diminta, sisipkan jawaban "jebakan" atau anomali wajar (misal: responden yang menjawab asal-asalan) dengan probabilitas kecil (misal 5%) untuk mensimulasikan noise dunia nyata.

3. Eksekusi Batch via Python (Wajib untuk Skala Besar Offline)

Memanggil LLM satu per satu untuk ratusan responden sangat tidak efisien secara token dan waktu. Jika N > 10 dan dijalankan secara offline, WAJIB buat script Python yang memanfaatkan Batch Prompting.

Panduan Alur Script Python:

1. Buat prompt instruksi terpusat: "Hasilkan 50 baris data berformat CSV. Setiap baris mewakili 1 responden unik. Kolom terdiri dari: Demografi, Q1, Q2, Q3 (skala 1-5) dan Opini (teks/kualitatif). Pastikan keragaman sesuai distribusi: [PROFIL_TARGET]. Output HANYA dalam format CSV valid tanpa markdown."
2. Gunakan loop di Python untuk memanggil LLM (misalnya melalui google-genai atau endpoint LLM yang relevan) sebanyak N/50 kali.
3. Parsing string CSV hasil generate ke dalam struktur data (seperti pandas.DataFrame).
4. Gabungkan semua batch dan bersihkan baris yang error/malformed.
5. Simpan DataFrame akhir ke synthetic_dataset.csv.

4. Pengisian Kuesioner Online (Active Participant Simulator)

Jika pengguna meminta untuk mengisi kuesioner online seperti Google Forms:

1. Analisis Halaman (Form Mapping): Hubungkan ke server chrome-devtools dan arahkan browser ke URL kuesioner menggunakan puppeteer_navigate. Identifikasi tipe pertanyaan (text input, radio button, checkbox) menggunakan puppeteer_evaluate.
2. Batching Responden: Untuk setiap digital twin (misal N responden):
   • Hasilkan profil jawaban responden secara internal (dalam format JSON/Key-Value).
   • Temukan elemen input yang cocok dengan pertanyaan.
   • Simulasi Input Manusia:
     • Untuk pilihan ganda/skala Likert, gunakan puppeteer_click pada radio button yang sesuai.
     • Untuk isian teks, gunakan puppeteer_type untuk mengetik jawaban secara natural.
     • Tambahkan jeda waktu acak (human-like delay) antara 1,5 hingga 3 detik sebelum mengklik tombol kirim/berikutnya untuk meniru perilaku manusia dan menghindari deteksi anti-bot.
   • Klik tombol "Kirim" / "Submit" menggunakan puppeteer_click.
   • Ambil screenshot halaman sukses pengisian (puppeteer_screenshot) sebagai bukti validasi.
   • Jika ingin mengisi responden berikutnya, klik tautan "Kirim tanggapan lain" / "Submit another response" untuk memuat form baru.

5. Validasi Akhir dan Serah Terima

• Offline: Lakukan describe() sederhana via script untuk memastikan nilai Likert berada pada rentang yang valid (contoh: min 1, max 5) dan tidak ada missing value aneh.
• Online: Berikan ringkasan log sukses pengisian (misal: "3/3 Responden berhasil mengisi Google Form") beserta file screenshot bukti pengiriman untuk masing-masing responden.

Common Mistakes & Aturan Kritis

• Data Terlalu Seragam (No Variance): Menghasilkan respon data yang monoton atau tanpa variasi karena menggunakan suhu (temperature) LLM 0 atau sistem instruksi yang terlalu kaku.
• Ketidakkonsistenan Persona: Mengabaikan logika internal dari responden (misalnya, responden yang memiliki profil "gaptek/skeptis teknologi" namun memberikan respon sangat mahir dan antusias terhadap adopsi AI).
• Format File Rusak (Malformed CSV): Menyimpan output dalam format CSV yang tidak valid sehingga gagal dibaca oleh agen pengolah data.
• Deteksi Bot pada Form Online: Mengisi form terlalu cepat tanpa jeda waktu, yang memicu munculnya CAPTCHA. Selalu gunakan penundaan dinamis (randomized delay) saat meniru input manusia.