Baru Jelajahi project AI & Machine Learning siap pakai lengkap dengan full source code dan tutorial instalasi!
Beranda Katalog Project Tentang Kami Kontak Kami
Prediksi Potensi Keberhasilan Penjualan Buku Sebelum Peluncuran Berbasis Machine Learning
Prediksi Potensi Keberhasilan Penjualan Buku Sebelum Peluncuran Berbasis Machine Learning
Machine Learning Tingkat: Intermediate Versi 1.0.0 5 Dilihat
5.0 (0 ulasan)

Prediksi Potensi Keberhasilan Penjualan Buku Sebelum Peluncuran Berbasis Machine Learning

Teknologi: Python Flask JavaScript Tailwind CSS XGBoost Scikit-Learn Pandas NumPy Joblib CatBoost LightGBM SciPy SHAP Random Forest Jupyter Notebook Matplotlib Seaborn HTML5 Logistic Regression Explainable AI (XAI) Brier Score Calibration 3-Tier Commercial Risk Scoring
Video Demonstrasi Project TikTok Demo

Demo & Pengujian Sistem: Prediksi Potensi Keberhasilan Penjualan Buku Sebelum Peluncuran Berbasis Machine Learning

Tonton di TikTok

Video di atas mendemonstrasikan implementasi antarmuka, inference model, dan workflow end-to-end dari project Prediksi Potensi Keberhasilan Penjualan Buku Sebelum Peluncuran Berbasis Machine Learning via TikTok.

Overview & Cara Kerja

Latar Belakang Masalah

Industri penerbitan buku komersial global merupakan sektor ekonomi kreatif padat modal dengan karakteristik ketidakpastian pasar yang sangat tinggi. Setiap tahunnya, puluhan ribu judul buku baru diluncurkan oleh penerbit besar (Big Five), penerbit menengah (Mid-size), penerbit independen (Indie press), maupun penulis mandiri (Self-published). Namun, industri ini menghadapi realitas ekonomi asimetris yang tajam:

  1. Dominasi Hukum Pangkat (Power-Law / Pareto Distribution): Kurang dari 10% dari total judul yang diterbitkan berhasil menembus status penjualan terlaris (bestseller). Judul-judul minoritas inilah yang menopang profitabilitas seluruh operasional penerbit, sementara 90% judul lainnya beroperasi pada titik impas (break-even) atau bahkan merugi.
  2. Dilema Alokasi Biaya Cetak Awal (Initial Print Run Dilemma): Penerbit harus menentukan kuota oplah cetak fisik pertama berminggu-minggu sebelum buku didistribusikan ke rak toko buku. Menetapkan oplah terlalu tinggi pada naskah yang kurang diminati menyebabkan penumpukan inventaris mati (dead stock), biaya pergudangan tinggi, dan kerugian finansial akibat pemusnahan buku (pulping). Sebaliknya, mencetak terlalu sedikit pada calon buku bestseller menyebabkan kehabisan stok saat momentum peluncuran sedang tinggi (lost sales opportunity).
  3. Ketidaktepatan Alokasi Anggaran Pemasaran (Marketing Inefficiency): Kampanye pemasaran pra-rilis (iklan media, kiriman naskah awal kepada pembaca pengulas, promosi media sosial) kerap dialokasikan secara seragam atau berdasarkan preferensi intuisi subjektif editor, tanpa model analitik yang mampu menilai efisiensi konversi modal terhadap potensi penjualan aktual.
  4. Masalah Ketidakseimbangan Kelas Ekstrem (Severe Class Imbalance): Dengan rasio buku bestseller hanya 10% berbanding 90% non-bestseller, model evaluasi konvensional rentan terhadap accuracy paradox, di mana model dapat tampak "akurat" hanya dengan menebak semua buku sebagai bukan bestseller, namun gagal total dalam fungsi penyaringan bisnis sesungguhnya.
Solusi & Nilai Tambah Sistem

Produk ini menghadirkan sistem peramalan kecerdasan buatan terpadu (Litera Metrics: Pre-Launch Bestseller Screening and Commercial Risk Scoring) yang dirancang untuk memitigasi risiko komersial penerbitan secara presisi sebelum komitmen cetak modal dilakukan:

  1. Protokol Ketat Anti-Kebocoran Data (Strict Target Leakage Isolation): Sistem memisahkan secara mutlak antara atribut pra-peluncuran (launch features) dengan atribut hasil pasca-rilis (outcome features). Metrik masa depan seperti angka penjualan seumur hidup (copies_sold_k), jumlah rating pembaca Goodreads (goodreads_ratings_k), dan rata-rata rating pembaca (avg_score) disingkirkan dari ruang fitur pelatihan untuk menjamin keabsahan prediksi saat naskah belum diluncurkan.
  2. Rekayasa Fitur Domain Industri Penerbitan (Domain Feature Engineering): Mengembangkan variabel interaksi bisnis krusial, antara lain efisiensi modal pemasaran per pesanan awal (marketing_per_preorder), rasio pesanan awal terhadap pengikut penulis (preorders_per_follower), rasio harga per halaman (price_per_page), rasio sensasi terhadap kualitas naskah (hype_to_quality_ratio), serta jangkauan pemasaran logaritmik terpadu (total_marketing_reach).
  3. Benchmarking Komparatif 6 Algoritma (5-Fold Stratified CV): Mengevaluasi performa 6 algoritma (Dummy Baseline, Logistic Regression, Random Forest, XGBoost, LightGBM, dan CatBoost) dengan fokus penalti pada kurva presisi-recall (PR-AUC) dan kualitas kalibrasi probabilitas (Brier Score Loss).
  4. Optimasi Hiperparameter Terarah via RandomizedSearchCV: Melakukan penyetelan hiperparameter pada algoritma LightGBM (150 kombinasi fit) dengan metrik objektif average_precision, menghasilkan model teroptimasi dengan skor PR-AUC 0.7741 (hampir 8x lipat di atas acuan acak 0.1000) dan ROC-AUC 0.9611 pada himpunan data uji independen ($N = 1.600$).
  5. Kalibrasi Probabilitas Prima (Brier Score 0.0702): Nilai Brier Score yang mendekati nol memastikan bahwa angka probabilitas yang dihasilkan model mencerminkan frekuensi empiris sesungguhnya di pasar, bukan sekadar skor peringkat sembarangan.
  6. Sistem Skoring Risiko Komersial Tiga Tingkat (3-Tier Risk Scoring):
    • Tier 1 - High Potential ($P \ge 0.60$): Buku berpeluang sukses sangat tinggi dengan hit rate empiris mencapai 54.58% (lebih dari 5x lipat rata-rata populasi). Rekomendasi: cetak skala penuh, amankan display toko buku fisik premier, dan maksimalkan kampanye media nasional.
    • Tier 2 - Moderate Contender ($0.25 \le P < 0.60$): Buku dengan potensi moderat (hit rate 10.74%). Rekomendasi: oplah cetak seimbang dan evaluasi kecepatan jual 14 hari pertama sebelum cetak ulang.
    • Tier 3 - Low Potential ($P < 0.25$): Risiko tinggi over-printing (hit rate hanya 1.07%). Rekomendasi: model cetak sesuai permintaan (print-on-demand) atau oplah konservatif.
  7. Explainable AI (XAI) Menggunakan SHAP TreeExplainer: Membuka mekanisme keputusan algoritma melalui visualisasi global (Beeswarm Plot) dan penjelasan lokal individual (Waterfall Plot), memperlihatkan atribut mana yang mendorong atau menghambat potensi bestseller suatu naskah.
  8. Dashboard Web Interaktif Flask-Tailwind & RESTful API: Aplikasi web responsif dengan tipografi elegan bernuansa editorial luxury, formulir 15 input naskah, tombol preset uji kasus instan (Big Five Thriller, Mid-size Historical, Indie Press, dan Self-published Business), serta endpoint REST API JSON /api/predict.
Fitur Utama Platform
  • Kalkulator Probabilitas Bestseller Manuskrip: Menganalisis 15 parameter peluncuran naskah secara instan dan mengembalikan estimasi probabilitas kesuksesan presisi hingga dua desimal.
  • Klasifikasi Status Keputusan Berbasis Ambang Batas Teroptimasi: Menentukan status manuskrip (Potensi Bestseller Top 10% vs Reguler / Non-Bestseller) menggunakan ambang batas keputusan optimal $\tau^* = 0.805$ yang memaksimalkan F1-Score (0.7378).
  • 3-Tier Commercial Risk Scoring Badge & Action Plan: Menyajikan label tingkatan risiko komersial (Tier 1, Tier 2, atau Tier 3) lengkap dengan panduan rencana aksi manajerial untuk departemen editorial dan pemasaran.
  • Diagnostik Sinyal Faktor Kunci (Key Drivers Assessment): Menguraikan faktor pendorong positif (misal: pesanan awal $>6.000$, dukungan jaringan Big Five, ulasan awal $>4.30$) dan faktor pendorong negatif (misal: format mandiri, rating awal rendah, anggaran promosi minim).
  • Preset Studi Kasus 1-Klik: Tombol instan untuk memuat skenario naskah riil (Big Five Bestseller, Mid-size Contender, dan Self-published Low Potential) untuk demonstrasi sidang atau evaluasi cepat.
  • RESTful JSON API Terstandarisasi: Endpoint HTTP POST /api/predict yang siap diintegrasikan ke sistem ERP penerbitan, platform submisi naskah digital, atau portal analitik editorial.
  • Rangkaian Automated Testing (Unittest): Berkas pengujian otomatis (tests/test_app.py) yang menguji keabsahan transformasi fitur, pemuatan model serialisasi, logika klasifikasi tier risiko, dan stabilitas endpoint web.

Fitur Utama Project

Source Code Lengkap & Terstruktur (Clean Architecture)
Dokumentasi Teknis & Pembahasan Lengkap
Backend Service & RESTful API Siap Pakai
Antarmuka Web Modern, Responsif, & Interaktif
Training Notebook Pipeline & Dependency Setup
Pretrained Model Weights & Paket Berkas ZIP Lengkap

Arsitektur & Pipeline Sistem

Alur data interaktif dari input request hingga hasil pemrosesan sistem:

6 Tahap Pipeline
1 DATA INGESTION

Audit Integritas & Eksplorasi Dataset 8.000 Judul Buku

Penyerapan dataset komprehensif 8.000 judul buku dengan 21 atribut, verifikasi ketiadaan nilai hilang (*zero missing values*), dan audit rasio kelas target ketimpangan 1:9 (10% bestseller vs 90% buku reguler).

dataset/book_bestsellers.csv | 8.000 Baris x 21 Kolom | 10% Bestseller Rate
2 LEAKAGE ISOLATION

Isolasi Ketat Kebocoran Target & Pemisahan Fitur Peluncuran

Menyingkirkan atribut pasca-rilis (copies_sold_k, goodreads_ratings_k, avg_rating, bestseller) dari matriks pelatihan untuk mencegah target leakage dan menjamin keabsahan prediksi pra-peluncuran.

Target: bestseller | 15 Fitur Peluncuran Valid | Strict Isolation Protocol
3 DOMAIN FEATURE ENGINEERING

Rekayasa Fitur Rasio Pemasaran & Interaksi Industri Penerbitan

Ekstraksi fitur domain penerbitan melalui custom transformer PreLaunchFeatureEngineer: efisiensi marketing per preorder, preorder per follower, harga per halaman, rasio sensasi terhadap kualitas, dan jangkauan pemasaran logaritmik.

PreLaunchFeatureEngineer | StandardScaler | OneHotEncoder | 25 Fitur Transformasi
4 MULTIMODEL BENCHMARK

Benchmarking 6 Model Klasifikasi pada 5-Fold Stratified CV

Komparasi multi-algoritma terstratifikasi (Dummy Baseline, Logistic Regression, Random Forest, XGBoost, LightGBM, CatBoost) dengan evaluasi metrik berfokus ketidakseimbangan kelas (PR-AUC, ROC-AUC, Brier Score).

5-Fold Stratified CV | CatBoost PR-AUC 0.7761 | LightGBM PR-AUC 0.7567
5 FINE-TUNING & CALIBRATION

Optimasi Hiperparameter LightGBM & Kalibrasi Probabilitas Brier Score

Penyetelan RandomizedSearchCV 150 fits pada LightGBM menghasilkan Test PR-AUC 0.7741, ROC-AUC 0.9611, dan kalibrasi probabilitas Brier Score 0.0702 pada 1.600 sampel data uji independen.

RandomizedSearchCV | Test ROC-AUC 0.9611 | Test PR-AUC 0.7741 | Brier Score 0.0702
6 XAI & RISK SCORING WEB

Sistem Skoring Risiko Komersial 3-Tier, XAI SHAP & Web Dashboard Flask

Integrasi pipeline produksi ke server Flask-Tailwind modern dengan skoring risiko 3-Tier (Hit Rate 54.58% pada Tier 1), interpretasi SHAP TreeExplainer, analisis faktor pendorong, dan RESTful API JSON.

3-Tier Risk Engine | SHAP TreeExplainer | Flask Server | RESTful API
Source Repository

Struktur Berkas & Repositori

Hierarki folder dan berkas yang disertakan dalam paket proyek ini:

30 Berkas Proyek 7 Folder Utama Paket ZIP 261.32 KB
events.out.tfevents 10.62 KB
tfevents Pratinjau
catboost_training.json 19.46 KB
learn_error.tsv 3.2 KB
Dataset Pratinjau
time_left.tsv 2.15 KB
Dataset Pratinjau
book_bestsellers.csv 897.76 KB
Dataset Pratinjau
datasheet.md 1.91 KB
markdown Pratinjau
README.md 3.47 KB
markdown Pratinjau
01_target_distribution.png 30.46 KB
02_publisher_genre_analysis.png 94.85 KB
03_bivariate_continuous_features.png 84.42 KB
04_correlation_matrix.png 130.33 KB
05_model_benchmark_comparison.png 85.54 KB
06_evaluation_diagnostic_panels.png 194.57 KB
07_threshold_tuning_and_confusion_matrix.png 111.32 KB
08_shap_beeswarm_summary.png 170.62 KB
09_shap_dependence_interactions.png 151.83 KB
10_shap_waterfall_kasus_1.png 100.22 KB
10_shap_waterfall_kasus_2.png 104.02 KB
10_shap_waterfall_kasus_3.png 104.94 KB
bestseller_screening_pipeline.joblib 357.74 KB
AI Model Pratinjau
model_metadata.json 1.91 KB
hero_books.jpg 706.22 KB
hero_books.png 706.22 KB
index.html 56.34 KB
test_app.py 4.84 KB
app.py 9.77 KB
bestseller_screening_risk_scoring.ipynb 1.85 MB
Notebook Pratinjau
requirements.txt 676 B

dataset.zip

Arsip paket ZIP lengkap berisi 100% seluruh berkas di atas siap dijalankan.

Beli untuk Unduh ZIP

Kebutuhan Sistem & Spesifikasi

Spesifikasi minimum perangkat untuk menjalankan project ini dengan lancar:

Spesifikasi Rekomendasi
Sistem Operasi
Windows 10/11, macOS Monterey+, atau Linux (Ubuntu 20.04/22.04 LTS)

Cross-platform compatible

Runtime & Bahasa
Python 3.10.x atau 3.11.x (Disarankan menggunakan virtual environment)

Lingkungan kerja teruji

Memori (RAM)
4 GB RAM minimum (Disarankan 8 GB RAM untuk kelancaran eksekusi notebook analitik & kalkulasi SHAP)

Optimal untuk running service

Penyimpanan
500 MB ruang disk kosong untuk dataset, artefak model joblib, visualisasi figures, dan file aplikasi web

Untuk berkas & dependensi

Pertanyaan yang Sering Diajukan (FAQ)

Jawaban ringkas terkait lisensi, akses file unduhan, dan panduan instalasi:

Bagaimana cara mendapatkan source code setelah pembayaran?

Segera setelah pembayaran lunas (PAID), berkas ZIP project dapat langsung diunduh secara instan dari halaman ini atau menu Dashboard > Pembelian & Unduhan. Salinan bukti invoice transaksi dan tautan akses juga dikirim otomatis ke alamat email Anda.

Apakah ada panduan instalasi dan dokumentasi teknis?

Ya! Setiap project di Devilda Projects menyertakan dokumentasi teknis komprehensif, arsitektur sistem, struktur database, serta instruksi langkah demi langkah cara setup environment lokal hingga siap di-run.

Bolehkah source code ini dimodifikasi untuk tugas akhir/skripsi/komersial?

Tentu saja. Pembelian lisensi memberikan Anda hak penuh untuk memodifikasi, mengkustomisasi, dan mengembangkan source code ini untuk keperluan tugas akhir, skripsi, portfolio kerja, maupun proyek komersial klien Anda.

Bagaimana jika saya mengalami kendala teknis saat instalasi?

Tim teknis Devilda siap membantu asistensi. Anda dapat berkonsultasi langsung dengan tim kami via WhatsApp CS Devilda (0878-2851-5500). Kami siap membantu kendala instalasi.

Ulasan Pembeli

Ulasan terverifikasi dari pengguna yang telah membeli project ini.

5.0 (0)

Belum ada ulasan untuk project ini.

Harga Lisensi Source Code
Rp 350.000 / sekali bayar
Tayangan: 5 kali dilihat
Populer
Tonton Demo TikTok
Lihat
Beli Source Code Sekarang

Pembayaran aman via QRIS (Semua E-Wallet) & Virtual Account.

Yang Anda Dapatkan:

  • Full Source Code Lengkap & Aset Project
  • Teknologi: Python, Flask, JavaScript, Tailwind CSS
  • Panduan Instalasi & Konfigurasi Lingkungan
  • Seluruh Bab Dokumentasi Teknis Langkah demi Langkah
  • Hak Lisensi Tugas Akhir, Skripsi & Komersial
  • Akses Unduhan Berkas ZIP & Code Explorer Langsung
Download link instan dan akses dokumentasi dikirim otomatis ke akun Anda.