Prediksi Potensi Keberhasilan Penjualan Buku Sebelum Peluncuran Berbasis Machine Learning
Demo & Pengujian Sistem: Prediksi Potensi Keberhasilan Penjualan Buku Sebelum Peluncuran Berbasis Machine Learning
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:
- 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.
- 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).
- 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.
- 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:
- 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. - 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). - 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).
- 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 ($N = 1.600$). - 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.
- 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.
- 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.
- 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/predictyang 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
Arsitektur & Pipeline Sistem
Alur data interaktif dari input request hingga hasil pemrosesan sistem:
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).
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.
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.
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).
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.
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.
Struktur Berkas & Repositori
Hierarki folder dan berkas yang disertakan dalam paket proyek ini:
dataset.zip
Arsip paket ZIP lengkap berisi 100% seluruh berkas di atas siap dijalankan.
Dokumentasi Teknis
Tersedia dokumentasi teknis komprehensif untuk project ini:
Kebutuhan Sistem & Spesifikasi
Spesifikasi minimum perangkat untuk menjalankan project ini dengan lancar:
Cross-platform compatible
Lingkungan kerja teruji
Optimal untuk running service
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.
Belum ada ulasan untuk project ini.
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