Baru Jelajahi project AI & Machine Learning siap pakai lengkap dengan full source code dan tutorial instalasi!
Beranda Katalog Project Tentang Kami Kontak Kami
Silakan masuk ke akun Anda terlebih dahulu untuk membaca dokumentasi project ini.
Prediksi Popularitas Anime Pra-Rilis Menggunakan Algoritma Machine Learning Berbasis Web
Prediksi Popularitas Anime Pra-Rilis Menggunakan Algoritma Machine Learning Berbasis Web
Machine Learning Tingkat: Intermediate Versi 1.0.0 4 Dilihat
5.0 (0 ulasan)

Prediksi Popularitas Anime Pra-Rilis Menggunakan Algoritma Machine Learning Berbasis Web

Teknologi: Python Flask JavaScript Tailwind CSS XGBoost Scikit-Learn Pandas NumPy SMOTE Joblib CatBoost LightGBM SciPy SHAP Random Forest Jupyter Notebook Matplotlib Seaborn HTML5 Logistic Regression Explainable AI (XAI) Imbalanced-Learn Cost-Sensitive Learning
Video Demonstrasi Project TikTok Demo

Demo & Pengujian Sistem: Prediksi Popularitas Anime Pra-Rilis Menggunakan Algoritma Machine Learning Berbasis Web

Tonton di TikTok

Video di atas mendemonstrasikan implementasi antarmuka, inference model, dan workflow end-to-end dari project Prediksi Popularitas Anime Pra-Rilis Menggunakan Algoritma Machine Learning Berbasis Web via TikTok.

Overview & Cara Kerja

Latar Belakang Masalah

Industri animasi Jepang (anime) telah berkembang menjadi sektor ekonomi kreatif global bernilai lebih dari $28 miliar dengan basis penonton ratusan juta di berbagai benua. Namun, di balik popularitas masif tersebut, industri ini memiliki risiko finansial yang sangat tinggi. Biaya produksi rata-rata untuk serial televisi anime berdurasi satu musim (12 episode) berkisar antara $2 juta hingga $4 juta. Setiap tahunnya, lebih dari 300 judul anime baru diproduksi dan bersaing memperebutkan atensi audiens, waktu tayang jaringan televisi, serta lisensi platform streaming internasional.

Kenyataan di lapangan menunjukkan fenomena ketimpangan kesuksesan yang ekstrem (Pareto Principle): hanya sekitar 20% anime yang berhasil menembus kategori terpopuler dan mendatangkan keuntungan finansial masif melalui royalti streaming, hak siar, dan lisensi cenderamata (merchandise), sementara 80% sisanya mengalami performa reguler atau bahkan gagal menutup biaya produksi (box-office flop).

Tantangan utama yang dihadapi komite produksi (production committee), studio animasi, investor, dan distributor meliputi:

  1. Ketidakpastian Investasi Pra-Rilis: Keputusan pendanaan, alokasi anggaran promosi, dan pemilihan jadwal rilis sering kali didasarkan pada intuisi subjektif produser tanpa validasi kuantitatif berbasis data empiris.
  2. Keterlambatan Evaluasi Performa: Evaluasi pasar konvensional umumnya baru dapat dilakukan setelah anime tayang di televisi atau platform streaming (menggunakan metrik penonton, ulasan, atau skor rating). Pada titik tersebut, seluruh anggaran produksi telah habis dibelanjakan dan risiko kerugian tidak dapat dimitigasi.
  3. Kompleksitas Hubungan Non-Linier Antar-Atribut: Kesuksesan sebuah anime tidak hanya ditentukan oleh satu faktor tunggal, melainkan interaksi kompleks antara reputasi studio (studio tier), popularitas materi sumber (manga/light novel reader base), rekam jejak sutradara, daya tarik cuplikan (trailer views), jumlah platform distribusi streaming, hingga format penayangan dan musim rilis.
  4. Masalah Ketidakseimbangan Data (Imbalanced Class Problem): Karena hanya 20% anime yang masuk kategori populer, model machine learning standar cenderung bias terhadap kelas mayoritas (non-populer), sehingga menghasilkan akurasi semu dan gagal mengidentifikasi anime dengan potensi hit sesungguhnya.
Solusi & Nilai Tambah Sistem

Produk ini menghadirkan sistem peramalan kecerdasan buatan berbasis web (AnimePredict AI) yang dirancang khusus untuk memprediksi probabilitas kesuksesan anime pra-rilis (pre-release forecasting) murni menggunakan atribut-atribut yang tersedia sebelum penayangan perdana:

  1. Isolasi Kebocoran Target yang Ketat (Strict Leakage Isolation): Sistem secara tegas membedakan antara fitur peluncuran (launch-time features) dan fitur hasil (outcome features). Seluruh metrik pasca-rilis seperti jumlah anggota komunitas pasca-tayang (members_k), jumlah favorit (favorites_k), dan rating rata-rata (avg_score) dieksklusikan dari matriks pelatihan fitur untuk menjamin validitas prediksi di dunia nyata.
  2. Rekayasa Fitur Domain Spesifik (Feature Engineering): Mentransformasikan data mentah menjadi 19 fitur representatif, mencakup kalkulasi total jam penayangan (total_runtime_hours), indikator ketersediaan materi sumber (has_source_material), transformasi logaritmik fitur berskewness tinggi (trailer_views_log, source_popularity_log), serta indikator serial panjang (is_long_series).
  3. Eksperimen Komprehensif Penanganan Imbalanced Data: Menguji dan membandingkan 5 strategi penanganan ketidakseimbangan kelas (Baseline, Random Under-Sampling, SMOTE Standard, Borderline-SMOTE, dan Cost-Sensitive Learning dengan pembobotan kelas $\approx 3.99$).
  4. Benchmarking 5 Model Ensemble & Linear: Melakukan evaluasi komparatif menggunakan 5-Fold Stratified Cross Validation pada algoritma LightGBM, CatBoost, XGBoost, Random Forest, dan Logistic Regression dengan fokus utama pada metrik Precision-Recall AUC (PR-AUC) dan F1-Score.
  5. Optimasi Hiperparameter Terarah: Menyetel hiperparameter model terbaik menggunakan RandomizedSearchCV (75 kombinasi fit) dengan metrik objektif average_precision untuk memaksimalkan daya diskriminasi kelas minoritas tanpa mengorbankan akurasi global.
  6. Transparansi Keputusan Menggunakan Explainable AI (SHAP): Mengintegrasikan SHAP TreeExplainer untuk membongkar sifat kotak hitam (black-box) model machine learning, memetakan kontribusi absolut fitur global (Global Feature Importance), dan memperlihatkan arah pengaruh nilai fitur (Beeswarm Plot).
  7. Mesin Rekomendasi Manajerial & Analisis Key Drivers: Menguraikan faktor pendorong utama keberhasilan/kegagalan setiap proyek anime secara dinamis dan menyajikan rekomendasi tindakan terukur bagi produser (misalnya perluasan mitra streaming, peningkatan intensitas kampanye promosi, atau optimasi pelibatan sutradara kunci).
  8. Dashboard Web Interaktif & RESTful API: Aplikasi web siap pakai berbasis Flask dan Tailwind CSS dengan antarmuka modern bernuansa Plus Jakarta Sans, visualisasi animasi, tombol uji coba skenario otomatis (Preset Case Studies), serta endpoint REST API JSON /api/predict untuk integrasi sistem eksternal.
Fitur Utama Platform
  • Formulir Simulasi Parameter Pra-Rilis: Input komprehensif mencakup 14 parameter peluncuran (format, materi sumber, genre, demografi target, tier studio, tahun & musim rilis, jumlah episode, durasi per episode, popularitas karya asal, reputasi sutradara, penayangan trailer, jumlah platform streaming, dan rencana sekuel).
  • Preset Studi Kasus Instan (1-Click Sample Scenarios): Menyediakan 4 skenario proyek anime siap uji (High-Hype Shounen Action, Low-Hype Josei Slice of Life, Isekai Light Novel Project, dan High-Budget Original Movie).
  • Indikator Probabilitas & Keyakinan Model: Menampilkan persentase kesuksesan presisi (0.00% – 100.00%), status potensi (POTENSI TINGGI TOP 20% vs POTENSI REGULER), dan derajat keyakinan inferensi (Tinggi, Moderat, atau Perbatasan/Borderline).
  • Daftar Faktor Kunci Pendorong (Key Drivers Breakdown): Diagnostik otomatis faktor-faktor yang memperkuat atau melemahkan potensi anime (misal: pengaruh basis pembaca manga $>15$ juta, jaminan visual studio Tier 1, atau keterbatasan jangkauan platform).
  • Rekomendasi Manajerial Otomatis: Saran strategis yang dihasilkan secara cerdas untuk membantu komite produksi menyempurnakan strategi distribusi dan pemasaran pra-rilis.
  • RESTful JSON API Terstandarisasi: Endpoint HTTP POST /api/predict yang menerima payload JSON dan mengembalikan respons inferensi terstruktur lengkap dengan metadata input.
  • Suite Pengujian Unit Terotomatisasi: Berkas pengujian unit lengkap (tests/test_app.py) berbasis framework unittest Python untuk memvalidasi pemuatan model, fungsi rekayasa fitur, dan endpoint HTTP.

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 Kualitas & Eksplorasi Dataset 6.000 Serial Anime

Penyerapan dataset komprehensif 6.000 judul anime dengan 20 atribut, verifikasi kelengkapan data (nol missing values), dan analisis distribusi rasio kelas target popularitas (1:4 atau 20% populer).

dataset/anime_popularity.csv | 6.000 Baris x 20 Kolom | Zero Missing Values
2 LEAKAGE ISOLATION

Pencegahan Target Leakage & Pemisahan Fitur Pra-Rilis

Mengisolasi dan mengeksklusikan atribut hasil pasca-rilis (members_k, favorites_k, avg_score, popular) dari matriks fitur untuk menjamin validitas evaluasi peramalan pra-produksi.

Target: popular | 14 Fitur Input Pra-Rilis | Strict Feature Separation
3 FEATURE ENGINEERING

Rekayasa Fitur Domain & Transformasi Robust Data Skewed

Ekstraksi fitur domain anime (total durasi tayang, status materi asal, indikator serial panjang) serta transformasi logaritmik dan scaling robust terhadap data berskewness tinggi (trailer views & source popularity).

RobustScaler | OneHotEncoder | Log-Transformation | 19 Fitur Siap Latih
4 IMBALANCED DATA RESAMPLING

Penanganan Ketidakseimbangan Kelas via SMOTE & Cost-Sensitive

Komparasi 5 strategi penanganan rasio ketidakseimbangan kelas 1:4 (Baseline, RUS, SMOTE Standard, Borderline-SMOTE, dan Cost-Sensitive Learning) untuk menghindari bias pada kelas mayoritas.

ImbPipeline | SMOTE (k_neighbors=5) | scale_pos_weight=3.99
5 MULTIMODEL BENCHMARK

Benchmark 5 Model Ensemble & Optimasi Hiperparameter

Pengujian komparatif 5-Fold Stratified CV pada 5 algoritma (LightGBM, CatBoost, XGBoost, Random Forest, Logistic Regression) dilanjutkan optimasi hiperparameter RandomizedSearchCV pada model LightGBM (Akurasi 83.58%, ROC-AUC 0.8415, Brier Score 0.1185).

LightGBM Winner | RandomizedSearchCV (75 Fits) | Test ROC-AUC 0.8415
6 XAI & WEB DEPLOYMENT

Interpretasi SHAP TreeExplainer, REST API & Web Dashboard

Pembongkaran mekanisme model via SHAP (Global Feature Importance & Beeswarm Plot), serialisasi model pipeline ke joblib, serta deployment dashboard web interaktif Flask dengan analisis pendorong dan rekomendasi manajerial.

SHAP TreeExplainer | Flask Server | Tailwind CSS | REST API
Source Repository

Struktur Berkas & Repositori

Hierarki folder dan berkas yang disertakan dalam paket proyek ini:

16 Berkas Proyek 6 Folder Utama Paket ZIP 169.39 KB
events.out.tfevents 7.93 KB
tfevents Pratinjau
catboost_training.json 14.37 KB
learn_error.tsv 2.38 KB
Dataset Pratinjau
time_left.tsv 1.86 KB
Dataset Pratinjau
anime_popularity.csv 599.64 KB
Dataset Pratinjau
datasheet.md 1.88 KB
markdown Pratinjau
README.md 3.34 KB
markdown Pratinjau
model_anime_popularity_best.joblib 606.05 KB
AI Model Pratinjau
hero_anime.png 527.79 KB
index.html 58.32 KB
test_app.py 3.74 KB
app.py 7.08 KB
requirements.txt 697 B
skripsi_klasifikasi_popularitas_anime.ipynb 1.19 MB
Notebook Pratinjau

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 komputasi notebook & SHAP)

Optimal untuk running service

Penyimpanan
500 MB ruang disk kosong untuk dataset, source code, artefak model joblib, dan log

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: 4 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.