Prediksi Popularitas Anime Pra-Rilis Menggunakan Algoritma Machine Learning Berbasis Web
Demo & Pengujian Sistem: Prediksi Popularitas Anime Pra-Rilis Menggunakan Algoritma Machine Learning Berbasis Web
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:
- 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.
- 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.
- 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.
- 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:
- 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. - 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). - 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 $\approx 3.99$).
- 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.
- Optimasi Hiperparameter Terarah: Menyetel hiperparameter model terbaik menggunakan RandomizedSearchCV (75 kombinasi fit) dengan metrik objektif
average_precisionuntuk memaksimalkan daya diskriminasi kelas minoritas tanpa mengorbankan akurasi global. - 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).
- 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).
- 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/predictuntuk 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/predictyang 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 frameworkunittestPython untuk memvalidasi pemuatan model, fungsi rekayasa fitur, dan endpoint HTTP.
Fitur Utama Project
Arsitektur & Pipeline Sistem
Alur data interaktif dari input request hingga hasil pemrosesan sistem:
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).
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.
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).
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.
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).
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.
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