🎬 Analisis Popularitas Film – IFEST DAC 2025

📌 Deskripsi Proyek

Proyek ini dibuat untuk kompetisi Data Analytics Competition (DAC) IFEST 2025 dengan tim DuoChandra+1. Fokus utama adalah analisis popularitas film berdasarkan data TMDB, dengan tujuan menemukan faktor-faktor yang paling memengaruhi popularitas film serta memvalidasi hipotesis menggunakan eksplorasi data, uji statistik, dan interpretabilitas model (SHAP).

👥 Tim

• Bagus Cipta Pratama
• Rhafael Chandra
• Darryl Chandra

🎯 Problem Statement & Objective

Popularitas film dipengaruhi oleh banyak faktor seperti genre, tahun rilis, bahasa, deskripsi, dan franchise/sekuel. Namun, sulit menentukan faktor dominan. Tujuan dari proyek ini adalah:

1. Melakukan EDA (Exploratory Data Analysis).
2. Menyusun hipotesis berdasarkan pola data.
3. Melakukan validasi hipotesis dengan uji statistik & SHAP analysis.

📂 Dataset

• Jumlah data: 12,999 film dengan 6 kolom.

• Missing values:

  • genre_label: 2,000 (15,39%)
  • summary: 5 (0,04%)

• Duplikat: 3,008 baris persis sama.

• Film remake/sekuel: 314 judul.

Dataset mengalami proses cleaning & imputation dengan teknik berikut:

1. Pooling Genre: mengambil genre dari film dengan judul utama sama.
2. TMDB API: melengkapi genre berdasarkan judul & tahun rilis.
3. Final Cleaning: menghapus sisa data kosong.

🔎 Eksplorasi Data (EDA)

Beberapa temuan utama dari EDA:

• Tren Popularitas: film baru (2000–2025) cenderung lebih populer.
• Jumlah Genre: film dengan 3–6 genre lebih populer; terlalu banyak genre (7–8) menurunkan popularitas.
• Bahasa: film Jepang relatif sedikit namun konsisten populer.
• Remake vs Original: distribusi popularitas mirip.

🧪 Hipotesis

Film franchise (sekuel/prekuel) memiliki popularitas lebih tinggi dibanding film standalone karena adanya fanbase dan brand recognition.

✅ Validasi Hipotesis

• Rata-rata popularitas: Franchise 75.1 vs Standalone 29.2 (+157%).
• Uji Statistik: signifikan (Mann-Whitney U, p-value ≈ 4.88e-116).
• Cohen’s d: sedang (0.21) pada skor mentah, kuat (0.70) pada persentil.
• SHAP Analysis: movie_has_multiple menjadi fitur penting dengan kontribusi SHAP +24.56 (franchise) vs –2.33 (standalone).

⚙️ Teknologi yang Digunakan

• Python (pandas, numpy, matplotlib, seaborn, scikit-learn, XGBoost, SHAP)
• Natural Language Processing: spaCy untuk ekstraksi judul utama.
• API: TMDB untuk melengkapi genre.
• Statistik: Mann-Whitney U Test, Cohen’s d.

📊 Hasil Utama

• Analisis konsisten menunjukkan franchise effect nyata: film franchise lebih populer daripada standalone.
• Validasi diperkuat dengan EDA, uji statistik, dan SHAP analysis.

🏆 Kesimpulan

Film franchise terbukti secara statistik dan model interpretasi lebih populer daripada film standalone. Efek ini konsisten dengan keberadaan fanbase dan brand recognition.