<![CDATA[Perkembangan industri perfilman global yang pesat memicu timbulnya risiko finansial yang tinggi bagi rumah produksi dan investor akibat ketidakpastian pasar. Kemampuan memproyeksikan potensi kesuksesan film sejak tahap pra-produksi menjadi instrumen manajemen risiko yang sangat krusial. Penelitian ini bertujuan membangun model klasifikasi kesuksesan film menggunakan algoritma Random Forest Classifier berdasarkan karakteristik produksinya. Siklus metodologi yang diadopsi adalah Cross-Industry Standard Process for Data Mining (CRISP-DM) yang mencakup enam tahapan terstruktur. Dataset yang digunakan bersumber dari TMDB 5000 Movies. Label target biner kesuksesan film didefinisikan berdasarkan pencapaian skor evaluasi rating akhir lebih dari tujuh koma nol. Model dilatih menggunakan konfigurasi parameter n_estimators sama dengan seratus dan random_state sama dengan empat puluh dua dengan melibatkan fitur utama berupa budget, revenue, popularity, runtime, genre populer, dan keterlibatan aktor kelas atas. Berdasarkan hasil pengujian, model Random Forest berhasil mencatatkan performa akurasi global yang tinggi sebesar 83,8%. Hasil analisis feature importance menunjukkan bahwa atribut durasi film (runtime) dan tingkat popularitas di masyarakat merupakan dua parameter paling dominan dalam memengaruhi keputusan percabangan pohon keputusan. Model terbaik diserialisasi ke dalam format .pkl dan diimplementasikan ke dalam backend aplikasi web berbasis framework Flask sebagai sistem pendukung keputusan praktis secara real-time.]]>
Copyrights © 2026
