Research Method

---

1 Abstrak

Video Game pada konsol saat ini masih menjadi pilihan sebagai hiburan selain Smartphone atau PC. Hal itu dikarenakan adanya sensasi yang berbeda saat bermain game konsol. Dikabarkan juga akan beredar konsol baru berupa Xbox series X/S dan juga PS5, maka sebagai developer harus melakukan analisis terhadap data yang telah dikumpulkan dan memberikan solusi untuk mengembangkan sebuah game.

Dalam penelitan ini akan menganalisa data penjualan video game dengan menggunakan decision tree dan memprediksi penjualan untuk membuat keputusan tertentu sebagai pihak developer game yang baru ataupun sudah berada di dalam pasar game.

2 Persiapan Data

Data diperoleh dari Kaggle dan juga dari vgchart

2.1 Packages

library(knitr)
library(dplyr)
library(tidyr)
library(tidyverse)
library(ggplot2)
library(e1071)
library(tree)
library(MASS)
library(readr)
library(forecast)
library(corrgram)
library(corrplot)
library(ggcorrplot)
library(plotly)
library(gridExtra)
library(grid)
library(kableExtra)
library(cowplot)
library(formattable)
library(gridExtra)
library(RColorBrewer)
library(scales)
library(tidyverse)
library(dplyr)
library(GGally)
library(lubridate)
library(grid)
library(MLmetrics)
library(caTools)
library(scales)
library(nortest)
library(knitr)
library(funModeling)
library(Hmisc)
library(ROCR)
library(rsample)           # Initial Split
library(rpart)             # Decision Tree
library(rpart.plot)        # Decision Tree
library(partykit)
library(magrittr)
library(party)
library(mboost)
library(psych)

2.2 Import Data

vgsales <- read.csv("vgsales.csv", header = TRUE, sep = ",")
head(vgsales)

##   Rank                     Name Platform Year        Genre Publisher NA_Sales
## 1    1               Wii Sports      Wii 2006       Sports  Nintendo    41.49
## 2    2        Super Mario Bros.      NES 1985     Platform  Nintendo    29.08
## 3    3           Mario Kart Wii      Wii 2008       Racing  Nintendo    15.85
## 4    4        Wii Sports Resort      Wii 2009       Sports  Nintendo    15.75
## 5    5 Pokemon Red/Pokemon Blue       GB 1996 Role-Playing  Nintendo    11.27
## 6    6                   Tetris       GB 1989       Puzzle  Nintendo    23.20
##   EU_Sales JP_Sales Other_Sales Global_Sales
## 1    29.02     3.77        8.46        82.74
## 2     3.58     6.81        0.77        40.24
## 3    12.88     3.79        3.31        35.82
## 4    11.01     3.28        2.96        33.00
## 5     8.89    10.22        1.00        31.37
## 6     2.26     4.22        0.58        30.26

2.3 Deskripsi Variabel

Dataset Video Game Sales:

• Rank - Ranking dari penjualan keseluruhan
• Name - Nama Game
• Platform - Platform Game yang diluncurkan (i.e. PC,PS4, etc.)
• Year - Tahun peluncuran Game
• Genre - Genre Game
• Publisher - Penerbit Game
• NA_Sales - Penjualan di Amerika Utara (dalam jutaan)
• EU_Sales - Penjualan di Eropa (dalam jutaan)
• JP_Sales - Penjualan di Jepang (dalam jutaan)
• Other_Sales - Penjualan di Negara lain (dalam jutaan)
• Global_Sales - Total Penjualan Keseluruhan.

3 Pembersihan Data

3.1 Struktur Data

str(vgsales)

## 'data.frame':    16598 obs. of  11 variables:
##  $ Rank        : int  1 2 3 4 5 6 7 8 9 10 ...
##  $ Name        : chr  "Wii Sports" "Super Mario Bros." "Mario Kart Wii" "Wii Sports Resort" ...
##  $ Platform    : chr  "Wii" "NES" "Wii" "Wii" ...
##  $ Year        : chr  "2006" "1985" "2008" "2009" ...
##  $ Genre       : chr  "Sports" "Platform" "Racing" "Sports" ...
##  $ Publisher   : chr  "Nintendo" "Nintendo" "Nintendo" "Nintendo" ...
##  $ NA_Sales    : num  41.5 29.1 15.8 15.8 11.3 ...
##  $ EU_Sales    : num  29.02 3.58 12.88 11.01 8.89 ...
##  $ JP_Sales    : num  3.77 6.81 3.79 3.28 10.22 ...
##  $ Other_Sales : num  8.46 0.77 3.31 2.96 1 0.58 2.9 2.85 2.26 0.47 ...
##  $ Global_Sales: num  82.7 40.2 35.8 33 31.4 ...

# Restucture the data
attach(vgsales)
vgsales$Name      <- as.factor(as.character(vgsales$Name))
vgsales$Platform  <- as.factor(as.character(vgsales$Platform))
vgsales$Year      <- as.numeric(as.character(vgsales$Year))

## Warning: NAs introduced by coercion

vgsales$Genre     <- as.factor(as.character(vgsales$Genre))
vgsales$Publisher <- as.factor(as.character(vgsales$Publisher))
max(vgsales$Year, na.rm = T)

## [1] 2020

3.2 Periksa Data Hilang

colSums(is.na(vgsales))

# Use the code below IF there is NA in the data
# vgsales[vgsales == "N/A"]=NA
# vgsales <- na.omit(vgsales)

3.3 Data Duplikat

data.frame("jumlah.seluruh.data" = nrow(vgsales),
           "jumlah.data.unik" = nrow(distinct(vgsales)))

##   jumlah.seluruh.data jumlah.data.unik
## 1               16598            16598

Tidak ada data duplikat pada dataset tersebut.

4 Analisis Korelasi Dataset

num_Sales <- vgsales[,c("NA_Sales","EU_Sales","JP_Sales","Other_Sales","Global_Sales")]

ggcorr(num_Sales,label = T, size=5, label_size = 5, hjust=0.95)+
  labs(
    title="Korelasi"
  )+
  theme_minimal()+
  theme(
    plot.title = element_text(hjust = 0.5),
    axis.title=element_text(size=3,face="bold"), 
    axis.text.y=element_blank()
  )

Dari hasil korelasi diatas, dapat dilihat sebagian besar penjualan global dipengaruhi dari Amerika Utara dan Eropa. Maka sebagai developer, dapat menargetkan pasar yang berada di Amerika Utara dan Eropa sesuai dengan Genre yang sedang trending dan paling laku.

5 Analisa Data

summary(vgsales)

##       Rank                                Name          Platform   
##  Min.   :    1   Need for Speed: Most Wanted:   12   DS     :2163  
##  1st Qu.: 4151   FIFA 14                    :    9   PS2    :2161  
##  Median : 8300   LEGO Marvel Super Heroes   :    9   PS3    :1329  
##  Mean   : 8301   Madden NFL 07              :    9   Wii    :1325  
##  3rd Qu.:12450   Ratatouille                :    9   X360   :1265  
##  Max.   :16600   Angry Birds Star Wars      :    8   PSP    :1213  
##                  (Other)                    :16542   (Other):7142  
##       Year               Genre                             Publisher    
##  Min.   :1980   Action      :3316   Electronic Arts             : 1351  
##  1st Qu.:2003   Sports      :2346   Activision                  :  975  
##  Median :2007   Misc        :1739   Namco Bandai Games          :  932  
##  Mean   :2006   Role-Playing:1488   Ubisoft                     :  921  
##  3rd Qu.:2010   Shooter     :1310   Konami Digital Entertainment:  832  
##  Max.   :2020   Adventure   :1286   THQ                         :  715  
##  NA's   :271    (Other)     :5113   (Other)                     :10872  
##     NA_Sales          EU_Sales          JP_Sales         Other_Sales      
##  Min.   : 0.0000   Min.   : 0.0000   Min.   : 0.00000   Min.   : 0.00000  
##  1st Qu.: 0.0000   1st Qu.: 0.0000   1st Qu.: 0.00000   1st Qu.: 0.00000  
##  Median : 0.0800   Median : 0.0200   Median : 0.00000   Median : 0.01000  
##  Mean   : 0.2647   Mean   : 0.1467   Mean   : 0.07778   Mean   : 0.04806  
##  3rd Qu.: 0.2400   3rd Qu.: 0.1100   3rd Qu.: 0.04000   3rd Qu.: 0.04000  
##  Max.   :41.4900   Max.   :29.0200   Max.   :10.22000   Max.   :10.57000  
##                                                                           
##   Global_Sales    
##  Min.   : 0.0100  
##  1st Qu.: 0.0600  
##  Median : 0.1700  
##  Mean   : 0.5374  
##  3rd Qu.: 0.4700  
##  Max.   :82.7400  
## 

Kesimpulan diatas masih kurang detail dalam tiap kategorinya, maka akan ditunjukkan dengan beberapa visualisasi.

# Histogram of frequency of the game by year
hist(vgsales$Year,col = "darkred", xlab = "Year", ylab = "Frequency of the game", main = "Frekuensi Game Tiap Tahun")

Game yang maksimum terdapat pada tahun 2008 dan 2009. Ini dapat dikarenakan oleh munculnya konsol baru dan game dari publisher maupun developer terkenal.

#Histogram of Global sales of the game by year
aggregate_revenue <- aggregate(Global_Sales~Year, vgsales, sum)
plot(aggregate_revenue, 
     type = 'h', 
     xlab = "Year",
     ylab = "Global Sales", 
     col = "darkgreen", 
     lwd = 8,
     main = "Global Sales Tiap Tahun")

Total pendapatan meningkat sampai tahun 2008 lalu menurun setelahnya. Puncak pendapatan berada pada 2008 dan 2009.

#Histogram of Global sales of the game by genre
revenue_by_Genre <- aggregate(Global_Sales~Genre, vgsales, sum)
arrange_by_Genre <- arrange(revenue_by_Genre, desc(Global_Sales))
arrange_by_Genre$Genre <- factor(arrange_by_Genre$Genre, levels = arrange_by_Genre$Genre)
Global_sales_by_genre  <- ggplot(arrange_by_Genre, aes(Genre, Global_Sales, fill = Genre)) + 
                                 geom_bar(stat = "identity") +
                                 ggtitle("Global Sales Berdasarkan Genre")

ggplotly(Global_sales_by_genre)

Genre yang paling populer adalah Action, hal itu juga yang menghasilkan pendapatan tertinggi. Lalu genre Sport pada peringkat kedua, diikuti dengan Shooter, Role-Playing, Platform, Misc, Racing, Fighting, Simulation, Puzzle, Adventure, dan Strategy.

Sebagai Developer, ada baiknya untuk membuat game dengan Genre Action karena untuk saat ini paling laris.

#Histogram of top 10 Publisher by revenue
revenue_of_Publisher <- aggregate(Global_Sales~Publisher, vgsales, sum)
arrange_Revenue_of_Publisher_by_Global_Sales <- arrange(revenue_of_Publisher, desc(Global_Sales))
top_10 <- arrange_Revenue_of_Publisher_by_Global_Sales[1:10,]

#plot(factor(top_10$Publisher),top_10$Global_Sales,type='h',lwd = 8,xlab="Publisher",ylab="Global Sales",col = "red",main = "Top 10 Publishers by Revenue")
top_10_rev <- ggplot(top_10, aes(Publisher, Global_Sales, fill = Publisher)) +
                     geom_bar(stat = "identity") +
                     ggtitle("Top 10 Publisher by Revenue") + 
                     theme(legend.position = "top")
ggplotly(top_10_rev)

Nintendo merupakan publisher tertinggi diikuti dengan Electronic Arts, Activision, Sony Computer Entertainment, Ubisoft, Take-Two Interactive, THQ, Konami Digital Entertainment, Sega dan Namco Bandai Games.

Dengan begitu, sebagai developer sebaiknya mempublikasikan game dengan yang terkenal yaitu Nintendo.

6 Pemisahan data

train = (Year <= 2012)
vgsales.train <- vgsales[train,]
vgsales.test  <- vgsales[!train,]

# Prediction : Support Vector Machines
# Linear classification
y.train <- ifelse(vgsales.train$Global_Sales>10.0,1,-1)
dat     <- data.frame(x = vgsales.train$NA_Sales + vgsales.train$EU_Sales, y = as.factor(y.train))
svmfit  <- svm(y~., data=dat, kernel="linear", cost=10, scale = FALSE)

#summary(svmfit)
table(Model = svmfit$fitted, Truth = dat$y)

##      Truth
## Model    -1     1
##    -1 14176     5
##    1      6    50

cat("Model Error = ", mean(svmfit$fitted!=dat$y)*100,"%")

## Model Error =  0.07726347 %

y.test  <- ifelse(vgsales.test$Global_Sales>10.0,1,-1)
dat.te  <- data.frame(x=vgsales.test$NA_Sales + vgsales.test$EU_Sales, y = as.factor(y.test))
pred.te <- predict(svmfit, newdata = dat.te)
table(Predict = pred.te, Truth = dat.te$y)

##        Truth
## Predict   -1    1
##      -1 2353    1
##      1     1    6

cat("Prediction Error = ", mean(pred.te!=dat.te$y)*100,"%")

## Prediction Error =  0.08470987 %

SVM Linier - Error Prediksi 0.085% untuk Global Sales lebih dari 10 Juta Dolar menggunakan North American Sales dan European Sales.

# Radial classification
svmfit <- svm(y~., data = dat, kernel = "radial", cost = 10, gamma = 1)
table(Model = svmfit$fitted , Truth = dat$y)

##      Truth
## Model    -1     1
##    -1 14176     4
##    1      6    51

cat("Model Error = ", mean(svmfit$fitted!=dat$y)*100,"%")

## Model Error =  0.07023952 %

y.test <- ifelse(vgsales.test$Global_Sales>10.0,1,-1)
dat.te <- data.frame(x = vgsales.test$NA_Sales + vgsales.test$EU_Sales, y = as.factor(y.test))
pred.te <- predict(svmfit, newdata = dat.te)
table(predict = pred.te, truth = dat.te$y)

##        truth
## predict   -1    1
##      -1 2353    1
##      1     1    6

cat("Prediction Error = ", mean(pred.te!=dat.te$y)*100,"%")

## Prediction Error =  0.08470987 %

SVM Radial Classification - Error prediksi 0.085% untuk Global Sales lebih dari 10 Juta Dolar menggunakan North American Sales dan European Sales.

7 Prediksi

#Prediction through Decision Trees
num_fact <- vgsales[,c("NA_Sales","EU_Sales","Global_Sales")]

High <- ifelse(Global_Sales <=10.0,"No","Yes")
dat  <- data.frame(num_fact,High)
dat$High <- as.factor(dat$High)

tree.dat <- tree(High~.-Global_Sales ,dat,subset=train)
summary(tree.dat)

## 
## Classification tree:
## tree(formula = High ~ . - Global_Sales, data = dat, subset = train)
## Number of terminal nodes:  8 
## Residual mean deviance:  0.002139 = 30.43 / 14230 
## Misclassification error rate: 0.0004917 = 7 / 14237

dat.test <- vgsales[!train,]
High.test <- High[!train]
tree.pred <- predict(tree.dat, dat.test, type = "class")
table(Predict = tree.pred ,Truth = High.test)

##        Truth
## Predict   No  Yes
##     No  2351    1
##     Yes    3    6

cat("Prediction Error = ", mean(tree.pred!=High.test)*100,"%")

## Prediction Error =  0.1694197 %

fit <- rpart(High~.-Global_Sales, data = dat, method = 'class')
rpart.plot(fit, extra = 100)

#Prediction through Linear Regression
train =( Year <= 2012)
num_fact <- vgsales[,c("NA_Sales","EU_Sales","Global_Sales")]

High <- ifelse(Global_Sales <=10.0,"No","Yes")
dat  <- data.frame(num_fact,High)
dat$High <- as.factor(dat$High)

glm.fit <- glm(High~.-Global_Sales, dat, subset = train, family = binomial)

## Warning: glm.fit: fitted probabilities numerically 0 or 1 occurred

summary(glm.fit)

## 
## Call:
## glm(formula = High ~ . - Global_Sales, family = binomial, data = dat, 
##     subset = train)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -1.6609  -0.0042  -0.0035  -0.0033   4.0087  
## 
## Coefficients:
##             Estimate Std. Error z value Pr(>|z|)    
## (Intercept) -12.1855     1.5951  -7.639 2.18e-14 ***
## NA_Sales      1.3732     0.2089   6.573 4.92e-11 ***
## EU_Sales      1.7672     0.2996   5.899 3.66e-09 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 720.977  on 14236  degrees of freedom
## Residual deviance:  62.469  on 14234  degrees of freedom
## AIC: 68.469
## 
## Number of Fisher Scoring iterations: 13

coef(glm.fit)

## (Intercept)    NA_Sales    EU_Sales 
##  -12.185517    1.373167    1.767243

summary(glm.fit)$coef

##               Estimate Std. Error   z value     Pr(>|z|)
## (Intercept) -12.185517  1.5950837 -7.639422 2.181996e-14
## NA_Sales      1.373167  0.2088986  6.573370 4.918913e-11
## EU_Sales      1.767243  0.2995789  5.899089 3.655132e-09

dat.test  <- vgsales[!train,]
High.test <- High[!train]
glm.prob  <- predict(glm.fit,dat.test,type = "response")
glm.pred  <-rep("No",dim(dat.test)[1])
glm.pred[glm.prob >.5]="Yes"
table(Predict=glm.pred ,Truth=High.test)

##        Truth
## Predict   No  Yes
##     No  2351    1
##     Yes    3    6

cat("Prediction Error = ", mean(glm.pred!=High.test)*100,"%")

## Prediction Error =  0.1694197 %

#Linear Discriminant Analysis
lda.fit <- lda(High~.-Global_Sales, dat, subset = train)
summary(lda.fit)

##         Length Class  Mode     
## prior   2      -none- numeric  
## counts  2      -none- numeric  
## means   4      -none- numeric  
## scaling 2      -none- numeric  
## lev     2      -none- character
## svd     1      -none- numeric  
## N       1      -none- numeric  
## call    4      -none- call     
## terms   3      terms  call     
## xlevels 0      -none- list

plot(lda.fit)

dat.test  <- vgsales[!train,]
High.test <- High[!train]
lda.pred  <- predict(lda.fit,dat.test)
names(lda.pred)

## [1] "class"     "posterior" "x"

lda.class <- lda.pred$class
table(Predict = lda.class ,Truth = High.test)

##        Truth
## Predict   No  Yes
##     No  2352    1
##     Yes    2    6

cat("Prediction Error = ", mean(lda.class!=High.test)*100,"%")

## Prediction Error =  0.1270648 %

Linear Regression oleh Linear Discriminant Analysis - Error prediksi 0,13% dimana Global Sales akan lebih dari 10 juta dolar, menggunakan data North American Sales dan European Sales.

8 Kesimpulan

Dengan pemodelan yang telah dilakukan diketahui bahwa error untuk prediksi cukup kecil untuk digunakan yang artinya cocok untuk digunakan dan sebagai developer sebaiknya memperhatikan berbagai faktor lain yang dapat berpengaruh seperti keluarnya konsol baru ataupun adanya saingan yang menawarkan game yang mirip.