🎰 ZZZ Gacha Predictor

Aplikasi web (Streamlit) untuk menghitung dan memprediksi peluang mendapatkan S-Rank Agent dan S-Rank W-Engine di banner terbatas Zenless Zone Zero, sekaligus membandingkan 6 algoritma data mining: Naive Bayes, KNN, Logistic Regression, Decision Tree, Random Forest, dan XGBoost, dengan Markov Chain sebagai acuan teori.

Proyek mata kuliah Penambangan Data. Tidak berafiliasi dengan HoYoverse.

🌐 Coba langsung: https://project-data-mining-zzz.streamlit.app/ (bisa dibuka di HP, tablet, dan laptop)

Tim

NIM	Nama	Peran
A11.2024.16004	Syafiq Yahya	Ketua kelompok, mempresentasikan hasil proyek
A11.2024.15851	Dafi Hauzan A.H (@tehgeii)	Pengembang aplikasi, pengumpulan dan pengujian data asli
A11.2024.15842	Gastiadirrijal Rafi M	Penyusun slide presentasi
A11.2024.15826	Zabrina Miftah Z	Penyusun proposal proyek
A11.2024.15804	Rayya Hasya Tamimi	Penyusun proposal proyek

Dibantu oleh Claude (Anthropic) dalam penulisan kode.

Fitur

Halaman	Isi
📥 Import Data	3 cara: URL dari PowerShell (PC), upload file UIGF (HP/PC), input manual (HP). Ada juga data contoh untuk yang tidak punya game.
🎲 Kalkulator Peluang	Peluang dapat S / S rate-up dalam N pull (Markov Chain, hasil eksak), konversi Polychrome, dan prediksi dari 6 model ML.
📊 Statistik Riwayat	Pity tiap S, rata-rata pity, menang/kalah 50/50, pity sekarang.
🤖 Perbandingan Algoritma	Tabel Accuracy, Balanced Accuracy, Precision, Recall, F1, ROC-AUC, Log Loss, Brier; cross-validation; kurva peluang; confusion matrix; feature importance.
📖 Panduan & FAQ	Cara menjalankan script PowerShell dan menjawab pertanyaan umum.

Menjalankan di laptop

Butuh Python 3.10 atau lebih baru.

python -m venv .venv
# Windows: .venv\Scripts\activate    |  Mac/Linux: source .venv/bin/activate
pip install -r requirements-dev.txt

streamlit run streamlit_app.py          # buka http://localhost:8501
python -m pytest -q                     # jalankan semua test
python scripts/train_models.py          # latih ulang model (±1-2 menit)

Deploy ke Streamlit Community Cloud (gratis, bisa dibuka di HP)

1. Pastikan kode sudah ada di GitHub (branch main).
2. Buka https://share.streamlit.io, login dengan akun GitHub.
3. Create app → pilih repository ini, branch main, main file streamlit_app.py.
4. Di Advanced settings, pilih Python 3.12.
5. Deploy. Link https://<nama-app>.streamlit.app bisa dibuka dari HP, tablet, maupun laptop.

Model yang sudah dilatih (models/models.joblib) ikut di-commit, jadi server tidak perlu melatih ulang. Versi library di requirements.txt sengaja dikunci supaya file model pasti bisa dimuat.

Struktur proyek

streamlit_app.py          # titik masuk aplikasi + navigasi
app_pages/                # satu file per halaman
zzzgacha/
  config.py               # aturan banner (rate, pity, 50/50, daftar S standar)
  probability.py          # Markov Chain: peluang eksak
  records.py              # olah riwayat: pity, status guaranteed, 50/50
  importers.py            # baca/tulis UIGF v4, dataset anonim
  fetcher.py              # ambil riwayat dari API resmi (aman, host dibatasi)
  simulate.py             # simulasi Monte Carlo -> dataset sintetis
  dataset.py              # muat data asli dari data/real/
  models.py               # 6 algoritma + baseline, fitur, metrik evaluasi
  demo.py                 # data contoh
scripts/
  get_zzz_url.ps1         # script PowerShell pengambil URL riwayat (Windows)
  train_models.py         # latih & evaluasi semua model -> models/
models/                   # model terlatih + report.json (dibaca aplikasi)
data/real/                # tempat dataset asli anonim (.csv)
tests/                    # 87 test otomatis (pytest)
docs/                     # bahan laporan; docs/tugas = file UTS/UAS + kodenya (sumber/)

Metodologi singkat

• Dua tugas klasifikasi dengan fitur yang diketahui sebelum pull (pity, pity_ratio, guaranteed, is_wengine):
  1. next_pull: apakah pull berikutnya S?
  2. next_10: apakah dapat S dalam 10 pull berikutnya (satu kali ten-pull)?
• Data: simulasi Monte Carlo 400 akun dari parameter resmi, ditambah data asli pemain (anonim) untuk pengujian. Pembagian train/test per akun (GroupShuffleSplit & GroupKFold) supaya tidak ada kebocoran data.
• Eksperimen kedua: keenam algoritma juga dilatih dan diuji hanya dengan data asli (1.209 baris, GroupKFold 5-fold per siklus pity), tab "Latih di data asli" di halaman Perbandingan Algoritma.
• Pembanding: baseline "selalu tebak tidak S" (membuktikan jebakan akurasi) dan Markov Chain (peluang teoretis).

Penjelasan lengkap untuk laporan ada di docs/LAPORAN.md.

Menambah data asli

1. Pemain membuka aplikasi → Import Data → ambil riwayat.
2. Klik Dataset anonim (.csv). File ini tanpa UID, nama item, dan waktu.
3. Simpan file ke data/real/, lalu jalankan python scripts/train_models.py.
4. Commit data/real/*.csv dan folder models/.

Kalau aturan gacha berubah

Semua angka ada di zzzgacha/config.py: rate, hard pity, soft pity, peluang rate-up, dan daftar S standar. Setelah mengubahnya, latih ulang model dengan python scripts/train_models.py dan jalankan python -m pytest -q.