EVALUASI METODE PENENTUAN ELEMEN DESAIN DALAM PENGEMBANGAN BERBASIS KANSEI ENGINEERING

Penelitian terdahulu menggunakan metode Convolutional Neural Networks (CNN) dengan optimasi Long Short-Term Memory (LSTM) untuk menentukan elemen desain kemasan gayo, menghasilkan elemen desain kemasan dengan material composite can (X1.9), tutup slip lid (X2.5), bentuk tabung (X3.7), tanpa fitur (X4.9), gaya densain minimalis (X5.1), warna vibrant (X6.3), impression unik (X7.4), dan teknik cetak langsung (X8.1). Elemen desain yang terpilih masih belum dapat dipastikan kesesuaiannya dengan konsep modern yang didapatkan dari emosional konsumen. Oleh karena itu dibutuhkan proses Backward Kansei Engineering System (BKES). Penelitian ini bertujuan untuk mengetahui kesesuaian elemen desain yang dihasilkan dari CNN + LSTM dengan konsep modern yang didapatkan dari emosional. Penelitian ini menggunakan metode Interval Type-2 Fuzzy System (IT2FS) untuk melakukan analisis kesesuaian elemen desain terhadap konsep modern. Penerapan IT2FS dioptimasi dengan Particle Swarm Optimization (PSO) untuk menentukan rule base yang paling berpengaruh. Berdasarkan analisa IT2FS + PSO elemen desain yang dihasilkan dengan metode CNN + LSTM memiliki kansei score sebesar 3.61. Setelah itu kansei score metode CNN dihitung errornya dengan RSME, MSE dan MAE, dan menghasilkan nilai sebesar 38.50%, 53.52%, dan 38.50%. Penelitian ini menambahkan metode Artificial Neural Network (ANN) optimasi LSTM dan Genetic Algorithm (GA) untuk menentukan elemen desain kemasan. ANN dipilih karena merupakan elemen induk dari CNN, performa ANN yang lebih rendah dibandingkan dengan CNN, dan sebagai metode pembanding CNN. Metode ANN menghasilkan kemasan dengan material kaca (X1.11), tutup engsel (X2.8), bentuk kemasan costume (X3.9), tanpa fitur (X4.9), gaya desain tradisional (X5.6), warna netral (X6.5), impresi budaya (X7.1), dan teknik cetak langsung(X8.1). Berdasarkan analisa IT2FS metode ANN + LSTM + GA menghasilkan kansei score sebesar 3.78. Setelah itu kansei score metode CNN dihitung errornya dengan RSME, MSE dan MAE, dan menghasilkan nilai sebesar 32.28%, 39.38%, dan 32.28%.