Penerapan Knowledge-Based Machine Learning untuk Evaluasi Kemasan dan Desain Specialty Products

Evaluasi desain kemasan specialty products yang masih memiliki subjektivitas dan ambiguitas yang tinggi karena persepsi konsumen terhadap elemen visual dan struktural kemasan dipengaruhi oleh bias individu. Kondisi tersebut menyebabkan hasil desain berbasis Kansei Engineering belum sepenuhnya objektif dan terukur, sehingga diperlukan metode yang mampu mengkuantifikasi persepsi emosional konsumen secara lebih objektif. Tujuan penelitian ini untuk menentukan metode evaluasi yang paling efektif antara Fuzzy Association Rule Mining dan Random Forest untuk specialty products dan menentukan elemen yang paling penting. Penelitian menggunakan pendekatan evaluatif-komparatif berbasis data sekunder hasil Kansei Engineering yang terdiri atas data morfologi kemasan dan data semantic differential persepsi konsumen. Metode FARM diterapkan melalui tahapan fuzzifikasi, dataset transaksi fuzzy, pencarian frequent itemset menggunakan algoritma Apriori, pembentukan ARM, deffuzifikasi, prediksi dan evaluasi model menggunakan RMSE, MAE dan R2. Metode RF diterapkan melalui proses data splitting, baseline model, hyperparameter tuning, evaluasi model, feature importance, SHAP analysis, dan validasi overfitting. Berdasarkan perbandingan performa model, RF pada kopi specialty Gayo menghasilkan RMSE 0,2814, MAE 0,2303 dan R2 -0,5658, sedangkan FARM menghasilkan RMSE 0,2736, MAE 0,2233 dan R2 -0,4805. Pada objek cokelat batang lokal, RF menghasilkan RMSE 0,3210, MAE 0,2257 dan R2 -0,1711, sedangkan FARM menghasilan RMSE 0,4387, MAE 0,3104 dan R2 -0,013. Elemen yang paling penting dari hasil evaluasi adalah Body Shape untuk objek kopi specialty Gayo sedangkan cokelat batang lokal adalah Color Design dan Style Design. Oleh karena itu, metode yang paling efektif digunakan dalam evaluasi kopi specialty Gayo adalah Random Forest, sedangkan metode yang paling efektif untuk evaluasi kemasan cokelat batang lokal adalah Fuzzy Association Rule Mining. Metode dipilih berdasarkan nilai RMSE dan MAE yang lebih unggul dalam evaluasi model di setiap objek.