Analisis Perbandingan Antara Algoritma Fuzzy Association Rule Mining dan Random Forest untuk Evaluasi Kemasan Kopi Gayo

Abstract

Evaluasi desain kemasan kopi Gayo pada tahap awal masih mengandung tingkat subjektivitas yang tinggi dalam penentuan elemen visual dan strukturalnya. Subjektivitas ini berpotensi memicu bias yang signifikan saat desainer menerjemahkan persepsi emosional konsumen ke dalam wujud atribut fisik kemasan. Penelitian ini bertujuan untuk membandingkan dan mengintegrasikan dua pendekatan algoritma komputasi guna mengevaluasi elemen morfologi kemasan yang paling optimal secara objektif. Metodologi yang digunakan melibatkan proses Kansei Engineeringyang dianalisis lebih lanjut menggunakan algoritma Random Forest (RF) untuk prediksi kuantitatif dan Fuzzy Association Rule Mining (FARM) untuk ekstraksi pola kualitatif. Hasil pemodelan menunjukkan bahwa algoritma RF mengidentifikasi nilai metrik evaluasi RMSE sebesar 0,2814, MAE sebesar 0,2303, dan skor R² sebesar -0,5658. Oleh karena itu, penelitian selanjutnya disarankan menggunakan dataset yang lebih luas dan pengembangan algoritma machine learning agar hasil evaluasi desain kemasan menjadi lebih akurat dan objektif.

Evaluation of Gayo coffee packaging design in the early stages still involves a high degree of subjectivity in determining its visual and structural elements. This subjectivity has the potential to trigger significant bias when designers translate consumers’ emotional perceptions into the physical attributes of the packaging. This study aims to compare and integrate two computational algorithm approaches to objectively evaluate the most optimal packaging morphological elements. The methodology employed involves the Kansei Engineering process, which is further analyzed using the Random Forest (RF) algorithm for quantitative prediction and Fuzzy Association Rule Mining (FARM) for qualitative pattern extraction. The modeling results show that the RF algorithm identified evaluation metrics of an RMSE of 0.2814, an MAE of 0.2303, and an R² score of -0.5658. Therefore, further research is recommended using a broader dataset and the development of machine learning algorithms to make the evaluation results of packaging design more accurate and objective.