6 SISTEM EVALUASI
Sistem evaluasi bertujuan untuk memperoleh pengetahuan antara kata Kansei dengan elemen desain yang menunjukkan kata tersebut. Pengetahuan tersebut diperoleh dari responden dengan menggunakan kuesioner.
Kuisioner
terdiri dari dua bagian, yaitu bagian data pribadi yang berisikan nama, alamat, jenis kelamin, pendidikan dan pekerjaan, dan bagian pemilihan dan penilaian terhadap elemen desain kursi rotan. Contoh kuesioner terdapat pada Lampiran 3.
6.1 Data Responden Evaluasi Elemen Desain Kursi Rotan Responden berjumlah 45 orang yang terdiri dari konsumen toko rotan, dan pemilik produk furnitur rotan rotan. Berdasarkan jenis kelamin, terdapat 26 orang perempuan dan 19 orang laki laki, dengan umur bervariasi antara 21 – 64 tahun. Pekerjaan responden bervariasi yaitu ibu rumah tangga, pegawai swasta, pegawai negeri, dan pengusaha. Pendidikan responden bervariasi dari tamat SMA hingga jenjang magister. Menurut Wang dan Holden (2000), dalam penilaian terhadap produk kerajinan yang dibuat oleh manusia, jenis kelamin, umur dan pendidikan bukan merupakan faktor yang mempengaruhi secara nyata terhadap penilaian. Dalam penelitian ini, penilaian lebih ditekankan kepada perasaan atau Kansei dari responden terhadap elemen desain yang diperlihatkan dalam kuesioner.
6.2 Pengembangan Sistem Evaluasi Elemen Desain Kursi Rotan Pada tahap evaluasi elemen desain kursi rotan ini, data yang digunakan adalah data penilaian responden.
Responden diminta untuk memilih elemen
desain kursi rotan yang disukai dan kata Kansei yang sesuai dengan elemen kursi rotan tersebut. Sebagian hasil pilihan konsumen terhadap kata Kansei dan elemen desain disajikan pada Tabel 12. Association rules merupakan salah satu teknik di dalam data mining untuk menentukan hubungan antar item suatu data set (sekumpulan data) yang telah ditentukan. Melalui penggunaan association rule mining maka dapat ditemukan hubungan asosiasi yang menarik atau korelasi antara item dari item data.
74
Pengolahan menggunakan association rules menghasilkan rule dalam bentuk if… then… atau yang dinotasikan sebagai A B. Hubungan antara A dan B adalah hubungan implikasi dimana A sebagai antecendent dan B sebagai consequent.
Tabel 12 Beberapa pilihan kata Kansei dan elemen desain kursi rotan dari responden Responden Kata Kansei yang dipilih Elemen yang dipilih 1 2
F1, F2, F4, F5, F6, F7, F8 F1, F2, F3, F4, F5, F7
3 4 5 6 … 41 42 43 44 45
F3, F4, F5, F6, F7 F1, F2, F3, F5, F7, F8 F5, F6 F1, F2, F3, F5, F6, F7 … F4, F7 F1, F5, F6, F7, F8 F5, F6 F1, F2, F3, F4, F5, F6, F7 F1, F4, F5, F6, F7, F8
Keterangan: F1 = Cantik, F2 = Unik F5 = Sederhana F6 = Kokoh V = elemen desain (lihat Tabel 6)
V12, V21, V33, V42, V51 V14, V23, V32, V42, V43, V51, V52, V53 V14, V22, V31, V42, V56 V12, V22, V31, V42, V51, V52 V12, V23, V31, V43, V52 V12, V22, V31, V43, V56 … V13, V23, V31, V41, V55 V11, V22, V31, V41, V54 V14, V21, V31, V41, V51 V11, V21, V31, V42, V53 V11, V22, V31, V41, V53 F3 = Inovatif F7 = Nyaman
F4 = Alami F8 = Modern
Pada Tabel 12, dapat dilihat bahwa responden 1 memilih kata cantik, unik, alami, sederhana, kokoh, nyaman dan modern untuk elemen desain sandaran punggung berbentuk kotak, desain dudukan berbentuk persegi empat, desain tanpa sandaran tangan, desain kaki kursi yang tertutup dan anyaman rapat satu-satu. Pilihan tersebut dianggap sebagai item set dari responden 1. Demikian seterusnya hingga responden 45 yang memilih kata cantik, alami, sederhana, kokoh, nyaman dan modern untuk desain sandaran punggung rendah tinggi setengah lingkaran, desain dudukan setengah lingkaran, desain sandaran tangan melengkung, desain kaki kursi dengan penopang yang silang, dan desain anyaman antik. Selanjutnya pemilihan tersebut dijadikan sebagai masukan dalam pencarian rules yang dilakukan dengan menggunakan bantuan software Magnum Opus (http://www.giwebb.com/). Rules tersebut digunakan untuk memetakan hubungan antara kata Kansei dan elemen desain. Data yang diperoleh dari responden
75
digunakan sebagai input untuk sistem Magnum Opus. Terdapat lima rule mining yang disediakan oleh sistem, yaitu coverage, support, strength, lift dan leverage. Untuk memperoleh semua rules dari data yang ada, maka hanya nilai support dan confidence yang dijadikan sebagai batasan rule yang dianggap sesuai dengan pemilihan konsumen Dalam menggunakan teknik ini, terdapat dua kriteria ukuran yang umumnya digunakan, sebagai berikut: Support: ukuran yang menunjukkan tingkat dominasi item set dari keseluruhan transaksi yang ada, seberapa besar kemungkinan item A dan item B dipilih secara bersaman. support = P(A∩B) = jumlah penilaian yang mengandung A dan B jumlah penilaian total Confidence: ukuran yang menyatakan hubungan antara dua item secara conditional (misalkan seberapa sering item B dipilih, jika konsumen memilih item A). Confidence= P(A|B) =
jumlah penilaian yang mengandung A dan B jumlah penilaian yang mengandung A
Pada penelitian ini, hanya support dan strength (confidence) yang digunakan untuk penerapan algoritma Apriori, yang membutuhkan nilai support dan confidence untuk memperoleh rules yang tepat (strong rules). Untuk memastikan semua rules yang dapat diperoleh, maka maksimal jumlah rules ditetapkan sebesar 1000 sehingga diperoleh kemungkinan rules yang memenuhi tingkat support dan confidence yang ditetapkan. Hasil keluaran magnum opus menghasilkan 148 rules yang memenuhi minimum support 0,2 (20%) dan minimum strength (confidence) 0,5 (50%). Sebagian rules yang dihasilkan disajikan pada Tabel 13. Rules secara lengkap disajikan pada Lampiran 4. Berdasarkan association rules yang dilakukan diperoleh beberapa rules, antara lain rules no 1; If alami, kokoh dan inovatif, then desain yang terpilih adalah desain V31. Rule ini mempunyai nilai support sebesar 20% dan confidence 100%, hal ini menunjukkan bahwa rules tersebut mempunyai probabilitas dipilih sebesar
76
20%, dan apabila alami, kokoh dan inovatif tersebut terpillih, maka kata-kata tersebut menunjukkan desain V31.
Tabel 13 Beberapa rules yang dihasilkan dari pengolahan magnum opus No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Rules Alami & kokoh & inovatif V31 Alami & kokoh & nyaman V42 Alami & kokoh V31 Alami & nyaman V42 Alami & sederhana & kokoh & nyaman V42 Alami & sederhana & kokoh V42 Alami & sederhana & nyaman V31 Alami V31 Cantik & alami & kokoh & nyaman V31 Cantik & alami & sederhana & nyaman V42 Cantik & inovatif V31 Cantik & kokoh & inovatif V31 Cantik & sederhana & kokoh V31 Cantik & sederhana V31 Cantik & unik & alami & sederhana V42 Cantik & unik & kokoh V31 Cantik & unik V31 Inovatif V22 Modern V22 Nyaman & inovatif V22 Nyaman & modern V22 Nyaman V31 Sederhana & kokoh V31 Sederhana & nyaman & inovatif V31 Sederhana V31 Unik & alami & nyaman V23 Unik & alami V23 Unik & inovatif V31 Unik & nyaman V31 Unik & sederhana & nyaman & inovatif V31
Support
Confidence
0,200 0,289 0,422 0,311 0,267 0,289 0,378 0,489 0,289 0,222 0,311 0,222 0,356 0,422 0,2 0,222 0,311 0,289 0,267 0,244 0,267 0,644 0,489 0,289 0,578 0,2 0,2 0,244 0,311 0,2
1,000 0,565 0,731 0,519 0,545 0,565 0,68 0,71 0,813 0,556 0,778 0,909 0,762 0,704 0,75 0,714 0,737 0,619 0,75 0,579 0,75 0,725 0,71 0,765 0,684 0,643 0,6 0,846 0,737 0,818
Rules no. 9; If cantik & alami & kokoh & nyaman then terpilih adalah desain V31.
77
Rule ini didukung sebesar 28,9% dengan tingkat confidence 81,3%. Hal ini menunjukkan bahwa bila cantik, alami, kokoh dan nyaman merupakan kata Kansei yang diucapkan oleh konsumen, maka 81,3% elemen desain yang terpilih adalah V31.
Rules No. 12; If cantik & kokoh & inovatif then desain V31 Rule ini didukung sebesar 22,2% dengan tingkat confidence 90,9%. Hal ini menunjukkan bahwa bila cantik, kokoh, dan inovatif dipilih maka 90,9 % responden memilih V31.
Rules no 28. If unik & inovatif then V31 Rule ini didukung sebesar 24,4% dengan tingkat confidence 84,6%. Hal ini menunjukkan bahwa bila unik dan inovatif dipilih maka 84,6% responden memilih V31.
Rules no 30; If unik & sederhana & nyaman & inovatif then desain terpilih V31 Rule ini didukung sebesar 20% dengan tingkat confidence 81,8%. Hal ini menunjukkan bahwa bila unik, sederhana, nyaman dan inovatif dipilih maka 81,8% responden memilih V31. Berdasarkan hasil yang diperoleh terlihat bahwa beberapa kombinasi mempunyai nilai confidence yang tinggi (>80%). bahkan ada yang mencapai 100%. Pada rule no 1, no 9, no 12, no 28 dan no 30, tingkat confidence yang diperoleh diatas 80%, hal ini mengindikasikan bahwa desain yang terpilih mempunyai tingkat kepercayaan yang sangat baik. Di lain pihak, rule yang mempunyai nilai confidence antara 50% hingga 80% tetap digunakan sebagai basis aturan untuk penilaian desain kursi makan rotan. Menurut Schmidhuber (2007) penggunaan pengolahan data menggunakan unsupervised training seperti association rules hanya untuk menganalisa, tidak
78
untuk memilih. Oleh karena itu perlu dilakukan pemetaan pengetahuan rules yang diperoleh sehingga dapat diketahui prioritas elemen desain.
