Spesifikasi Intelligent Food Packaging Produk Daging Sapi dengan Pendekatan Integrasi Kansei Engineering dan Artificial Neural Network

Sakir, - and Prof. Dr. Ir Bambang Dwi Argo, DEA and Prof. Yusuf Hendrawan, STP.,M.App.Life Sc., Ph.D and Prof. Sugiono, S.T., M.T., Ph.D (2024) Spesifikasi Intelligent Food Packaging Produk Daging Sapi dengan Pendekatan Integrasi Kansei Engineering dan Artificial Neural Network. Doktor thesis, Universitas Brawijaya.

Abstract

Kecenderungan inovasi desain kemasan telah mengalihkan strategi pengembangan produk yang awalnya berorientasi pada aspek teknis menjadi berorientasi pada konsumen guna memuaskan kebutuhan emosional pengguna dalam menilai suatu produk. Inovasi desain kemasan sebagai salah satu bentuk pengembangan produk jika dilihat dari kajian ergonomi maka harus memperhatikan kriteria kebutuhan konsumen yaitu functionality, usability, dan pleasurebility. Terkait dengan Intelligent Food Packaging (IFP) produk daging sapi, functionality dilihat dari kemasan berfungsi sebagai wadah dari daging sapi. Kemasan daging sapi di pasaran untuk menunjukkan kualitas atau kesegaran daging sapi menggunakan informasi tanggal kadaluwarsa (usability). IFP produk daging sapi mampu memberikan informasi real time dengan penggunaan fresh meter. IFP pada produk daging sapi menunjukkan pleasurebility tertinggi sebuah kemasan. Pleasurable sangat erat kaitannya dengan manfaat emosi karena produk ini mampu mempengaruhi suasana hati konsumen, memberikan manfaat hedonik atau kesenangan sensori terkait dengan kenikmatan fisik atau terkait estetika produk (psikologis dan fisiologis). Pleasurebility memerlukan pendekatan Kansei Engineering (KE). KE melalui ekspresi kansei mampu mengidentifikasi kebutuhan, pencapaian kepuasan, maupun preferensi konsumen dengan mengekstrak parameter verbal dan/atau nonverbal. Parameter verbal menunjukkan ekspresi manusia yang berbentuk kata-kata dan dinyatakan dalam bentuk lisan maupun tulisan. Parameter nonverbal menunjukkan ekspresi konsumen yang bersifat sensoris dan organoleptik yang dapat diperoleh dengan penggunaan electroencephalogram (EEG). Dalam desain IFP diperlukan pendekatan desain afektif untuk membantu desainer memahami kebutuhan konsumen. Penerjemahan persepsi dan emosional konsumen ke rancangan desain yang nyata dapat menggunakan berbagai macam pemodelan salah satunya Artificial Neural Network (ANN). ANN memilki kemampuan untuk mempelajari data, mengenali pola, mampu menggeneralisasi input baru dari model yang telah ada. ANN Backpropagation diperluas untuk mendapatkan model pemetaan yang secara akurat memprediksi hubungan antara fitur produk dan gambaran emosional konsumen. Integrasi KE parameter verbal maupun nonverbal dan ANN digunakan untuk mengumpulkan kansei words konsumen, menterjemahkan keinginan konsumen dan memprediksi desain IFP produk daging sapi. Tahap 1 bertujuan membuat spesifikasi IFP produk daging sapi dengan pendekatan integrasi KE (parameter verbal) dan ANN untuk mengidentifikasi dan memprediksi desain produk yang paling sesuai dengan keinginan konsumen. Tahap 2 bertujuan membuat spesifikasi IFP produk daging sapi dengan pendekatan integrasi KE (parameter nonverbal) dan ANN untuk mengidentifikasi dan memprediksi desain produk yang paling sesuai dengan keinginan konsumen. Metode penelitian tahap 1 (parameter verbal) : Melakukan survei pendahuluan yaitu wawancara dan penyebaran kuesioner online untuk mengumpulkan kansei words dan atribut desain yang diinginkan konsumen. Mengumpulkan kansei words dari beberapa literature. Melakukan penilaian terhadap tingkat kepentingan atribut desain. Membuat, menyebarkan, dan mengevaluasi kuesioner Semantic Differential I (SD I). Mengevaluasi SD I (tahapan engineering) dengan menguji validitas dan reliabilitas SD I. Melakukan analisis faktor dengan uji Kaiser Mayer Olkin (KMO), Barlett’s Test of Sphericit, dan Measure of Sampling Adecuacy (MSA). Melakukan ekstraksi faktor untuk menentukan jumlah faktor yang terbentuk. Melakukan pengkategorian desain kemasan. Membuat, menyebarkan dan mengevaluasi SD II. Melakukan analisis konjoin dengan menghubungkan setiap kansei words dengan setiap kategori desain kemasan. Melakukan prediksi parameter verbal desain IFP produk daging sapi dengan ANN. Hasil analisis konjoin digunakan sebagai input ANN dengan melakukan trial and error kombinasi learning function, activation function, jumlah hidden layer, jumlah node hidden layer, learning rate, dan momentum. Metode penelitian tahap 2 (parameter nonverbal) : mengumpulkan kansei parameter nonverbal dengan menggunakan EEG Muse Brain Sensing Headband portable. Melakukan normalisasi, mengekstrak data data dari EEG dengan menggunakan aplikasi EEGLab. Melakukan prediksi parameter nonverbal desain IFP produk daging sapi dengan ANN. Gelombang alfa dari pengolahan data dengan EEGLab digunakan sebagai input Artificial Neural Network (ANN) dengan melakukan trial and error kombinasi learning function, activation function, jumlah hidden layer, jumlah node hidden layer, learning rate, dan momentum. Hasil penelitian tahap 1 diperoleh 37 pasang kansei words dari 100 responden melalui survei berupa wawancara, kuesioner, dan studi literature. Pasangan kansei words telah diuji validitas dan reliabilitas berdasarkan uji Kaiser-Meyer-Olkin Measure (KMO, Barlett’s Test of Sphericity, Measure of Sampling Adecuacy (MSA) dengan menggunakan software SPSS 26. Dari Hasill analisis faktor didapatkan 19 pasang kansei words dan terbentuk 5 faktor yang menjelaskan variansi total sebesar sebesar 75.462%, dengan rincian faktor 1 dengan variansi sebesar 58.985%, faktor 2 dengan variansi sebesar 5.905%, faktor 3 dengan variansi sebesar 4.095%, faktor 4 dengan variansi sebesar 3.691%, dan faktor 5 dengan variansi sebesar 2.786%. kansei parameter verbal diperoleh struktur ANN BP terbaik 418>>20>>8 dengan learning function Gradient Descent (traingd), activation function logsig logsig tansig, learning rate 0.1, dan momentum 0.9. Input 418 diperoleh dari kombinasi 19 kansei words (parameter verbal) dan 3 atribut desain IFP produk daging sapi seperti desain grafis (merek, warna IFP, tipografi, gambar, warna label IFP), struktur desain (model IFP, model label IFP), dan informasi produk. Berdasarkan ANN BP diperoleh nilai Mean Square Error (MSE) training 0.0099991 dan MSE validation 0.0321, dan nilai Regresi (R) training 0.99287 dan R validation 0.98928. Hasil prediksi desain IFP produk daging sapi yaitu merek berupa simbol, warna IFP berupa warna merah tua, tipografi berada di pojok kanan atas, gambar berupa gambar sapi utuh dengan keterangan, dan warna label IFP berupa warna merah; model IFP berupa model 2, dan model label IFP berupa model 2; dan informasi produk terdiri dari gabungan beberapa informasi tambahan pada kemasan seperti informasi halal, netto/berat bersih produk daging sapi, nama perusahaan/asal negara daging sapi, nama bagian dari daging sapi, dan kualitas daging sapi. Hasil penelitian tahap 2 kansei parameter nonverbal diperoleh struktur ANN BP terbaik 22>>30>>30>>8 dengan learning function traingd, activation function logsig logsig tansig, learning rate 0.1, dan momentum 0.9. Input 22 diperoleh dari kombinasi gelombang alfa pada elektroda AF7 di bagian depan kiri dan 3 atribut desain IFP produk daging sapi seperti desain grafis (merek, warna IFP, tipografi, gambar, warna label IFP), struktur desain (model IFP, model label IFP), dan informasi produk. Berdasarkan ANN BP diperoleh nilai Mean Square Error (MSE) training 0.0099942 dan MSE validation 0.0875, dan nilai R training 0.99661 dan R validation 0.92629. Hasil prediksi desain IFP produk daging sapi yaitu merek berupa istilah, wana IFP berupa warna transparan, tipografi berada di pojok kanan atas, gambar berupa kepala sapi, dan warna label IFP berupa warna hijau; model IFP berupa model 2, dan model label IFP berupa model 1; dan informasi produk terdiri dari gabungan beberapa informasi tambahan pada kemasan seperti informasi halal, netto/berat bersih produk daging sapi, nama perusahaan/asal negara daging sapi, nama bagian dari daging sapi, dan kualitas daging sapi. Kesesuaian antara data training dengan data validasi menunjukkan bahwa sistem yang terbentuk dapat digunakan untuk memprediksi preferensi responden baik melalui parameter verbal maupun nonverbal. Model ANN yang terlatih menghasilkan akurasi yang memuaskan dan kesalahan minimum. Desain terbaik IFP produk daging sapi dapat dilakukan dengan integrasi KE dan ANN.

English Abstract

The trend of packaging design innovation has shifted product development strategies that were initially oriented to technical aspects to be oriented to consumers. This shift is crucial as it aims to satisfy users' emotional needs in assessing a product. Packaging design innovation, a form of product development, must pay attention to the criteria of consumer needs, namely functionality, usability, and measurability. In the context of Intelligent Food Packaging (IFP) beef products, functionality can be seen in the packaging, which serves as a container for beef. The packaging on the market shows the quality or freshness of beef using expiry date information (usability). IFP beef products can provide information in real-time using fresh metres. IFP on beef products shows the highest measurability of a package. Pleasurable is closely related to emotional benefits because the product can influence the mood of consumer, providing hedonic or sensory pleasure related to physical pleasure or the product's aesthetics (psychological and physiological). Pleasureability requires a Kansei Engineering (KE) approach, which is heavily influenced by consumer preferences. Through Kansei's expression, Kansei Engineering (KE) plays a pivotal role in identifying needs, satisfaction, achievement, and consumer preferences by extracting verbal and nonverbal parameters. Verbal parameters indicate human expression in the form of words and are expressed orally or in written form. Nonverbal parameters, which show how consumers express themselves in sensory and organoleptic ways, can be obtained using an electroencephalogram (EEG). In the design of IFP, an effective approach is required to help designers understand consumer needs. Translating consumers ' perceptions and emotions into tangible designs can be achieved using various modelling techniques, including artificial neural networks (ANN). ANN can learn data, recognize patterns, and generalize new input from existing models. ANN Backpropagation was extended to obtain mapping models that accurately predict the relationship between product features and the emotional picture of consumers. The integration of verbal and nonverbal parameters and ANN is used to collect consumer Kansei words, translate consumer desires, and predict the IFP design of beef products based on consumer preferences. Phase I is dedicated to designing the IFP of beef products using an integration approach that incorporates verbal parameters and ANN. The goal is to identify and predict the product design that best aligns with consumer preference. Phase III, on the other hand, focuses on designing the IFP of beef products using an integration approach that involves nonverbal parameters and ANN. The aim is to identify and predict the product design that best suits consumer preferences. Research method Phase 1 (verbal parameters): Conduct a preliminary survey, namely interviews and dissemination of online questionnaires, to collect Kansei words and design attributes desired by consumers and collect Kansei words from several pieces of literature. Conduct an assessment of the level of importance of design attributes. Create, deploy, and evaluate Semantic Differential I (SD I) questionnaires. Evaluating SD I (tahapan engineering) by testing the validity and reliability of SD I. Perform factor analysis with the Kaiser Mayer Olkin test (KMO), Barlett's Test of Sphericity, and Measure of Sampling Adequacy (MS ). Perform factor extraction to determine the number of factors from d—the research method. Categorizing packaging design. Create, deploy, and evaluate SD. I perform conjoint analysis by linking each Kansei word to each packaging design category. Perform verbal parameter prediction of the beef product IFP design with AN. The result of conjoint analysis is used as ANN input by trial and error combination of learning function, activation function, number of hidden layers, number of hidden layer nodes, learning rate, and momentum. Research method Phase 2 (nonverbal parameters): collecting Kansei nonverbal parameters using EEG Muse Brain Sensing headband portable. Normalization is performed, and data from EEG is extracted using the EEGLab application. Perform nonverbal parameter prediction of beef product IFP design with AN. Alpha waves from data processing with EEGLab are used as Artificial Neural Network (ANN) input by trial and error combination of learning function, activation function, number of hidden layers, number of hidden layer nodes, learning rate, and momentum. The results of the research phase were that 1 obtained 37 pairs of Kansei words from 100 respondents through interviews, questionnaires, and literature studies. Kansei word pairs have been tested for validity and reliability based on the Kaiser-Meyer-Olkin Measure (KMO, Barlett's Test of Sphericity, and Measure of Sampling Adequacy (MSA) test using SPSS 26 software. From the results of factor analysis obtained, 19 pairs of Kansei words were and formed five factors that explain the total variance of 75.462%, with details of factor 1 with a variance of 58.985%, factor 2 with a variance of 5.905%, factor 3 with a variance of 4.095%, factor 4 with a variance of 3.691%, and Factor 5 with a variance of 2.786. Kansei verbal parameters obtained the best ANN BP structure 418>>20> > 8 with learning function Gradient Descent (trained), activation function logs, transit, learning rate 0.1, and momentum 0.9. Four hundred eighteen inputs were obtained from a combination of 19 Kansei words (verbal parameters) and 3 IFP design attributes of beef products such as graphic design (brand, IFP colour, typography, image, IFP label Color), Design structure (IFP model, IFP label model), and product information. Based on ANN BP, mean square error (MSE) training was obtained at 0.0099991, MSE validation was 0.0321, regression value (R) training was 0.99287, and R validation was 0.9892. The predicted results of IFP design of beef products based on consumer preferences are brand in the form of symbols, IFP colour in the form of dark red, typography in the upper right corner, images in the form of whole cow images with descriptions, and IFP label Color in the form of red; IFP model in the form of model 2, and IFP label model in the form of model 2; and product information consists of a combination of some additional information on the packaging such as halal information, netto/net weight of Beef Products, Company Name/Country of origin of beef, part name of beef, and quality of bee. The results of research phase 2 Kansei nonverbal parameters obtained the best ANN BP structure 22>>30>>30>>8 with training learning function; activation function logs, transit, learning rate 0.1, and momentum 0. Input 22 is obtained from a combination of alpha waves on the AF7 electrode on the Left Front and 3 IFP design attributes of beef products such as graphic design (brand, IFP colour, typography, image, IFP label Color), Design structure (IFP model, IFP label model), and product information. Based on ANN BP, the mean square error (MSE) training was obtained at 0.0099942, the E validation 0.0 was 875, and R train values.for661 and R were validated at 0.9262. The predicted results of IFP design of beef products based on consumer preferences, namely brand in the form of terms, wana IFP in the form of transparent colour, typography in the upper right corner, the image in the form of cow head, and IFP label Color in the form of green; IFP model in the form of model 2, and IFP label model in the form; and product information consists of a combination of some additional information on the packaging such as halal information, net / net weight of Beef Products, Company Name/Country of origin of beef, part name of beef, and quality of beef. The compatibility between training and validation data shows that the formed system can predict respondent preferences through verbal and nonverbal parameters. Trained ANN models produce satisfactory accuracy and minimum errors. With KE and ANN integration, the best IFP design of beef products can be achieved.

Item Type:	Thesis (Doktor)
Identification Number:	062410
Uncontrolled Keywords:	Intelligent Food Packaging, Kansei engineering, Parameter verbal, Parameter nonverbal, ANN.Intelligent Food Packaging, Kansei engineering, verbal parameters, nonverbal parameters, ANN.
Divisions:	S2/S3 > Doktor Teknologi Industri Pertanian, Fakultas Teknologi Pertanian
Depositing User:	soegeng Moelyono
Date Deposited:	23 Oct 2024 01:27
Last Modified:	23 Oct 2024 01:27
URI:	http://repository.ub.ac.id/id/eprint/231953

Text (DALAM MASA EMBARGO) Sakir.pdf Restricted to Registered users only Download (25MB)

Actions (login required)

View Item