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.
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 F1, F2, F4, F5, F6, F7, F8
V12, V21, V33, V42, V51 2
F1, F2, F3, F4, F5, F7 V14, V23, V32, V42, V43, V51, V52,
V53 3
F3, F4, F5, F6, F7 V14, V22, V31, V42, V56
4 F1, F2, F3, F5, F7, F8
V12, V22, V31, V42, V51, V52 5
F5, F6 V12, V23, V31, V43, V52
6 F1, F2, F3, F5, F6, F7
V12, V22, V31, V43, V56 …
… …
41 F4, F7
V13, V23, V31, V41, V55 42
F1, F5, F6, F7, F8 V11, V22, V31, V41, V54
43 F5, F6
V14, V21, V31, V41, V51 44
F1, F2, F3, F4, F5, F6, F7 V11, V21, V31, V42, V53
45 F1, F4, F5, F6, F7, F8
V11, V22, V31, V41, V53
Keterangan: F1 = Cantik, F2 = Unik
F3 = Inovatif F4 = Alami
F5 = Sederhana F6 = Kokoh
F7 = Nyaman F8 = Modern
V = elemen desain lihat Tabel 6
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
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 = PA
∩B = jumlah penilaian yang mengandung A dan B jumlah penilaian total
Confidence : ukuran yang menyatakan hubungan antara dua item secara
condition al misalkan seberapa sering item B dipilih, jika konsumen memilih item
A. Confidence=
PA|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
