Kombinasi ANN dan Kansei Engineering dalam Menghadapi Kegagalan Produk di Pasar
Kombinasi antara Artificial Neural Network (ANN) dan Kansei Engineering dalam memprediksi penerimaan konsumen terhadap produk minuman tradisional berbasis rempah adalah sebuah pendekatan yang cerdas dan inovatif. Dalam beberapa tahun terakhir, minuman tradisional Indonesia seperti wedang uwuh, jamu, dan bir pletok, mengalami kebangkitan popularitas, terutama di kalangan generasi muda. Namun, seperti diungkapkan oleh Alfiani et al. (2024), pengukuran penerimaan konsumen untuk produk-produk ini menjadi tantangan besar karena bias dalam metode evaluasi sensorik konvensional yang sering digunakan. Hal ini menyebabkan tingginya tingkat kegagalan produk baru di pasar, di mana sekitar 70% hingga 80% produk baru gagal menarik perhatian konsumen (Soltani-Fesaghandis & Pooya, 2018).
Metode evaluasi sensorik yang biasanya digunakan untuk menilai penerimaan konsumen dianggap bias karena bergantung pada laporan diri partisipan yang sering kali terpengaruh oleh faktor subjektif. Oleh karena itu, Kansei Engineering menawarkan solusi yang dapat mengatasi bias ini dengan mengukur respons verbal dan nonverbal konsumen. Dalam studi ini, ANN digunakan untuk memprediksi hubungan antara respons tersebut dan penerimaan keseluruhan konsumen terhadap minuman tradisional berbasis rempah. ANN menjadi alat yang sangat berguna karena kemampuannya dalam mengolah data yang kompleks dan meniru fungsi sistem saraf biologis, sehingga mampu mengidentifikasi korelasi antara input dan output.
Penelitian yang dilakukan oleh Alfiani et al. (2024) merupakan terobosan dalam memahami perilaku konsumen secara lebih mendalam, khususnya terkait minuman tradisional. Dengan jumlah partisipan sebanyak 30 orang yang menguji sembilan sampel minuman, penelitian ini memberikan hasil yang akurat dengan kesalahan prediksi rendah dan koefisien korelasi yang tinggi. Model ANN yang digunakan berhasil memberikan hasil yang memuaskan dengan tingkat kesalahan sebesar 0,079 pada data pelatihan dan 0,065 pada data validasi, menunjukkan potensi besar untuk diterapkan di sektor industri makanan dan minuman.
***
Penggunaan Artificial Neural Network (ANN) dan Kansei Engineering dalam memprediksi penerimaan konsumen menawarkan pendekatan yang revolusioner dalam evaluasi produk. ANN dikenal karena kemampuannya dalam mengolah data kompleks dan non-linear, dan pada penelitian ini, ANN digunakan untuk mengolah respons verbal dan nonverbal dari konsumen, yang diukur melalui berbagai metode. Respons verbal, seperti rasa dan kesegaran, diukur menggunakan skala Likert 7 poin, sementara respons nonverbal, seperti detak jantung (HR) dan suhu kulit (ST), diukur secara real-time menggunakan sensor. Hasil dari kedua metode ini kemudian diproses oleh ANN untuk menghasilkan prediksi penerimaan konsumen yang lebih akurat.
Menurut penelitian Alfiani et al. (2024), model ANN yang digunakan terdiri dari 10 input, 2 neuron tersembunyi, dan 1 output. Model ini menunjukkan kinerja yang luar biasa, dengan Root Mean Square Error (RMSE) sebesar 0,079 untuk data pelatihan dan 0,065 untuk data validasi. Selain itu, koefisien determinasi (R²) untuk validasi mencapai 0,91, yang menunjukkan tingkat akurasi yang sangat tinggi dalam memprediksi preferensi konsumen. Dengan akurasi tersebut, penelitian ini berhasil menunjukkan bahwa respons Kansei, baik verbal maupun nonverbal, merupakan indikator yang kuat dalam memprediksi penerimaan produk.
Dalam hal respon konsumen, penelitian ini juga menemukan bahwa minuman tradisional berbasis rempah memiliki penerimaan yang berbeda-beda. Dari sembilan sampel yang diuji, sampel VIII mendapatkan skor penerimaan tertinggi, sedangkan sampel IX mendapatkan skor terendah. Data ini menunjukkan bahwa preferensi konsumen dapat bervariasi secara signifikan, tergantung pada formulasi dan presentasi produk. Hasil analisis ANOVA juga menunjukkan adanya perbedaan yang signifikan dalam penerimaan konsumen terhadap sampel yang berbeda, dengan p<0,05.
Selain itu, penelitian ini juga memberikan kontribusi yang signifikan terhadap industri makanan dan minuman, khususnya dalam pengembangan produk baru. Dengan model ANN ini, perusahaan dapat memprediksi dengan lebih baik produk mana yang lebih mungkin diterima oleh konsumen, mengurangi risiko kegagalan produk di pasar. Hal ini sangat penting mengingat tingkat kegagalan produk baru yang sangat tinggi di industri ini, yaitu antara 70% hingga 80%, seperti yang dilaporkan dalam studi sebelumnya oleh Soltani-Fesaghandis dan Pooya (2018). Dengan mengurangi bias dalam evaluasi sensorik dan meningkatkan akurasi prediksi penerimaan konsumen, penelitian ini dapat menjadi alat penting bagi industri untuk mempercepat proses inovasi dan memastikan produk mereka lebih sesuai dengan kebutuhan dan preferensi konsumen.
***
Penelitian yang dilakukan oleh Alfiani et al. (2024) memberikan gambaran yang sangat jelas mengenai potensi penggunaan Artificial Neural Network (ANN) dan Kansei Engineering dalam memahami preferensi konsumen. Dengan hasil yang akurat dan kesalahan prediksi yang rendah, pendekatan ini menunjukkan bahwa respons emosional dan fisiologis konsumen dapat digunakan sebagai indikator kuat untuk memprediksi penerimaan produk. Implikasi praktis dari penelitian ini sangat signifikan, terutama bagi industri makanan dan minuman yang sering kali menghadapi risiko tinggi dalam pengembangan produk baru.
