Coors Improve Beer Flavors with Neural Networks

Company Background

Coors Brewers Ltd., berpusat di Burton-upon-Trent, pusat pembuatan bir Inggris, berbangga
karena memiliki top brand bir United Kingdom, dengan 20 persen sharing market, bertahun-
tahun pengalaman, dan beberapa pegawai terbaik dalam bisnis bir tersebut. Merek popular
termasuk Carling (bir ringan dengan penjualan terbaik di Inggris) Grolsch, Coors Fine Light
Beer, Sol, dan Korenwolf.

Problem

Konsumen masa kini memiliki banyak pilihan terkait dengan produk apa yang ingin mereka
minum. Pilihan peminum tergantung pada banyak faktor, yaitu suasana hati (mood), lokasi, dan
kesempatan/acara. Tujuan Coors adalah untuk memastikan bahwa kostumer memilih merek
Coors dalam keadaan apapun.

Menurut Coors, kreativitas adalah kunci sukses jangka panjang. Untuk menjadi merek pilihan
konsumen, Coors harus kreatif and mengantisipasi perubahan mood pelanggang yang selalu
berubah-ubah. Masalah penting yang terkait dengan bir adalah masalah rasa bir, tiap bir memiliki
rasa khas yang berbeda-beda. Rasa ini biasanya ditentukan melalui pengujian panel (panel tests).
Namun, tes semacam ini membutuhkan waktu yang panjang. Jika Coors mampu memahami rasa
bir hanya dengan melalui komposisi kimianya saja, hal ini akan membuka kesempatan baru
untuk menciptakan bir yang akan memenuhi harapan/ekspektasi konsumen.

Hubungan antara analisis kimia dan rasa bir belum dipahami sepenuhnya. Terdapat data
substansial/ penting dalam komposisi kimia bir dan analisis sensoris (indra perasa). Coors
membutuhkan sebuah mekanisme untuk menghubungkan kedua hal ini. Neural network
diterapkan untuk menciptakan hubungan antara komposisi kimia dan analisis sensoris.

Solution

Selama bertahun-tahun, Coors Brewers Ltd. telah mengumpulkan sejumlah besar data yang
berhubungan dengan analisis produk akhir, yang telah dilengkapi dengan data sensoris yang
berasal dari trained in-house testing panel. Beberapa input analitis dan output sensoris
dipaparkan dalam tabel berikut:

Neural network tunggal, terbatas pada satu kualitas dan rasa, pertama-tama digunakan untuk
memodelkan hubungan antara data analitis dan sensori. Neural network didasarkan pada paket
solusi yang disediakan oleh NeuroDimension. Inc. (ind.com). Neural network terdiri dari sebuah
arsitektur MLP dengan dengan dua lapisan tersembunyi. Data dalam jaringan dinormalisasi,
sehingga menghasilkan perbandingan hasil antar output sensoris. Neural network telah terlatih
(untuk mempelajari hubungan antara input dan output) melalui presentasi dari banyak kombinasi
kombinasi input/output yang relevan. Pada saat tidak ada peningkatan dalam eror jaringan pada
100 masa/waktu terakhir, training akhan dihentikan secara otomatis. Training dilakukan 50 kali
untuk memastikan bahwa mean error jaringan yang cukup dapat diperhitungkan untuk tujuan
perbandingan. Sebelum tiap training dijalankan, training yang berbeda dan dataset cross-
validation ditampilkan dengan mengacak sumber data dan rekaman/pencatatan, sehingga tidak
terjadi bias.

Teknik ini menghasilkan hasil yang buruk, hal ini terjadi karena dua alasan utama.
Pertama,berkonsentrasi pada satu kualitas produk berarti bahwa keberagaman pada data
sangatlah rendah. Neural network tidak mampu mengekstrak hubunngan yang berarti dari data.
Kedua, mungkin saja hanya satu subset dari input yang tersedia mampu memberikan pengaruh
terhadap rasa bir yang dipilih. Kinerja dari neural network dipengaruhi oleh noise yang
ditimbulkan oleh input yang tidak memiliki pengaruh terhadap rasa.

Ragam produk yang berbeda dimasukkan dalam cakupan training untuk mengatasi faktor
pertama. Hal ini mengakibatkan tantangan lebih besar dalam mengidentifikasi sebagian besar
input analitis yang penting. Tantangan ini diatasi dengan pengganti (switch) software yang
memungkinkan neural network yang terlatih untuk setiap kombinasi input yang mungkin ada.
Switch ini tidak digunakan untuk menonaktifkan input yang penting; jika input yang penting
dinonaktifkan, terdapat kemungkinan adanya peningkatan network error. Jika input yang
dihilangkan tidak penting, maka network error akan tetap tidak berubah atau berkurang karena
hilangnya noise. Pendekatan ini disebut exhaustive search karena seluruh kombinasi dievaluasi.
teknik ini, walaupun sederhana secara konseptual, dengan jumlah input yang banyak tidak
praktis secara komputasi; jumlah kombinasi yang mungkin ada yaitu 16.7 juta per rasa.

Dibutuhkan metode yang lebih efisien dalam mencari input yang relevan. Algoritma genetic
meerupakan solusi untuk permasalahan ini. Algoritma genetik mampu memanipulasi perubahan
input yang berbeda sebagai respon bagi adanya error seperti yang ditemui dalam neural network.
tujuan dari algoritma genetic adalah untuk meminimalisir adanya network error. Saat error
minimum dicapai, setting switch akan mengidentifikasi input analitis yang paling mungkin untuk
memprediksi rasa.

Result

Setelah menentukan input mana yang relevan, barulah memungkinkan untuk dilakukan
identifikasi rasa mana yang diprediksi lebih baik. Network telah dilatih menggunakan input
relevan yang telah diidentifikasi beberapa kali sebelumnya.sebelum tiap training dijalankan,
network data diacak untuk memastikan bahwa training berbeda dan cross-validation dataset telah
digunakan. Network error direkam setelah tiap training dijalankan. Rangkaian tes digunakan
untuk menguji kinerja trained network yang mengandung kurang lebih 80 record dari data
sampel. Neural network memprediksi beberapa rasa dengan akurat dengan menggunakan input
kimiawi. sebagai contoh, rasa burnt diprediksi dengan koefisien korelasi 0,87.

Kini, jumlah rasa yang terbatas diprediksi dengan menggunakan data analitis. respon sensoris
sangatlah rumit, dengan banyak interaksi potensial dan ambang sensitivitas yang sangat
beragam. analisis instrumental standar cenderung berupa gross parameter, dan untuk sebab
praktis dan ekonomis, banyak senyawa flavor-active tidak diukur begitu saja. Hubungan antara
rasa dan analisis dapat dimodelkan secara efektif hanya jika sejumlah besar analisis flavor-
contributory dipertimbangkan. Terlebih lagi, sebagai tambahan untuk material flavor-active,
contributor mouth-feel dan fisik seharusnya juga dipertimbangkan dalam profil sensoris
keseluruhan. Dengan pengembangan lebih jauh dari parameter input, keakuratan model neural
network akan meningkat.

Pertanyaan kasus:

1. Mengapa rasa bir penting bagi profitabilitas Coors?

2. Apa tujuan penggunaan neural network oleh Coors?
3. Mengapa hasil neural network awal Coors buruk, dan apa yang dilakukan untuk
meningkatkan hasilnya?
4. Apa keuntungan yang mungkin Coors dapatkan jika proyek berhasil dijalankan?
5. Modifikasi apa yang akan kamu buat untuk meningkatkan hasil prediksi rasa bir?

Jawaban kasus:

1. Rasa bir penting bagi profitabilitas Coors karena rasa bis bisa menjadi salah satu kriteria
pemilihan brand atau merek oleh pelanggan. Apalagi bila produk bir yang dihasilkan
memiliki rasa yang khas sehingga berbeda dengan merek-merek bir yang lain.
2. Hubungan antara analisis kimia dan rasa bir belum dipahami sepenuhnya. Terdapat data
substansial/ penting dalam komposisi kimia bir dan analisis sensoris (indra perasa). Coors
membutuhkan sebuah mekanisme untuk menghubungkan kedua hal ini. Neural network
diterapkan untuk menciptakan hubungan antara komposisi kimia dan analisis sensoris.
3. Hasil neural network awal Coors buruk adi karena dua alasan utama.
Pertama,berkonsentrasi pada satu kualitas produk berarti bahwa keberagaman pada data
sangatlah rendah. Neural network tidak mampu mengekstrak hubunngan yang berarti dari
data. Kedua, mungkin saja hanya satu subset dari input yang tersedia mampu
memberikan pengaruh terhadap rasa bir yang dipilih. Kinerja dari neural network
dipengaruhi oleh noise yang ditimbulkan oleh input yang tidak memiliki pengaruh
terhadap rasa.
Faktor pertaman dapat diatasi dengan memasukkan ragam produk yang berbeda dalam
cakupan training. Hal ini mengakibatkan tantangan lebih besar dalam mengidentifikasi
sebagian besar input analitis yang penting. Tantangan ini diatasi dengan pengganti
(switch) software yang memungkinkan neural network yang terlatih untuk setiap
 kombinasi input yang mungkin ada. Switch ini tidak digunakan untuk menonaktifkan
input yang penting; jika input yang penting dinonaktifkan, terdapat kemungkinan adanya
peningkatan network error. Jika input yang dihilangkan tidak penting, maka network
error akan tetap tidak berubah atau berkurang karena hilangnya noise. Pendekatan ini
disebut exhaustive search karena seluruh kombinasi dievaluasi. teknik ini, walaupun
sederhana secara konseptual, dengan jumlah input yang banyak tidak praktis secara
komputasi; jumlah kombinasi yang mungkin ada yaitu 16.7 juta per rasa.
Dibutuhkan metode yang lebih efisien dalam mencari input yang relevan. Algoritma
genetic meerupakan solusi untuk permasalahan ini. Algoritma genetik mampu
memanipulasi perubahan input yang berbeda sebagai respon bagi adanya error seperti
yang ditemui dalam neural network. tujuan dari algoritma genetic adalah untuk
meminimalisir adanya network error. Saat error minimum dicapai, setting switch akan
mengidentifikasi input analitis yang paling mungkin untuk memprediksi rasa.
4. Bila metode ini berhasil, maka Coors akan mampu mendapatkan prediksi rasa yang
paling disukai konsumen melalui hubungan antara komposisi kimia dan analisis sensoris.
Hal ini akan membuat produk-produk Corrs tetap menjadipilihan utama para konsumen
bir.
5. Kami akan meningkatkan meningkatkan efektivitas model hubungan antara rasa dan
analisis dengan mempertimbangkan lebih banyak analisis flavor-contributory. Selain itu,
sebagai tambahan untuk material flavor-active, contributor mouth-feel dan fisik juga
dipertimbangkan dalam profil sensoris keseluruhan. Pengembangan parameter input ini
akan meningkatkan keakuratan model neural network.