Deteksi Kalori Makanan Tradisional Indonesia Menggunakan Metode Single Shot Multibox Detector (SSD)
Calorie Detection of Traditional Indonesian Food Using the Single Shot Multibox Detector (SSD) Method
DOI:
https://doi.org/10.57152/malcom.v4i3.1332Keywords:
Deteksi Kalori Makanan, Kalori, Pemantauan Kesehatan, Pengolahan Citra, Single Shot Multibox DetectorAbstract
Tujuan penelitian untuk mengembangkan sistem pendeteksi kalori makanan dengan menggunakan metode Single Shot Multibox Detector (SSD). Juga, bertujuan untuk mengatasi masalah manusia yang kesulitan dalam mengestimasi jumlah kalori yang dikonsumsi dari makanan. Dengan menggunakan model kecerdasan buatan dan bantuan kamera pada perangkat ponsel, pada penelitian ini memungkinkan pengguna untuk melakukan estimasi kalori yang lebih akurat. Sistem ini dirancang secara otomatis untuk mengidentifikasi dan memperkirakan jumlah kalori dalam makanan berdasarkan citra visual. Pemilihan metode SSD didasarkan pada keunggulannya dalam mendeteksi objek dengan tingkat akurasi yang tinggi dan kecepatan pengolahan yang cepat. Proses penelitian melibatkan beberapa tahap, termasuk pengumpulan dataset citra makanan, pelatihan model SSD dengan konfigurasi Hyperparameter pada 40.000 langkah, menggunakan data training sebanyak 90%, validasi 10%, dan testing 10%, serta menggunakan batch size 16 dan learning rate 0.007943453. Hasil eksperimen menunjukkan total loss sebesar 0.1670681 dan mean average precision (mAP) sebesar 65.09%. Jenis makanan berhasil dideteksi dengan baik, dan aplikasi mobile terkait mampu mengestimasi kalori makanan setelah deteksi jenis makanan. Meskipun demikian, penelitian mengidentifikasi beberapa tantangan, terutama dalam meningkatkan akurasi deteksi pada makanan dengan struktur kompleks atau variasi presentasi yang ekstensif. Temuan dari penelitian ini diharapkan dapat memberikan kontribusi penting dalam pengembangan sistem pendukung keputusan untuk pemantauan otomatis asupan kalori.
References
F. Okmayura, A. Jefiza, and W. Ramadhani, “The Calorie Burning Calculation System in Jogging Using a Thresholding-Based Accelerometer Sensor,” Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control, vol. 4, pp. 103–110, 2020, doi: 10.22219/kinetik.v5i2.1005.
M. Dandi, H. Fauzi Tsp, and S. Rizal, “Perancangan Aplikasi Perhitungan Nutrisi Pada Makanan Berbasis Android Dengan Metode Convolutional Neural Network (Cnn),” e-Proceeding of Engineering, vol. 8, no. No.5, pp. 5000–5008, 2021.
Y. Eluis Bali Mawartika, M. Guntur, S. Informasi, S. Bina Nusantara Jaya Lubuklinggau Jalan Yos Sudarso No, and A. Kelurahan Jawa Kanan Kota Lubuklinggau, “Aplikasi Sistem Pakar Pemilihan Makanan Berdasarkan Kebutuhan Gizi Menggunakan Metode Forward Chaining Application Expert System for Food Selection Based on Nutritional Needs using Forward Chaining,” Cogito Smart Journal |, vol. 7, no. 1, pp. 96–110, 2021.
N. Hakima and P. A. Pitria, “Aplikasi Panduan Gizi Seimbang Berbasis Mobile dengan Metode Lean UX,” Jurnal Sistem Informasi dan Teknologi (SITECH), vol. 6, no. 1, pp. 21–32, 2023, [Online]. Available: http://www.jurnal.umk.ac.id/sitech
D. Dayton and S. A. Aklani, “Analisis dan Pengembangan Aplikasi Mobile Diet Artificial Intelligence dengan Pendekatan Challenge Based,” Jurnal Sistem Informasi dan Informatika (Simika), vol. 6, no. 1, pp. 48–58, 2023.
Chidinma-Mary-Agbai, “Application of artificial intelligence (AI) in food industry,” GSC Biological and Pharmaceutical Sciences, vol. 13, no. 1, pp. 171–178, 2020, doi: 10.30574/gscbps.2020.13.1.0320.
T. L. Subaran, T. Semiawan, and N. Syakrani, “Mask R-CNN and GrabCut Algorithm for an Image-based Calorie Estimation System,” Journal of Information Systems Engineering and Business Intelligence, vol. 8, no. 1, pp. 1–10, Apr. 2022, doi: 10.20473/jisebi.8.1.1-10.
C.-H. Wang and J.-T. Huang, “Deep Learning-Based Food Identification and Calorie Estimation,” in International Confrence on Aplications and System of Visual Paradigms, Porto: IARIA, Jun. 2022.
L. M. Amugongo, A. Kriebitz, A. Boch, and C. Lütge, “Mobile Computer Vision-Based Applications for Food Recognition and Volume and Calorific Estimation: A Systematic Review,” Healthcare (Switzerland), vol. 11, no. 1. MDPI, pp. 1–17, Jan. 01, 2023. doi: 10.3390/healthcare11010059.
N. Afif Bunyamin, A. Hendra Brata, and R. K. Dewi, “Pengembangan Aplikasi Pengatur Kalori Harian menggunakan Tensorflow berbasis Android,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 6, no. 1, pp. 2548–964, 2022, [Online]. Available: http://j-ptiik.ub.ac.id
L. K. Gautam and V. S. Gulhane, “Calorie estimation model for Indian elderly persons using image processing and convnets techniques,” Int J Health Sci (Qassim), pp. 6515–6523, May 2022, doi: 10.53730/ijhs.v6ns3.7463.
C. Mahaputri, Y. Kristian, and E. Setyati, “Pengenalan Makanan Tradisional Indonesia Beserta Bahan-bahannya dengan Memanfaatkan DCNN Transfer Learning,” INSYST (Intelligent System and Computation), vol. 4, no. 2, pp. 61–68, 2022, doi: 10.52985/insyst.v4i2.252.
E. Namekawa and H. Hishida, “Proposal of food recognition function added to the system that automatically calculates the calorie value of ingredients,” in IMCIC 2022 - 13th International Multi-Conference on Complexity, Informatics and Cybernetics, Proceedings, International Institute of Informatics and Cybernetics, IIIC, 2022, pp. 44–47. doi: 10.54808/IMCIC2022.02.44.
Y. Widya, A. Rustam, and H. Gunawan, “INFORMASI (Jurnal Informatika dan Sistem Informasi) Perancangan Aplikasi Perhitungan Kebutuhan Kalori Tubuh Harian Berdasarkan Asupan Konsumsi Makanan Menggunakan Logika Fuzzy.”
W. Wang, W. Min, T. Li, X. Dong, H. Li, and S. Jiang, “A review on vision-based analysis for automatic dietary assessment,” Trends in Food Science and Technology, vol. 122. Elsevier Ltd, pp. 223–237, Apr. 01, 2022. doi: 10.1016/j.tifs.2022.02.017.
Madhura, S. NS, A. Rao, and M. Vaeroneeca Devi, “Calorific-Food Recognition and Recommendation in Machine Learning Perspective,” International Research Journal of Modernization in Engineering Technology and Science, vol. 4, no. 6, pp. 2582–5208, 2022, [Online]. Available: www.irjmets.com
N. Oleksiv, O. Veres, A. Vasyliuk, I. Rishnyak, and L. Chyrun, “Recommendation System for Monitoring the Energy Value of Consumer Food Products Based on Machine Learning,” in International Conference on Computational Linguistics and Intelligent Systems, Gliwice: COLINS, May 2022.
Y. C. Liu, D. D. Onthoni, S. Mohapatra, D. Irianti, and P. K. Sahoo, “Deep-Learning-Assisted Multi-Dish Food Recognition Application for Dietary Intake Reporting,” Electronics (Switzerland), vol. 11, no. 10, May 2022, doi: 10.3390/electronics11101626.
D. Tribuana, H. Hazriani, and A. Latief Arda, “Face recognition for smart door security access with convolutional neural network method,” TELKOMNIKA (Telecommunication Computing Electronics and Control), vol. 22, no. 3, pp. 702–710, Jun. 2024, doi: 10.12928/telkomnika.v22i3.25946.
D. Tribuana, Hazriani, and A. Latief Arda, “Image Preprocessing Approaches Toward Better Learning Performance with CNN,” JURNAL RESTI (Rekayasa Sistem Teknologi Informasi), vol. 8, no. 1, pp. 1–9, 2024, doi: 10.29207/resti.v8i1.5417.
