Implementasi Deep Learning untuk Deteksi Makanan dan Estimasi Kalori menggunakan YOLOv11

Triyani, Elmi Wahyu (2025) Implementasi Deep Learning untuk Deteksi Makanan dan Estimasi Kalori menggunakan YOLOv11. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (209kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (257kB) | Preview
Preview	Text (SK BEBAS PLAGIARISM) 3_skbebasplagiarism.pdf Download (394kB) | Preview
Preview	Text (DAFTAR ISI) 4_daftarisi.pdf Download (253kB) | Preview
Preview	Text (BAB I) 5_bab1.pdf Download (392kB) | Preview
	Text (BAB II) 6_bab2.pdf Restricted to Registered users only Download (722kB) | Request a copy
	Text (BAB III) 7_bab3.pdf Restricted to Registered users only Download (334kB) | Request a copy
	Text (BAB IV) 8_bab4.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB V) 9_bab5.pdf Restricted to Registered users only Download (240kB) | Request a copy
	Text (DAFTAR PUSTAKA) 10_daftarpustaka.pdf Restricted to Registered users only Download (226kB) | Request a copy

Abstract

Penelitian ini bertujuan untuk membuat sistem yang mampu melakukan deteksi makanan dan memperkirakan jumlah kalori yang terkandung melalui citra digital. Sistem ini dirancang untuk memberikan kemudahan bagi pengguna dalam memantau asupan kalori harian secara cepat tanpa perhitungan manual, sehingga diharapkan dapat memberikan dampak positif dalam menangani peningkatan prevalensi obesitas di Indonesia. Dalam pembuatan sistem ini digunakan metode CRISP-DM (Cross Industry Standard Process for Data Mining), yang terdiri dari enam tahap yaitu business understanding, data understanding, data preparation, modeling, evaluation, dan deployment. Model deteksi objek yang digunakan adalah YOLOv11, yaitu algoritma deteksi objek real-time yang menawarkan kecepatan dan akurasi tinggi. Penelitian ini fokus pada objek makanan yaitu nasi putih, nasi merah, nasi hitam, ayam goreng, mentimun, pisang ambon, pisang cavendish, pisang kepok, pisang muli, pisang raja bulu, dan pisang susu, serta objek koin Rp1.000 yang digunakan sebagai referensi ukuran untuk menghitung estimasi kalori makanan. Hasil modeling menunjukkan performa model yang tinggi, dengan nilai precision 94,6%, recall 97,3%, mAP@50 96,6%, dan mAP@50-95 sebesar 83,3% dengan total waktu eksekusi 6,2 ms per gambar. Model kemudian dikonversi menjadi format TensorFlow Lite dan diintegrasikan dengan aplikasi mobile berbasis Android. Aplikasi ini menghitung kalori berdasarkan luas bounding box makanan yang dikalibrasi menggunakan koin sebagai skala referensi ukuran. Pengujian menggunakan teknik black box menunjukan semua fitur aplikasi sesuai dengan yang diharapkan. Selain itu hasil pengujian dengan membandingkan hasil estimasi kalori aplikasi dengan perhitungan manual memiliki selisih mayoritas di bawah 5%. Dengan demikian, sistem ini dapat digunakan sebagai alat bantu untuk estimasi kalori makanan secara efisien.

Actions (login required)

View Item