Mukhlas, Muhammad Shiddiq (2025) Implementasi YOLOv8 pada estimasi kalori makanan. Sarjana thesis, UIN Sunan Gunung Djati Bandung.
|
Text (COVER)
cover.pdf Download (193kB) | Preview |
|
|
Text (ABSTRAK)
abstract.pdf Download (191kB) | Preview |
|
|
Text (LEMBAR PERNYATAAN)
surat pernyataan karya sendiri (1).pdf Download (360kB) | Preview |
|
|
Text (DAFTAR ISI)
daftar isi.pdf Download (225kB) | Preview |
|
|
Text (BAB I)
bab1.pdf Download (223kB) | Preview |
|
![[img]](https://digilib.uinsgd.ac.id/style/images/fileicons/text.png) |
Text (BAB II)
bab2.pdf Restricted to Registered users only Download (849kB) |
|
|
Text (BAB III)
bab3.pdf Restricted to Registered users only Download (350kB) |
|
|
Text (BAB IV)
bab4.pdf Restricted to Registered users only Download (920kB) |
|
|
Text (BAB V)
bab5.pdf Restricted to Registered users only Download (192kB) |
|
|
Text (DAFTAR PUSTAKA)
daftar pustaka.pdf Restricted to Registered users only Download (205kB) |
|
|
Text (LAMPIRAN)
Lampiran (12).pdf Restricted to Repository staff only Download (130kB) |
Abstract
Pola makan sehat memiliki peran penting dalam menjaga keseimbangan energi tubuh dan mencegah berbagai penyakit tidak menular seperti obesitas, diabetes, penyakit kardiovaskular, dan kanker. Namun, pengetahuan masyarakat tentang kalori atau nilai gizi makanan masih terbatas, sementara metode konvensional seperti penimbangan makanan atau kalkulator kalori berbasis web kurang praktis untuk digunakan. Penelitian ini bertujuan untuk mengembangkan sistem berbasis algoritma YOLOv8 yang dapat mendeteksi jenis makanan dari citra visual dan mengestimasi kalorinya secara otomatis menggunakan algoritma Random Forest Regressor. Penelitian ini difokuskan pada makanan yang umum dikonsumsi masyarakat Indonesia, seperti nasi putih, mie, ayam fillet, dan tumisan, yang karakteristiknya memungkinkan estimasi volume berbasis kedalaman. Sistem ini telah berhasil diimplementasikan pada perangkat smartphone dan dapat melakukan deteksi serta estimasi kalori, sehingga memberikan solusi praktis bagi pengguna dalam memperkirakan asupan kalori makanan. Berdasarkan hasil evaluasi, model YOLOv8 mencapai mAP@50 sebesar 94,6% untuk segmentasi (mask) dan precision sebesar 99,8%, sedangkan model Random Forest untuk estimasi berat makanan menghasilkan MAE sebesar 10,20 gram dan MAPE sebesar 9,61%.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Uncontrolled Keywords: | Deteksi Makanan; YOLOv8; Estimasi Kalori |
| Subjects: | Data Processing, Computer Science Special Computer Methods > Artificial Intelligence Special Computer Methods > Computer Vision Numerical Analysis > Algorithms |
| Divisions: | Fakultas Sains dan Teknologi > Program Studi Teknik Informatika |
| Depositing User: | Muhammad Shiddiq Mukhlas |
| Date Deposited: | 25 Nov 2025 02:41 |
| Last Modified: | 25 Nov 2025 04:07 |
| URI: | https://digilib.uinsgd.ac.id/id/eprint/125916 |
Actions (login required)
 |
View Item |
