JUKI : Jurnal Komputer dan Informatika Volume 7 Nomor 2 Nopember 2025 e-ISSN : 2722-4368 Pengenalan Citra Makanan dan Perhitungan Kalori Otomatis Berbasis Convolutional Neural Network Resty Annisa1 .
Puput Budi Wintoro2.
Rio Ariestia Pradipta3.
Ramadhana Komala4 Teknik Informatika.
Universitas Lampung.
Jl.
Prof.
Soemantri Brojonegoro.
Bandar Lampung 35145 Pendidikan Dokter.
Universitas Lampung.
Jl.
Prof.
Soemantri Brojonegoro.
Bandar Lampung 35145 Email: 1resty.
annisa@eng.
id, 2budi.
wintoro@eng.
id, 3rio.
ariestia@eng.
komala@fk.
1,2,3
Abstrak.
Perkembangan teknologi kecerdasan buatan, khususnya di bidang computer vision, telah membuka peluang baru dalam penerapan sistem pengenalan citra untuk mendukung program kesehatan masyarakat.
Penelitian ini bertujuan untuk mengembangkan sistem cerdas yang mampu melakukan pengenalan citra makanan dan perhitungan kalori secara otomatis menggunakan algoritma Convolutional Neural Network (CNN).
Sistem ini diimplementasikan sebagai bagian dari upaya mendukung Dapur Gizi, dengan tujuan membantu pemantauan asupan gizi secara objektif dan efisien.
Metode penelitian mencakup tahapan pengumpulan dataset citra makanan, pra-pemrosesan data .
esizing, augmentation, dan normalisas.
, pelatihan model CNN untuk klasifikasi jenis makanan, serta integrasi modul perhitungan kalori berdasarkan hasil klasifikasi.
Pengujian dilakukan untuk mengevaluasi tingkat akurasi model dalam mengenali citra makanan dan estimasi kalori menggunakan metrik evaluasi seperti accuracy, precision, recall, dan mean absolute error (MAE).
Hasil penelitian menunjukkan bahwa model CNN yang dikembangkan mampu mengenali jenis makanan dengan tingkat akurasi sebesar 95,6%, precision 94,8%, dan recall 93,2%, dengan nilai error perhitungan kalori rata-rata (MAE) sebesar 6,7%.
Nilai-nilai tersebut menunjukkan bahwa sistem dapat mengenali makanan dan menghitung estimasi kalori dengan tingkat ketepatan yang tinggi.
Sistem ini menjadi solusi inovatif dalam mendukung pelaksanaan dan evaluasi program Dapur Gizi, serta berpotensi dikembangkan lebih lanjut sebagai aplikasi pemantauan gizi berbasis digital di bidang kesehatan dan pendidikan.
Kata kunci: Convolutional Neural Network.
Kecerdasan Buatan.
Pengenalan Citra Makanan.
Perhitungan Kalori Abstract.
Recent advancements in artificial intelligence, particularly in the field of computer vision, have enabled the development of automated image recognition systems to support public health initiatives.
This study presents the development of an intelligent system for automatic food image recognition and calorie estimation using a Convolutional Neural Network (CNN) architecture.
The system is designed to assist the Free Nutritious Meal Program by providing an efficient and objective method for monitoring nutritional The proposed approach involves several stages, including the collection of food image datasets, data preprocessing .
esizing, augmentation, and normalizatio.
CNN model training for food classification, and the integration of a calorie estimation module derived from classification results.
Model performance was evaluated using standard metrics such as accuracy, precision, recall, and mean absolute error (MAE).
Experimental results demonstrate that the developed CNN model achieves an accuracy of 95.
precision of 94.
8%, and recall of 93.
2%, with an average MAE of 6.
7% for calorie estimation.
These findings indicate that the system can effectively recognize various food types and accurately estimate their caloric The proposed system provides an innovative and practical solution for supporting the implementation and evaluation of free nutritious meal programs and can be further extended as a digital nutrition monitoring platform in healthcare and educational environments.
Keywords: Convolutional Neural Network, artificial intelegent, food image recognition, calorie estimation PENDAHULUAN Pembangunan sumber daya manusia (SDM) merupakan prioritas utama dalam Rencana Pembangunan Jangka Menengah Nasional (RPJMN) 2025Ae2029, dengan fokus pada peningkatan kualitas kesehatan dan gizi masyarakat sebagai bagian dari visi Indonesia Emas 2045.
Dalam konteks tersebut, pemerintah menetapkan Program Makan Bergizi Gratis (MBG) sebagai salah satu Proyek Pengenalan Citra Makanan dan Perhitungan Kalori Otomatis Berbasis Convolutional Neural Network Oleh : Resty Annisa.
Puput Budi Wintoro.
Rio Ariestia Pradipta.
Ramadhana Komala JUKI : Jurnal Komputer dan Informatika Volume 7 Nomor 2 Nopember 2025 e-ISSN : 2722-4368 Strategis Nasional (PSN) melalui Peraturan Presiden (Perpre.
No.
12 Tahun 2025.
Program ini memiliki tujuan strategis untuk meningkatkan status gizi peserta didik, memperkuat ketahanan pangan lokal, dan mendukung pemerataan kesejahteraan sosial.
Pemerintah berupaya memastikan bahwa setiap peserta didik memperoleh asupan makanan bergizi seimbang setiap hari guna mendukung tumbuh kembang dan konsentrasi belajar di sekolah melalui program MBG.
Pada kenyataannya, pelaksanaan program MBG di berbagai daerah masih menghadapi sejumlah kendala teknis dan administratif, terutama dalam proses pengawasan dan evaluasi gizi.
Berdasarkan hasil penelitian Agustini .
, tantangan dalam implementasi MBG meliputi ketidaksesuaian standar gizi antarwilayah, distribusi makanan yang belum merata, serta lemahnya koordinasi antar pemangku kepentingan .
Proses evaluasi yang dilakukan secara manual menggunakan tabel gizi dan pencatatan berbasis kertas juga menimbulkan potensi kesalahan dan inefisiensi, terutama ketika diterapkan pada skala nasional.
Akibatnya, pengawasan terhadap kesesuaian asupan gizi peserta menjadi tidak optimal dan belum berbasis data digital yang Dibutuhkan sistem berbasis teknologi yang mampu mendukung otomatisasi proses pemantauan gizi secara objektif, cepat, dan akurat.
Salah satu pendekatan potensial yakni dengan pemanfaatan kecerdasan buatan (Artificial Intelligenc.
di bidang komputer vision menggunakan algoritma Convolutional Neural Network (CNN).
CNN mampu mengenali pola visual dari citra digital dan mengklasifikasikan objek berdasarkan fitur spasial yang kompleks.
Implementasi arsitektur YOLOv11 (You Only Look Onc.
pada sistem dapat mendeteksi berbagai jenis makanan dalam satu gambar secara real-time serta memperkirakan kandungan kalori dengan efisien.
Penerapan teknologi ini sangat relevan dalam konteks MBG, karena memungkinkan pemantauan gizi peserta secara digital dan mendukung evaluasi berbasis data.
Urgensi penelitian ini berlandaskan pada amanat Perpres No.
12 Tahun 2025, yang menekankan bahwa pelaksanaan proyek strategis nasional harus dilakukan secara efisien, transparan, dan berbasis data digital.
Oleh karena itu, pengembangan sistem pengawasan gizi berbasis CNN diharapkan dapat mendukung prinsip good governance serta memperkuat digitalisasi layanan publik di bidang pendidikan dan kesehatan.
Sejalan dengan hal tersebut, pendekatan berbasis deep learning telah terbukti meningkatkan efektivitas pemantauan pola makan masyarakat dan akurasi analisis gizi hingga 30% dibandingkan metode manual .
Beberapa penelitian sebelumnya menunjukkan efektivitas pendekatan CNN dalam bidang pengenalan makanan dan perhitungan kalori.
Zianka et al.
mengembangkan aplikasi deteksi makanan berbasis CNN untuk pencegahan stunting dengan akurasi mencapai 92,3%.
Riswanto et al.
menerapkan metode Single Shot Multibox Detector (SSD) untuk klasifikasi makanan tradisional Indonesia dengan mean Average Precision .
AP) sebesar 89%.
Dalam penelitian internasional.
Goel et al.
memperkenalkan sistem deteksi makanan otomatis dengan multi-dish recognition yang mampu meningkatkan efisiensi klasifikasi hingga 94%.
Sapkota et al.
menunjukkan bahwa arsitektur YOLOv11 memiliki performa terbaik dalam mendeteksi objek real-time dengan efisiensi komputasi tinggi, sedangkan penelitian klasik oleh Kawano dan Yanai .
menunjukkan bahwa estimasi kalori berbasis citra dapat menghasilkan tingkat kesalahan rata-rata di bawah 10%.
Berdasarkan berbagai studi tersebut, penerapan CNN dengan arsitektur YOLOv11 berpotensi mendukung keberhasilan pelaksanaan Dapur Gizi.
Sistem ini memungkinkan proses pemantauan dan edukasi gizi dilakukan secara cepat, objektif, dan akurat, sekaligus mendukung pencapaian sasaran RPJMN 2025Ae2029 dalam peningkatan kualitas gizi masyarakat.
Penelitian ini dirancang untuk mengembangkan sistem cerdas yang mampu mengenali citra makanan serta menghitung estimasi kalori secara otomatis menggunakan CNN.
Proses pengembangan meliputi pengumpulan dataset citra makanan bergizi, pra-pemrosesan data .
esizing, augmentation, dan normalisas.
, pelatihan model dengan metode transfer learning, integrasi modul perhitungan kalori berbasis data gizi nasional, serta evaluasi performa menggunakan metrik accuracy, precision, recall, dan mean absolute error (MAE).
Pengenalan Citra Makanan dan Perhitungan Kalori Otomatis Berbasis Convolutional Neural Network Oleh : Resty Annisa.
Puput Budi Wintoro.
Rio Ariestia Pradipta.
Ramadhana Komala
JUKI : Jurnal Komputer dan Informatika
Volume 7 Nomor 2 Nopember 2025
e-ISSN : 2722-4368
METODOLOGI PENELITIAN
Metode Penelitian ini menggunakan pendekatan eksperimental kuantitatif dengan tujuan mengembangkan dan menguji sistem pengenalan citra makanan serta perhitungan kalori otomatis menggunakan algoritma Convolutional Neural Network (CNN).
Pendekatan ini dipilih untuk memperoleh model yang mampu mengenali jenis makanan bergizi secara akurat dan memperkirakan jumlah kalorinya berdasarkan data visual.
Tahapan penelitian terdiri dari pengumpulan dataset, prapemrosesan data, pelatihan model CNN, integrasi perhitungan kalori, dan evaluasi model.
Pengumpulan Dataset
Prapemrosesan Pelatihan model
CNN
Integrasi perhitungan kalori Evaluasi Model Gambar 1.
Alur Penelitian HASIL DAN PEMBAHASAN Hasil penelitian meliputi proses pengolahan data, pelatihan model dengan arsitektur YOLOv11, serta integrasi modul perhitungan kalori berbasis Tabel Komposisi Pangan Indonesia (TKPI).
Pengumpulan Dataset Data Primer Data primer diperoleh melalui pengambilan gambar langsung menggunakan kamera ponsel dengan spesifikasi kamera 5 beresolusi 50 MP, aperture f/1.
7, focal length 23mm .
Tabel 1 menyajikan gambar yang terkumpul sebagai dataset primer masing-masing kategori yaitu nasi putih, jagung rebus, ayam goreng paha bawah, telur ayam rebus, tempe goreng, tahu goreng, tumis kangkung, bayam bening, buah pisang, dan buah jeruk menyumbang 100 gambar ke dalam dataset.
Keseluruhan dataset primer yang terkumpul dari tabel ini mencapai 1.
000 gambar.
No.
Tabel 1.
Jumlah Dataset Primer Gambar Jenis Nasi Putih Jumlah Jagung Rebus 100 Ayam Goreng Paha Bawah Pengenalan Citra Makanan dan Perhitungan Kalori Otomatis Berbasis Convolutional Neural Network Oleh : Resty Annisa.
Puput Budi Wintoro.
Rio Ariestia Pradipta.
Ramadhana Komala JUKI : Jurnal Komputer dan Informatika Volume 7 Nomor 2 Nopember 2025 e-ISSN : 2722-4368 No.
Gambar Jenis Telur Ayam Rebus Jumlah Tempe Goreng Tahu Goreng Tumis Kangkung Bayam Bening Buah Pisang Buah Jeruk Total Data Sekunder Data sekunder dari sumber-sumber online seperti Google, web Kaggle, dan web Roboflow.
Setiap jenis makanan, yaitu nasi putih, jagung rebus, ayam goreng paha bawah, telur ayam Pengenalan Citra Makanan dan Perhitungan Kalori Otomatis Berbasis Convolutional Neural Network Oleh : Resty Annisa.
Puput Budi Wintoro.
Rio Ariestia Pradipta.
Ramadhana Komala JUKI : Jurnal Komputer dan Informatika Volume 7 Nomor 2 Nopember 2025 e-ISSN : 2722-4368 rebus, tempe goreng, tahu goreng, tumis kangkung, bayam bening, buah pisang, dan buah jeruk, memiliki jumlah gambar sebanyak 400.
Total dataset sekunder yang terkumpul 000 gambar untuk mendukung keakuratan model dalam penelitian.
Pra-pemrosesan Data Tahap ini meliputi beberapa proses yaitu resize data, labeling data, split data, dan augmentasi Resizing Tabel 2 memperlihatkan dataset sebelum dilakukan penyamaan rasio dan setelah dilakukan penyamaan rasio gambar.
Keseluruhan data dipastikan memiliki rasio yang sama yaitu 1:1.
Tabel 2.
Pemerataan Rasio Gambar Sebelum Setelah Tahap berikutnya, semua gambar diubah ukurannya menjadi 640x640 pixel menggunakan kode Python.
Proses resize bisa dilihat pada Kode 1.
import os import cv2 from tqdm import tqdm # Konfigurasi path input_dir = '/content/drive/MyDrive/PROGRAM SKRIPSI/dataset_raw' output_dir = '/content/drive/MyDrive/PROGRAM SKRIPSI/dataset_resized' target_size = .
, .
def process_dataset():
for class_name in os.
nput_di.
class_input_path = os.
nput_dir, class_nam.
if not os.
lass_input_pat.
# Membuat folder untuk images dan labels pada setiap class_output_images = os.
utput_dir, class_name, "images") class_output_labels = os.
utput_dir, class_name, "labels") makedirs.
lass_output_images, exist_ok=Tru.
lass_output_labels, exist_ok=Tru.
# Ambil file gambar dengan ekstensi jpg, png, jpeg image_files = .
for f in os.
lass_input_pat.
if f.
lower().
endswith(('jpg', 'png', 'jpeg'))] Pengenalan Citra Makanan dan Perhitungan Kalori Otomatis Berbasis Convolutional Neural Network Oleh : Resty Annisa.
Puput Budi Wintoro.
Rio Ariestia Pradipta.
Ramadhana Komala JUKI : Jurnal Komputer dan Informatika Volume 7 Nomor 2 Nopember 2025 e-ISSN : 2722-4368 for f in tqdm.
mage_files, desc=f'Processing .
lass_nam.
'):
img_path = os.
lass_input_path, .
img = cv2.
mg_pat.
if img is None:
"Warning: .
mg_pat.
tidak dapat dibaca, if img.
< target_size.
or img.
< target_size.
interpolation = cv2.
INTER_LINEAR
interpolation = cv2.
INTER_AREA
# Resize gambar resized_img = cv2.
mg, target_size, interpolation=interpolatio.
lass_output_images, .
, resized_im.
process_dataset() print("\nResizing selesai!") print.
"Semua gambar telah diresize ke .
arget_size.
}x.
arget_size.
} dan folder labels telah dibuat untuk setiap kelas.
Tabel 3.
Hasil Resize Data Sebelum 1000x1000 pixel Sesudah 640x640 pixel Pelabelan Gambar Proses pelabelan gambar dilakukan menggunakan Computer Vision Annotation Tool (CVAT).
Gambar 2 Proses Pelabelan gambar Pengenalan Citra Makanan dan Perhitungan Kalori Otomatis Berbasis Convolutional Neural Network Oleh : Resty Annisa.
Puput Budi Wintoro.
Rio Ariestia Pradipta.
Ramadhana Komala JUKI : Jurnal Komputer dan Informatika Volume 7 Nomor 2 Nopember 2025 e-ISSN : 2722-4368 Pembagian Data Dataset gambar dibagi ke dalam tiga kategori utama yaitu latih, validasi, dan uji.
Komposisi jumlah data ketiga kategori tersebut bisa dilihat pada Tabel 4.
Tabel 4.
Pembagian Data Data Latih Data Uji Data Validasi 80% .
10% .
10% .
Proporsi pembagian data yaitu data latih 80% dari total dataset .
0 gamba.
, data validasi 10% dari total dataset .
, dan data uji 10% dari total dataset .
menggunakan Python untuk melakukan pemisahan data.
import os import shutil from sklearn.
model_selection import train_test_split # Konfigurasi path INPUT_DIR = '/content/drive/MyDrive/PROGRAM SKRIPSI/dataset_resized' OUTPUT_DIR = '/content/drive/MyDrive/PROGRAM SKRIPSI/dataset_splited' # Rasio split dataset TRAIN_RATIO = 0.
VAL_RATIO = 0.
TEST_RATIO = 0.
def copy_files.
iles, split_type, class_name, class_images_path, class_labels_path, output_di.
for f in files:
# Generate unique filename dengan prefix kelas base_name = f".
lass_nam.
" txt_name = os.
base_txt_name = f".
lass_nam.
xt_nam.
" # Path sumber img_src = os.
lass_images_path, .
lbl_src = os.
lass_labels_path, txt_nam.
# Path tujuan img_dst = os.
utput_dir, split_type, 'images', base_nam.
lbl_dst = os.
utput_dir, split_type, 'labels', base_txt_nam.
# Salin file gambar copy.
mg_src, img_ds.
# Salin file label jika ada if os.
bl_sr.
bl_src, lbl_ds.
def split_dataset():
# Setup direktori output for split in ['train', 'val', 'test']:
join(OUTPUT_DIR, split, 'images'), exist_ok=Tru.
join(OUTPUT_DIR, split, 'labels'), exist_ok=Tru.
Pengenalan Citra Makanan dan Perhitungan Kalori Otomatis Berbasis Convolutional Neural Network Oleh : Resty Annisa.
Puput Budi Wintoro.
Rio Ariestia Pradipta.
Ramadhana Komala JUKI : Jurnal Komputer dan Informatika Volume 7 Nomor 2 Nopember 2025 e-ISSN : 2722-4368 # Dapatkan daftar kelas yang valid .
xclude hidden folder.
classes = .
for d in os.
listdir(INPUT_DIR) if os.
join(INPUT_DIR, .
) and not d.
startswith('.
')]
"Kelas yang ditemukan: .
") for class_name in classes:
class_path = os.
join(INPUT_DIR, class_nam.
images_path = os.
lass_path, "images") labels_path = os.
lass_path, "labels") # Validasi struktur direktori if not os.
mages_pat.
"\n[Peringata.
Direktori gambar tidak ditemukan untuk kelas .
lass_nam.
") # Dapatkan daftar file gambar image_files = .
for f in os.
mages_pat.
if lower().
endswith(('jpg', 'png', 'jpeg'))] # Skip kelas tanpa gambar if len.
mage_file.
== 0:
"\n[Peringata.
Tidak ada gambar untuk kelas .
lass_nam.
") print.
"\nMemproses kelas '.
lass_nam.
mage_file.
} gambar ditemukan") # Split dataset dengan pengecekan minimal sampel if len.
mage_file.
< 5: # Minimal 5 sampel untuk print.
"Kelas .
lass_nam.
memiliki terlalu sedikit sampel.
Melewati split.
train_files, temp_files = train_test_split( image_files, train_size=TRAIN_RATIO, shuffle=True, random_state=42 # Hitung rasio validasi yang valid val_test_ratio = VAL_RATIO / (VAL_RATIO TEST_RATIO) val_files, test_files = train_test_split( temp_files, train_size=val_test_ratio, random_state=42 ) if len.
emp_file.
> 0 else ([], []) except ValueError as e:
"Error saat splitting kelas .
lass_nam.
}") Pengenalan Citra Makanan dan Perhitungan Kalori Otomatis Berbasis Convolutional Neural Network Oleh : Resty Annisa.
Puput Budi Wintoro.
Rio Ariestia Pradipta.
Ramadhana Komala JUKI : Jurnal Komputer dan Informatika Volume 7 Nomor 2 Nopember 2025 e-ISSN : 2722-4368 # Salin file copy_files.
rain_files, 'train', class_name, images_path, labels_path.
OUTPUT_DIR) copy_files.
al_files, 'val', class_name, images_path, labels_path.
OUTPUT_DIR) copy_files.
est_files, 'test', class_name, images_path, labels_path.
OUTPUT_DIR) print.
"Split selesai untuk .
lass_nam.
:") print.
" - Train: .
rain_file.
}") print.
" - Val:
al_file.
}") print.
" - Test: .
est_file.
}") if __name__ == "__main__":
split_dataset() print("\nProses pembagian dataset selesai!") Augmentasi Data Penelitian ini menggunakan dua teknik augmentasi, yaitu rotasi dan mosaic.
Rotasi Gambar diputar sebesar 90A searah jarum jam dan 90A berlawanan arah jarum jam.
Tabel 5.
Augmentasi Rotasi Sebelum Sesudah 90 searah jarum jam 90 berlawanan jarum Tabel 5 memperlihatkan hasil proses augmentasi rotasi pada sebuah citra telur ayam beserta bounding box-nya.
Terlihat bahwa posisi objek dan bounding box berubah mengikuti orientasi citra, hal ini menyatakan bahwa proses rotasi tidak hanya pada gambar namun juga pada label bounding box dari objek yang ada di dalam gambar.
Mosaic Teknik mosaic menggabungkan empat gambar berbeda menjadi satu gambar besar dalam format grid.
Tabel 6.
Augmentasi Mosaic Sebelum Sesudah Pengenalan Citra Makanan dan Perhitungan Kalori Otomatis Berbasis Convolutional Neural Network Oleh : Resty Annisa.
Puput Budi Wintoro.
Rio Ariestia Pradipta.
Ramadhana Komala JUKI : Jurnal Komputer dan Informatika Volume 7 Nomor 2 Nopember 2025 e-ISSN : 2722-4368 Tabel 6 menampilkan perbandingan kondisi dataset sebelum dan sesudah dilakukan augmentasi mosaic.
Empat gambar digabung menjadi satu gambar mosaik yang ditunjukkan dengan nama file Aumosaic_0.
jpgAy beserta file label yang memuat informasi bounding box gabungan.
Pelatihan Model Tabel 8 menyajikan perbandingan performa dari enam model pelatihan.
Evaluasi dilakukan menggunakan empat metrik utama: mAP50, mAP.
Precision, dan Recall.
Berdasarkan hasil yang ditampilkan pada tabel, nilai tertinggi untuk masing-masing metrik ditandai dengan warna hijau, sedangkan nilai terendah diberi warna merah.
Model Pelatihan 4 dengan batch size 16 dan learning rate 0,001 mencatatkan performa terbaik secara keseluruhan dengan mAP50 sebesar 98.
35%, mAP 72%.
Precision 95.
57%, dan Recall 96.
Sebaliknya.
Pelatihan 2 menunjukkan performa paling rendah pada hampir seluruh metrik evaluasi.
Sehingga peneliti memilih model 4 untuk dibawa kelangkah berikutnya yaitu pengujian.
Model Pelatihan 1 Pelatihan 2 Pelatihan 3 Pelatihan 4 Pelatihan 5 Pelatihan 6 Tabel 7.
Perbandingan Hasil Pelatihan Semua Model Epoch Batch Learning mAP mAP Precision Size Rate 92% 89.
99% 94.
0,01
62% 88.
89% 93.
0,01
86% 89.
66% 94.
0,01
35% 92.
72% 95.
0,001
08% 90.
30% 94.
0,001
92% 90.
11% 94.
0,001
Recall Gambar 3 menampilkan confusion matrix hasil pengujian model terbaik terhadap data uji.
Matrix ini telah dinormalisasi sehingga setiap nilai menunjukkan proporsi prediksi yang benar terhadap jumlah total sampel untuk masing-masing kelas sebenarnya.
Berdasarkan gambar, dapat dilihat bahwa mayoritas kelas berhasil diklasifikasikan dengan sangat baik oleh model.
Beberapa kelas seperti nasi_putih, telur_ayam_rebus, buah_jeruk, dan tumis_kangkung menunjukkan akurasi prediksi yang sangat tinggi, bahkan mencapai 100% untuk nasi_putih dan buah_jeruk, serta lebih dari 98% untuk kelas lainnya.
Meskipun demikian, masih terdapat beberapa kelas yang menunjukkan tingkat kesalahan yang lebih tinggi dibandingkan yang lain.
Misalnya, kelas bening_bayam hanya dikenali dengan benar sebesar 86%, dan mengalami kesalahan prediksi ke kelas background sebesar 14% serta sedikit ke kelas buah_pisang.
Kelas tahu_goreng juga menunjukkan akurasi yang sedikit lebih rendah, yaitu 93%, dengan kesalahan prediksi ke latar belakang sebesar 7%.
Kelas lainnya seperti tempe_goreng, ayam_goreng_paha, dan buah_pisang masih mempertahankan akurasi di atas 90%, meskipun terdapat kesalahan minor dalam prediksi.
Kolom terakhir pada confusion matrix, yaitu background, juga menunjukkan adanya beberapa kesalahan klasifikasi dari objek nyata yang diprediksi sebagai latar belakang, seperti pada tahu_goreng dan bening_bayam.
Pengenalan Citra Makanan dan Perhitungan Kalori Otomatis Berbasis Convolutional Neural Network Oleh : Resty Annisa.
Puput Budi Wintoro.
Rio Ariestia Pradipta.
Ramadhana Komala JUKI : Jurnal Komputer dan Informatika Volume 7 Nomor 2 Nopember 2025 e-ISSN : 2722-4368 Gambar 3.
Confusion Matrix Model Terbaik Matriks hasil pengujian model pada dataset pengujian bisa dilihat pada Tabel 8.
Tabel 8.
Hasil Pengujian Model Pada Dataset Pengujian Kelas Precision Recall mAP50 mAP.
Nasi Putih Jagung Rebus Ayam Goreng Paha Telur Ayam Rebus Tempe Goreng Tahu Goreng Tumis Kangkung Bening Bayam Buah Pisang Buah Jeruk Rata-rata KESIMPULAN Kesimpulan dari penilitian ini Adalah sebagai berikut:
Model YOLOv11 berhasil dikembangkan untuk mengenali 10 jenis makanan.
Evaluasi kinerja model menunjukkan hasil yang sangat baik dengan mAP50sebesar 98,35%, precision 95,57%, dan recall 96,46%, mengindikasikan kemampuan model dalam menyeimbangkan akurasi deteksi dan cakupan objek.
Keberhasilan ini didukung oleh prapemrosesan data yang teliti, augmentasi .
otasi dan mosai.
, serta penyesuaian hyperparameter .
poch 100, batch size 16, learning rate 0,.
yang optimal.
Implementasi Smart Nutrition tidak hanya berfungsi sebagai alat bantu deteksi dan perhitungan gizi, tetapi juga menjadi sarana edukatif bagi siswa, sekolah, dapur gizi, dan pemangku kepentingan lainnya dalam memahami nilai gizi makanan secara berbasis data sehingga Pengenalan Citra Makanan dan Perhitungan Kalori Otomatis Berbasis Convolutional Neural Network Oleh : Resty Annisa.
Puput Budi Wintoro.
Rio Ariestia Pradipta.
Ramadhana Komala JUKI : Jurnal Komputer dan Informatika Volume 7 Nomor 2 Nopember 2025 e-ISSN : 2722-4368 berkontribusi dalam meningkatkan literasi gizi masyarakat dan mendukung keberhasilan program Makan Bergizi Gratis (MBG) menuju generasi emas 2045.
UCAPAN TERIMA KASIH
Peneliti mengucapkan terima kasih yang sebesar-besarnya kepada Universitas Lampung atas dukungan pendanaan melalui Hibah Penelitian BLU Tahun 2025.
Dukungan ini telah memungkinkan pelaksanaan penelitian berjalan dengan lancar dan berperan penting dalam mewujudkan luaran penelitian berupa sistem pemantauan gizi berbasis kecerdasan buatan yang diharapkan dapat memberikan kontribusi nyata bagi peningkatan literasi gizi masyarakat dan mendukung keberhasilan program Makan Bergizi Gratis.
DAFTAR PUSTAKA