Pengembangan Sistem Estimasi Gizi dan Kalori Berbasis MobilenetV3 dan Tensorflow
Keywords:
Estimasi Kalori, Deep Learning, MobileNetV3, Transfer Learning, Deteksi MakananAbstract
Manajemen nutrisi adalah faktor penentu dalam mencapai target kesehatan, baik untuk penurunan berat badan, pemeliharaan berat badan ideal, maupun peningkatan massa otot, namun masyarakat sering mengalami kesulitan mengidentifikasi kandungan gizi dan kalori makanan secara cepat dan akurat sehingga estimasi yang dihasilkan rawan bias. Penelitian ini bertujuan merancang dan mengembangkan sistem aplikasi estimasi gizi dan kalori berbasis Deep Learning yang mampu mengenali 34 kelas makanan Indonesia dan buah-buahan lokal dari citra digital secara otomatis dan real-time. Sistem dibangun menggunakan arsitektur MobileNetV3 dan framework TensorFlow dengan metode CNN dan Transfer Learning dua fase (feature extraction dan fine-tuning) serta augmentasi data, kemudian diimplementasikan sebagai Progressive Web App (PWA) dengan backend Flask dan frontend Vanilla JS yang mengintegrasikan hasil klasifikasi dengan basis data TKPI dan fatsecret. Dataset terdiri dari 5.690 citra yang dibagi 80:10:10, dan evaluasi pada 569 citra uji menghasilkan akurasi 95,08% serta Weighted Average F1-Score 95,1%, melampaui target awal 85%. Hasil ini membuktikan bahwa sistem yang dikembangkan layak digunakan sebagai solusi praktis pemantauan nutrisi harian berbasis citra, baik dari sisi akurasi model maupun kelengkapan fitur aplikasi. Penelitian selanjutnya dapat diarahkan pada penambahan deteksi multi-objek dalam satu frame serta integrasi sensor berat porsi untuk meningkatkan presisi estimasi kalori.
References
[2] B. Kalivaraprasad, M. V. D. Prasad, dan N. K. Gattim, “Deep learning-based food calorie estimation method in dietary assessment: An advanced approach using convolutional neural networks,” Int. J. Adv. Comput. Sci. Appl., vol. 15, no. 3, hal. 1044–1050, 2024, doi: 10.14569/IJACSA.2024.01503104.
[3] Nadiyah, M. E. Putri, M. Khairi, M. Furqan, dan B. Yusman, “Jurnal Kecerdasan Buatan , Komputasi dan Teknologi Informasi Deteksi Objek Untuk Menghitung Perkiraan Kalori Makanan Menggunakan Metode R-CNN Mask Berbasis Web,” vol. 5, no. 1, hal. 84–92, 2024.
[4] M. Mansouri, S. Benabdellah Chaouni, S. Jai Andaloussi, dan O. Ouchetto, “Deep Learning for Food Image Recognition and Nutrition Analysis Towards Chronic Diseases Monitoring: A Systematic Review,” SN Comput. Sci., vol. 4, no. 5, hal. 513, 2023, doi: 10.1007/s42979-023-01972-1.
[5] J. Patel dan K. Modi, “Indian Food Image Classification and Recognition with Transfer Learning Technique Using MobileNetV3 and Data Augmentation,” in The 4th International Electronic Conference on Applied Sciences, 2023. doi: 10.3390/asec2023-15341.
[6] N. Srikanth, K. Sagar, C. Sravanthi, dan K. Saranya, “Deep Learning Driven Food Recognition and Calorie Estimation Using Mobile Net Architecture,” in 2024 5th International Conference for Emerging Technology (INCET), 2024, hal. 1–7. doi: 10.1109/incet61516.2024.10593068.
[7] M. Suneela, M. Sahithi, N. Vamsi, N. B. Naik, dan N. S. Chowdary, “Enhancing Dietary Monitoring using Deep Learning: Food Recognition and Calorie Estimation,” in 2024 15th International Conference on Computing Communication and Networking Technologies (ICCCNT), 2024, hal. 1–6. doi: 10.1109/icccnt61001.2024.10725324.
[8] A. Alsajri dan A. V. Hacimahmud, “Review of deep learning: Convolutional Neural Network Algorithm,” Babylonian J. Mach. Learn., vol. 2023, hal. 19–25, 2023, doi: 10.58496/BJML/2023/004.
[9] M. Zen dan M. D. P. Ananda, “BULLETIN OF COMPUTER SCIENCE RESEARCH Implementasi dan Pengujian Menggunakan Metode BlackBox Testing Pada Sistem Informasi Tracer Study,” vol. 4, no. 4, hal. 327–340, 2024, doi: 10.47065/bulletincsr.v4i4.359.
[10] C. Wimalasiri dan P. K. Sahoo, “Vision-Based Approach for Food Weight Estimation from 2D Images,” 2024. doi: 10.48550/arXiv.2405.16478.
[11] R. Agarwal, T. Choudhury, N. J. Ahuja, dan T. Sarkar, “Hybrid Deep Learning Algorithm-Based Food Recognition and Calorie Estimation,” J. Food Process. Preserv., vol. 2023, hal. 6612302, 2023, doi: 10.1155/2023/6612302.
[12] Pramesthi, I. L., Wiradnyani, L. A., Anggraini, R., Februhartanty, J., Widaryat, W., Waluyo, B., Wahyunto, A. T., Mansyur, M., & Fahmida, U. (2025). Evaluating the Impact of Indonesia’s National School Feeding Program (ProGAS) on Children’s Nutrition and Learning Environment: A Mixed-Methods Approach. Nutrients, 17. https://doi.org/10.3390/nu17223575
[13] Sulistiani, T., Dewi, H., Fitriani, A., & Hartati, M. S. (2026). National Policies for Child Nutrition Security and Their Impact on Learning Outcomes. Blantika: Multidisciplinary Journal. https://doi.org/10.57096/blantika.v4i1.473
[14] Delimayanti, M. K., Azizah, Z., Danaryani, S., Widodo, R. A., & Nasution, S. R. M. (2025). A Comparative Study of Deep Learning Models for Digital Image Recognition of Traditional Indonesian Snacks. 2025 Tenth International Conference on Informatics and Computing (ICIC), 1-5. https://doi.org/10.1109/icic68054.2025.11309401
[15] Moumane, K., Asri, I. E., Cheniguer, T., & Elbiki, S. (2023). Food Recognition and Nutrition Estimation using MobileNetV2 CNN architecture and Transfer Learning. 2023 14th International Conference on Intelligent Systems: Theories and Applications (SITA), 1-7. https://doi.org/10.1109/sita60746.2023.10373725
[16] Gulzar, Y. (2023). Fruit Image Classification Model Based on MobileNetV2 with Deep Transfer Learning Technique. Sustainability. https://doi.org/10.3390/su15031906
