Deteksi Makanan Khas daerah Bogor dan Estimasi Makronutrien Berbasis Android dengan YOLO

Abstract

Makanan khas Bogor memiliki keragaman yang tinggi, namun informasi kandungan makronutriennya belum terdokumentasi secara digital sehingga masyarakat kesulitan memantau asupan gizi hariannya. Penelitian ini bertujuan membangun aplikasi Android yang mampu mendeteksi makanan khas Bogor dari citra sekaligus menampilkan estimasi kalori, karbohidrat, protein, dan lemak. Model deteksi dibangun menggunakan arsitektur YOLOv8n-seg dengan pendekatan segmentasi instans sehingga beberapa objek makanan dapat dikenali sekaligus dalam satu citra. Pengembangan mengikuti kerangka kerja CRISP-DM yang meliputi pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan penerapan. Dataset terdiri atas 316 citra yang dikumpulkan secara mandiri dan dianotasi dengan poligon untuk lima kelas, yaitu Doclang, Toge Goreng, Cungkring, Laksa, dan Asinan Bogor, kemudian dibagi secara stratifikasi dengan perbandingan 70:20:10. Data makronutrien mengacu pada Tabel Komposisi Pangan Indonesia dan disesuaikan menggunakan pengali porsi berbasis rasio luas kotak deteksi terhadap luas citra. Model diterapkan pada layanan peladen berbasis FastAPI di dalam kontainer Docker dan diakses aplikasi Android melalui REST API. Hasil evaluasi pada data pengujian memperoleh mAP50 sebesar 0,9273 dan mAP50-95 sebesar 0,7593, dengan presisi sebesar 0,881 dan recall sebesar 0,834. Pengujian kotak hitam terhadap lima belas skenario seluruhnya memberikan hasil yang sesuai, aplikasi berjalan pada tiga belas perangkat Android dari tujuh merek berbeda, dan pengujian penerimaan pengguna terhadap tiga belas responden memperoleh persentase kelayakan sebesar 88,17% yang termasuk kategori Sangat Baik.