Pengenalan Citra Makanan Berbasis Deep Learning Menggunakan Algoritma Convolutional Neural Network (CNN) dengan Arsitektur YOLOv11
Kesadaran masyarakat akan pentingnya manajemen asupan gizi dan kalori semakin meningkat, namun kesulitan dalam menghitung secara manual menjadi tantangan. Penelitian ini bertujuan mengembangkan sistem pengenalan citra makanan berbasis deep learning menggunakan algoritma Convolutional Neural Network (CNN) dengan arsitektur YOLOv11 untuk deteksi objek makanan. Metode penelitian meliputi pengumpulan dataset primer (1.100 gambar) dan sekunder (4.000 gambar) yang mencakup 10 jenis makanan Indonesia, pra-pemrosesan data (penyamaan rasio 1:1, resize 640x640, pelabelan, dan augmentasi). Model YOLOv11 dilatih menggunakan beberapa kombinasi hyperparameter, yakni batch size sebesar 16, 32, dan 64, serta learning rate sebesar 0,01 dan 0,001, dengan seluruh proses pelatihan dijalankan melalui platform Kaggle. Evaluasi kinerja menggunakan metrik precision, recall, dan mean Average Precision (mAP) dengan dua skenario pengujian: Skenario 1 (500 gambar objek tunggal) menghasilkan precision 97,6%, recall 94,4%, dan mAP50 96,5%, sedangkan Skenario 2 (100 gambar multiobjek) mencapai precision 98,2%, recall 82,7%, dan mAP 90,6%. Hasil ini menunjukkan model unggul dalam deteksi objek tunggal, namun mengalami penurunan akurasi pada kondisi kompleks akibat objek tumpang tindih dan latar belakang homogen. Implementasi model ke TensorFlow Lite memungkinkan penggunaan pada perangkat mobile. Penelitian ini memberikan kontribusi dalam pengembangan model AI dengan arsitektur YOLOv11 untuk deteksi makanan.
URI
https://repo.itera.ac.id/depan/submission/SB2505250013
Keyword
Pengenalan Citra Makanan Deep Learning YOLOv11 Convolutional Neural Network Deteksi Objek