Deteksi Menu dan Estimasi Kelayakan Nutrisi Menggunakan YOLOv11 pada Program Makan Bergizi Gratis

Abstract

Program Makan Bergizi Gratis memerlukan mekanisme yang cepat dan terstandarisasi untuk memverifikasi komponen menu serta menyajikan informasi nutrisi. Penelitian ini mengembangkan sistem computer vision menggunakan YOLOv11 untuk mendeteksi objek makanan dan mengestimasi kelayakan nutrisi melalui citra menu. Penelitian mengikuti tahapan CRISP-DM, yaitu pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan penerapan. Dataset berjumlah 300 citra yang mencakup 30 kelas makanan dan 1.541 objek teranotasi dipersiapkan melalui Roboflow, kemudian dibagi menjadi data latih, validasi, dan pengujian dengan rasio 80:10:10. Model YOLOv11l dengan 25,37 juta parameter dilatih menggunakan augmentasi dinamis dan berhenti pada epoch ke-42 melalui early stopping. Pengujian menghasilkan precision 75,19%, recall 73,98%, F1-score 74,58%, mAP50 82,64%, dan mAP50-95 77,21%. Label hasil deteksi dipetakan ke Tabel Komposisi Pangan Indonesia 2020 dan data pelengkap USDA untuk mengestimasi energi, protein, lemak, karbohidrat, dan serat berdasarkan porsi standar 100 gram. Model diterapkan pada aplikasi web Streamlit yang menampilkan kotak deteksi, label makanan, estimasi nutrisi, dan kontribusinya terhadap angka kecukupan gizi. Hasil menunjukkan bahwa YOLOv11 dapat mendukung identifikasi menu dan pemantauan nutrisi secara praktis, meskipun masih diperlukan dataset yang lebih besar dan seimbang serta estimasi porsi otomatis.