Deteksi Objek untuk Menghitung Perkiraan Kalori Makanan Menggunakan Metode R-CNN Mask Berbasis Web

Abstract

Diet sebagai pengaturan pola makan seimbang yang sengaja dilakukan untuk mencapai tujuan tertentu. Pelaku diet defisit kalori harus selalu menghitung jumlah kalori dari makanan yang dikonsumsi, salah satu caranya adalah dengan menimbang setiap jenis makanan. Jika membawa timbangan kemana pun kita pergi kurang fleksibel. Dengan memanfaatkan tren foto makanan saat ini, estimasi jumlah kalori makanan dapat dihitung dengan mudah. tujuan dari penelitian ini adalah menghasilkan sebuah aplikasi untuk mendeteksi jumlah kalori pada makanan dengan menggunakan metode Mask Region Convulutional Neural Network (Mask R-CNN) berbasis web. Manfaat dari penelitian ini adalah untuk memudahkan para pelaku diet dalam menghitung estimasi jumlah kalori melalui foto makanan. Pada penelitian ini diusulkan untuk menggunakan metode Mask RCNN untuk mendeteksi kalori pada makanan berbasis web dari citra digital. Dataset yang digunakan pada penelitian ini menggunakan 5 jenis makanan yaitu ayam geprek, baso aci, hamburger, seblak dan bakwan dengan jumlah data 220 citra dan masing-masing kategori 50 citra dan untuk data testing menggunakan 22 citra setiap kelas makanan. Model pada penelitian ini dilatih dengan menggunakan metode Mask RCNN, yaitu data training menggunakan epoch 20 dengan nilai loss 0.2759, nilai loss val 0.8429 dan waktu 5226s. Hasil dari implementasi model berbasis web menggunakan framework flask  pada data uji coba citra sebanyak 22 gambar makanan dengan memperoleh nilai akurasi ayam geprek 60% dengan total kalori sebanyak 246,0 disetiap kelas, baso aci 60% dengan total kalori sebanyak 218,0 disetiap kelas, hamburger 60% dengan total kalori sebanyak 369,0 disetiap kelas, seblak 80% dengan total kalori sebanyak 269,0 disetiap kelas dan bakwan 40% dengan total kalori sebnayak 137,0 di setiap kelas.