Deteksi Bahan Makanan untuk Rekomendasi Resep Masakan pada Program Diet Menggunakan Algoritma CNN
DOI:
https://doi.org/10.35316/jimi.v9i2.134-141Kata Kunci:
Convolutional Neural Network, Diet, Klasifikasi, Resep Masakan, VGG16Abstrak
Kebutuhan yang semakin meningkat akan perencanaan diet yang efisien telah mendorong pengembangan sistem otomatis untuk mengidentifikasi bahan makanan dan menghasilkan rekomendasi diet yang sesuai. Penelitian ini berfokus pada implementasi Convolutional Neural Network (CNN) menggunakan arsitektur VGG16 untuk mengklasifikasikan bahan makanan dan menentukan resep diet yang tepat. Masalah yang diangkat adalah kesulitan dalam mengidentifikasi berbagai bahan makanan secara manual, yang dapat memakan waktu dan rentan terhadap kesalahan, terutama dalam perencanaan diet skala besar. Solusi yang diusulkan mengintegrasikan teknologi deep learning dengan aplikasi yang ramah pengguna untuk mengotomatisasi proses klasifikasi dan menghasilkan rekomendasi diet. Metode yang digunakan melibatkan model VGG16 yang telah dilatih sebelumnya pada dataset ImageNet. Dataset yang digunakan melalui beberapa teknik pra-pemrosesan, termasuk Gaussian Blur untuk mengurangi derau, normalisasi, dan data augmentation untuk meningkatkan generalisasi model. Model ini dilatih selama 50 epoch dan berhasil mencapai akurasi pelatihan sebesar 96,28% serta akurasi validasi sebesar 95%. Penelitian ini memberikan kontribusi pada pengembangan sistem diet cerdas, memberikan manfaat signifikan dalam meningkatkan kenyamanan pengguna, akurasi klasifikasi bahan makanan, serta mendorong gaya hidup yang lebih sehat.
Unduhan
Referensi
[1] G. R. Fikri, S. Lina, and M. Sitio, “Android Mengunakan Metode Extreme Programming,” Jurnal Ilmu Komputer dan Pendidikan, vol. 2, no. 2, pp. 517–523, 2024.
[2] E. S. Baihaki, “Gizi Buruk dalam Perspektif Islam: Respon Teologis Terhadap Persoalan Gizi Buruk,” SHAHIH: Journal of Islamicate Multidisciplinary, vol. 2, no. 2, 2017, doi: 10.22515/shahih.v2i2.953.
[3] A. F. Anisa et al., “Permasalahan Gizi Masyarakat dan Upaya Perbaikannya,” Gizi Masyarakat, vol. 40, pp. 1–22, 2017.
[4] Unicef, “Analisis Lanskap Kelebihan Berat Badan dan Obesitas di Indonesia,” Unicef, p. 6, 2023, [Online]. Available: https://www.unicef.org/indonesia/media/16691/file/Ringkasan untuk Pemangku Kebijakan.pdf
[5] D. Vilasari, A. N. Ode, R. Sahilla, N. Febriani, and S. H. Purba, “Peran Promosi Kesehatan Dalam Meningkatkan Kesadaran Masyarakat Terhadap Penyakit Tidak Menular (PTM) : Studi Literatur:,” Jurnal Kolaboratif Sains, vol. 7, no. 7, pp. 2635–2648, 2024, doi: 10.56338/jks.v7i7.5626.
[6] C. Mahaputri, Y. Kristian, and E. Setyati, “Pengenalan Makanan Tradisional Indonesia Beserta Bahan-bahannya dengan Memanfaatkan DCNN Transfer Learning,” Journal of Intelligent System and Computation, vol. 4, no. 2, pp. 61–68, 2022, doi: 10.52985/insyst.v4i2.252.
[7] M. E. Putri, M. Khairi, M. Furqan, and 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, pp. 84–92, 2024.
[8] I. P. A. E. Darma Udayana and P. G. S. C. Nugraha, “Prediksi Citra Makanan Menggunakan Convolutional Neural Network Untuk Menentukan Besaran Kalori Makanan,” Jurnal Teknologi Informasi dan Komputer, vol. 6, no. 1, pp. 30–38, 2020, doi: 10.36002/jutik.v6i1.1001.
[9] R. Rismiyati and A. Luthfiarta, “VGG16 Transfer Learning Architecture for Salak Fruit Quality Classification,” Telematika, vol. 18, no. 1, p. 37, 2021, doi: 10.31315/telematika.v18i1.4025.
Unduhan
Diterbitkan
Versi
- 2024-12-19 (2)
- 2024-12-19 (1)
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2024 Jurnal Ilmiah Informatika
Artikel ini berlisensi Creative Commons Attribution-NonCommercial 4.0 International License.
