Analisis Kinerja YOLOv11 untuk Deteksi Makanan Program MBG

Charladinna Arvianne Reyvalda

doi:10.31004/riggs.v5i2.10418

Authors

Charladinna Arvianne Reyvalda Universitas Muhadi Setiabudi Brebes

DOI:

https://doi.org/10.31004/riggs.v5i2.10418

Keywords:

YOLOv11, Deteksi Makanan, Computer Vision, Program Makan Bergizi Gratis, Estimasi Gizi

Abstract

Program Makan Bergizi Gratis (MBG) merupakan salah satu program strategis pemerintah Indonesia yang bertujuan meningkatkan kualitas gizi peserta didik melalui penyediaan makanan bergizi seimbang. Monitoring jenis makanan dan estimasi kandungan gizi pada program tersebut masih banyak dilakukan secara manual dengan mengacu pada Tabel Komposisi Pangan Indonesia (TKPI), sehingga memerlukan waktu yang relatif lama, berpotensi menimbulkan kesalahan pencatatan, serta kurang efisien ketika jumlah paket makanan yang diproduksi semakin meningkat. Penelitian ini bertujuan menganalisis kinerja model YOLOv11 dalam mendeteksi berbagai jenis makanan pada paket Program Makan Bergizi Gratis (MBG) serta mengintegrasikan hasil deteksi dengan database TKPI untuk menghasilkan estimasi kandungan gizi secara otomatis. Dataset yang digunakan terdiri atas 410 citra dengan 14 kelas makanan, yaitu ayam, bakso, buah, kacang, keju, kentang, mie, nasi, roti, sayur, susu, tahu, tempe, dan telur. Proses anotasi dilakukan menggunakan Roboflow, sedangkan pelatihan model memanfaatkan framework Ultralytics YOLOv11 selama 30 epoch dengan ukuran citra 640×640 piksel. Evaluasi model dilakukan menggunakan metrik precision, recall, mAP50, mAP50-95, dan confusion matrix. Hasil pengujian menunjukkan nilai precision sebesar 0,91, recall sebesar 0,86, mAP50 sebesar 0,92, dan mAP50-95 sebesar 0,84, yang menunjukkan bahwa model memiliki kemampuan deteksi objek makanan dengan tingkat akurasi yang baik. Model kemudian diimplementasikan pada aplikasi berbasis Streamlit dan diintegrasikan dengan database TKPI sehingga mampu menampilkan estimasi kandungan energi, protein, lemak, karbohidrat, dan serat secara otomatis. Hasil penelitian menunjukkan bahwa integrasi YOLOv11, Streamlit, dan TKPI berpotensi mendukung proses monitoring makanan Program MBG secara lebih cepat, akurat, efisien, dan terstruktur, serta dapat menjadi dasar pengembangan sistem pemantauan gizi berbasis kecerdasan buatan pada institusi pendidikan maupun penyelenggara Program Makan Bergizi Gratis.

Downloads

Download data is not yet available.

References

[1] World Food Programme, “State of School Feeding Worldwide 2022,” 2022.

[2] Kementerian Kesehatan Republik Indonesia, Tabel Komposisi Pangan Indonesia (TKPI). Jakarta: Kementerian Kesehatan Republik Indonesia, 2020.

[3] Badan Ketahanan Pangan, “Platform Data Komposisi Pangan Indonesia (Panganku),” 2023. https://www.panganku.org

[4] I. G. Y. B. A. Courville, Deep Learning. MIT Press, 2021.

[5] A. M. T. Rahman, M. S. Hossain, and M. A. Rahman, “Real-Time Object Detection Using YOLO Algorithm: A Review,” Int. J. Adv. Comput. Sci. Appl., vol. 14, no. 2, pp. 45–52, 2023.

[6] W. Min, S. Jiang, L. Liu, Y. Rui, and R. Jain, “A Survey on Food Computing,” ACM Comput. Surv., vol. 52, no. 5, pp. 1–36, 2020.

[7] A. Tahir, J. Ahmad, K. Muhammad, and S. W. Baik, “Recognition of Food Images Using Deep Learning Techniques,” IEEE Access, vol. 9, 2021.

[8] M. Bolanos and P. Radeva, “Food Recognition and Nutrition Estimation Using Computer Vision,” Comput. Vis. Image Underst., vol. 210.

[9] M. H. M. A. Khanam, “YOLOv11: An Overview of the Key Architectural Enhancements,” Int. J. Adv. Comput. Sci. Appl., 2024.

[10] A. Singh, “Streamlit: Rapid Development of Machine Learning Applications,” J. Open Source Softw., vol. 8, no. 81, p. 4873, 2023.

[11] R. Agarwal, T. Choudhury, N. J. Ahuja, and T. Sarkar, “Hybrid Deep Learning Algorithm-Based Food Recognition and Calorie Estimation,” J. Food Process. Preserv., 2023.

[12] M. Bolanos and P. Radeva, “Food Recognition and Nutrition Estimation Using Computer Vision,” Comput. Vis. Image Underst., vol. 210, p. 103239, 2021.

[13] Ultralytics, “YOLO Documentation,” 2024. https://docs.ultralytics.com

[14] R. Padilla;, W. Passos;, S. Netto;, and E. Silva, “A Comparative Analysis of Object Detection Metrics with a Companion Open Source Toolkit,” Electronics, vol. 10, no. 3, p. 279, 2021.

[15] Ultralytics, “Ultralytics YOLO Documentation,” 2024. https://docs.ultralytics.com

[16] G. Chrintz-Gath, M. Daivadanam, L. Matta, and S. McKeeve, “Image-Based Dietary Assessment Using the Swedish Plate Model,” JMIR Form. Res., 2025.