Pengembangan Aplikasi Klasifikasi Makanan Dengan Metode Transfer Learning Menggunakan MobilenetV2 dan Integrasi Api Nutrisi Berbasis Web

Abstract

Penelitian ini mengembangkan aplikasi berbasis web dengan Streamlit yang mengklasifikasikan jenis makanan dari gambar menggunakan metode transfer learning, salah satu teknik machine learning, dengan model MobileNetV2. Aplikasi ini juga mengintegrasikan API Ninjas Nutrition untuk menampilkan rincian nutrisi dan menilai status kesehatan makanan sesuai dengan parameter yang telah ditetapkan. Model dilatih menggunakan dataset Food-101 yang disesuaikan, dengan menghapus kelas yang tidak dapat dipanggil oleh API dan memiliki akurasi rendah, menghasilkan 38.000 gambar dalam 76 kelas untuk pelatihan, validasi, dan pengujian. Evaluasi model menunjukkan akurasi keseluruhan sebesar 60%, dengan beberapa kelas makanan diidentifikasi dengan f1-score tinggi, namun terdapat juga kelemahan pada beberapa kelas lainnya. Data nutrisi yang diperoleh melalui API mencakup lemak total, lemak jenuh, natrium, kolesterol, dan gula, yang digunakan untuk menilai status kesehatan makanan berdasarkan pedoman WHO, AHA, UCSF, dan HaloDoc. Aplikasi ini telah di-deploy dan dapat diakses melalui https://web-prediksi-makanandannutrisinya.streamlit.app. Hasil pengujian menggunakan System Usability Scale (SUS) menunjukkan skor rata-rata 89,5 yang berarti B atau “excellent” dari 10 responden, mencerminkan tingkat aksesibilitas dan kenyamanan yang sangat baik.