IMPLEMENTASI MODEL YOLO UNTUK DETEKSI KOMPONEN DAN GIZI MAKANAN BERGIZI GRATIS BERBASIS CITRA

Putra, Ovan Pramana, 52204110022 and Akbar, Ronny Makhfuddin, 0709078604 and Syaifuddin, Ahmad (2026) IMPLEMENTASI MODEL YOLO UNTUK DETEKSI KOMPONEN DAN GIZI MAKANAN BERGIZI GRATIS BERBASIS CITRA. Bachelor thesis, Universitas Islam Majapahit.

	Text Abstrak.pdf Restricted to Registered users only Download (639kB)
Preview	Text BAB 1.pdf Download (259kB) | Preview
	Text BAB 2.pdf Restricted to Registered users only Download (374kB)
	Text BAB 3.pdf Restricted to Registered users only Download (925kB)
	Text BAB 4.pdf Restricted to Registered users only Download (744kB)
Preview	Text BAB 5.pdf Download (200kB) | Preview
Preview	Text DAFTAR PUSTAKA.pdf Download (184kB) | Preview
	Text LAMPIRAN.pdf Restricted to Registered users only Download (507kB)

Abstract

Program Makanan Bergizi Gratis (MBG) merupakan upaya strategis pemerintah dalam meningkatkan status gizi anak usia sekolah melalui penyediaan paket makanan dengan komposisi gizi seimbang. Namun, proses pemantauan kelengkapan komponen makanan dan kesesuaian nilai gizi paket MBG masih banyak dilakukan secara manual sehingga berpotensi menimbulkan ketidakefisienan dan subjektivitas dalam penilaian. Penelitian ini bertujuan mengembangkan sistem deteksi makanan MBG berbasis computer vision menggunakan algoritma YOLOv8n untuk mendeteksi komponen makanan dan menghasilkan estimasi nilai gizi. Dataset penelitian diperoleh dari pengambilan foto dan video makanan MBG di SPPG Sumolawang, Mojokerto, yang kemudian diekstraksi menjadi citra dan menghasilkan 400 citra dengan 19 kelas makanan. Dataset dianotasi menggunakan bounding box dan dibagi menjadi data training, validation, dan testing dengan rasio 70:20:10. Model YOLOv8n dilatih menggunakan Roboflow dengan dukungan GPU dan diintegrasikan dengan API model AI untuk menghasilkan estimasi energi, protein, lemak, dan karbohidrat berdasarkan makanan yang terdeteksi. Hasil evaluasi menunjukkan nilai mAP@50 sebesar 99,6%, mAP@75 sebesar 92,2%, dan mAP@50–95 sebesar 79,3%, sedangkan nilai Average Precision rata-rata pada validation set mencapai 99%. Sistem yang dikembangkan dalam bentuk aplikasi web mampu menerima citra makanan, menampilkan hasil deteksi berupa nama kelas, bounding box, dan confidence score, serta menyajikan estimasi nilai gizi. Berdasarkan hasil tersebut, YOLOv8n menunjukkan kemampuan deteksi yang baik dan dapat digunakan sebagai sistem pendukung monitoring makanan MBG secara objektif dan efisien.

Actions (login required)

View Item