PENDETEKSI VISUAL MAKANAN DAN JUMLAH KALORINYA MENGGUNAKAN ALGORITMA MASK R-CNN BERBASIS BOT TELEGRAM

Raihanaldy Ash Shafa
Pulung Nurtantio Andono


DOI: https://doi.org/10.29100/jipi.v10i1.6972

Abstract


Algoritma deteksi visual MASK R-CNN merupakan teknologi yang dapat membantu pengguna menjaga pola makan sehat dengan secara otomatis mendeteksi jenis makanan yang dikonsumsi. Sistem ini melibatkan pembuatan model berdasarkan kumpulan data, mengeksplorasi data, melatih model menggunakan algoritma Mask R-CNN, menguji model menggunakan gambar, dan menghubungkan model ke bot telegram menggunakan API. Kumpulan data dikumpulkan, dilatih, dan divalidasi, serta dikelompokkan ke dalam 40 kelas dengan berbagai jenis makanan dan minuman. Model ini memiliki tingkat akurasi total 78% dari 13 jenis gambar makanan yang diuji. Metode Mask Region Convolutional Neural Network (Mask R-CNN) dirancang untuk menyediakan akses cepat dan mudah ke informasi tentang jumlah kalori. Model ini dilatih menggunakan set data dari AIcrowd Food Recognition Challenge, dan mencapai tingkat akurasi 78%. Akurasi sistem dapat ditingkatkan dengan menggunakan set data yang lebih bervariasi dan mengoptimalkan pencahayaan pada gambar.

Keywords


Kalori Makanan;Deteksi;Mask RCNN;Telegram

Full Text:

PDF

Article Metrics :

References


S. Bachri and M. Muliyati, “Pola Hidup Sehat Masyarakat Di Era Revolusi Industri 4.0,” J. Pengabdi. Teratai, vol. 2, no. 2, pp. 79–84, 2021, doi: 10.55122/teratai.v2i2.243.

P. Sofía Rincón-Gallardo et al., “Effects of menu labeling policies on transnational restaurant chains to promote a healthy diet: A scoping review to inform policy and research,” Nutrients, vol. 12, no. 6, pp. 1–27, 2020, doi: 10.3390/nu12061544.

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.

M. Gao, G. Zou, Y. Li, and X. Guo, “Recent Advances in Computer Vision: Technologies and Applications,” Electronics, vol. 13, no. 14, 2024, doi: 10.3390/electronics13142734.

I. Prihatini and R. Kumala dewi, “Kandungan Enzim Papain pada Pepaya (Carica papaya L) Terhadap Metabolisme Tubuh,” J. Tadris IPA Indones., vol. 1, pp. 449–458, Nov. 2021, doi: 10.21154/jtii.v1i3.312.

M. Ummah, A. Sasmito, R. T. Wahyuningrum, and M. I. Mustajib, “Implementasi Mask R-CNN untuk Identifikasi Cacat pada Pengelasan Shielded Metal Arc Welding ( SMAW ),” 2024.

M. M. Rana, T. Akter Tithy, and M. M. Hasan, “Vehicle Detection and Count in the Captured Stream Video Using Opencv in Machine Learning,” Comput. Sci. Eng. An Int. J., vol. 12, no. 3, pp. 1–9, 2022, doi: 10.5121/cseij.2022.12301.

N. S. Ketkar and J. T. Moolayil, “Deep Learning with Python: Learn Best Practices of Deep Learning Models with PyTorch,” Deep Learn. with Python, 2021, [Online]. Available: https://api.semanticscholar.org/CorpusID:233187730.

A. Kholik, “Klasifikasi Menggunakan Convolutional Neural Network (Cnn) Pada Tangkapan Layar Halaman Instagram,” J. Data Min. dan Sist. Inf., vol. 2, no. 2, p. 10, 2021, doi: 10.33365/jdmsi.v2i2.1345.

I. P. A. E. Darma Udayana and P. G. S. C. Nugraha, “Prediksi Citra Makanan Menggunakan Convolutional Neural Network Untuk Menentukan Besaran Kalori Makanan,” J. Teknol. Inf. dan Komput., vol. 6, no. 1, pp. 30–38, 2020, doi: 10.36002/jutik.v6i1.1001.

S. Muhammad Rizqi Zamzami, Dahnial and H. Fitriyah, “Sistem Identifikasi Jenis Makanan dan Perhitungan Kalori berdasarkan Warna HSV dan Sensor Loadcell menggunakan Metode K-NN berbasis,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 3, pp. 936–942, 2021.

Q. Wu et al., “Improved Mask R-CNN for Aircraft Detection in Remote Sensing Images,” Sensors, vol. 21, no. 8, 2021, doi: 10.3390/s21082618.

R. Sapkota, D. Ahmed, and M. Karkee, “Comparing YOLOv8 and Mask RCNN for object segmentation in complex orchard environments,” Dec. 2023, doi: 10.1016/j.aiia.2024.07.001.

L. Jian, Z. Pu, L. Zhu, T. Yao, and X. Liang, “SS R-CNN: Self-Supervised Learning Improving Mask R-CNN for Ship Detection in Remote Sensing Images,” Remote Sens., vol. 14, no. 17, 2022, doi: 10.3390/rs14174383.

R. A. Tilasefana and R. E. Putra, “Penerapan Metode Deep Learning Menggunakan Algoritma CNN Dengan Arsitektur VGG NET Untuk Pengenalan Cuaca,” J. Informatics Comput. Sci., vol. 05, no. 1, pp. 48–57, 2023.

J. Nurhakiki et al., “Studi Kepustakaan: Pengenalan 4 Algoritma Pada Pembelajaran Deep Learning Beserta Implikasinya,” J. Pendidik. Berkarakter, no. 1, pp. 270–281, 2024, [Online]. Available: https://doi.org/10.51903/pendekar.v2i1.598.

K. He, G. Gkioxari, P. Dollár, and R. Girshick, “Mask R-CNN,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 42, pp. 386–397, 2020, [Online]. Available: https://api.semanticscholar.org/CorpusID:264031695.

J. G. C. Ball et al., “Accurate delineation of individual tree crowns in tropical forests from aerial RGB imagery using Mask R-CNN,” bioRxiv, 2023, [Online]. Available: https://api.semanticscholar.org/CorpusID:250533961.

S. Li, M. Yan, and J. Xu, “Garbage object recognition and classification based on Mask Scoring RCNN,” 2020 Int. Conf. Cult. Sci. & Technol., pp. 54–58, 2020, [Online]. Available: https://api.semanticscholar.org/CorpusID:227221748.

K. Jozwik, T. Kietzmann, R. Cichy, N. Kriegeskorte, and M. Mur, “Deep Neural Networks and Visuo-Semantic Models Explain Complementary Components of Human Ventral-Stream Representational Dynamics,” J. Neurosci., vol. 43, Feb. 2023, doi: 10.1523/JNEUROSCI.1424-22.2022.

AICrowd, “Food Recognition Challenge,” 2023. https://www.aicrowd.com/challenges/food-recognition-challenge.