PEMBANGUNAN APLIKASI DETEKSI KULINER INDONESIA MENGGUNAKAN MODEL SINGLE SHOT MULTIBOX DETECTOR (SSD) UNTUK MENAMPILKAN KANDUNGAN NILAI GIZI

Tidak hanya terkenal dengan ragam kultur budaya dan pesona alam nan indah, Indonesia juga terkenal memiliki banyak kuliner yang tersebar di setiap daerahnya. Namun kandungan lemak yang dihasilkan dari proses memasak yang lama menjadikan beberapa kuliner tersebut tidak sehat. Penimbunan lemak secara berlebihan ditambah kurangnya aktivitas fisik dapat menyebabkan penyakit obesitas. Banyak penyakit kronis yang mudah menyerang orang yang terkena obesitas. Obesitas dapat dicegah dan dikurangi misalnya dengan melakukan metode pengaturan diri, dan salah satu prinsip yang ditegakkan adalah dengan melakukan pencatatan kalori yang masuk dari makanan yang dimakan setiap hari. Aplikasi pada smartphone digunakan untuk membantu dalam melakukan metode pengaturan diri, yakni cukup dengan mengetikkan nama makanan secara manual maka informasi kandungan gizi akan muncul. Namun akan menjadi masalah saat pengguna kesulitan ketika mengetikkan atau ragu dengan nama makanan tersebut. Oleh karena itu, dengan kecerdasan buatan (Artificial Intelligence) dan bantuan kamera smartphone dapat mengatasi permasalahan ini. Salah satu pendekatan terbaik untuk membuat kecerdasan buatan yang dapat berjalan pada aplikasi mobile adalah menggunakan metode Convolutional Neural Network dengan model Single Shot Multibox Detector. Penelitian ini melakukan pengenalan objek 50 kuliner yang biasa dijumpai di Indonesia menggunakan kerangka kerja TensorFlow dengan dataset sebanyak 11.939 citra. Hasil penelitian menunjukkan bahwa dengan metode CNN dan model SSD dapat mengenali 92% gambar kuliner Indonesia dari 100 gambar yang diuji. Hasil pelatihan dikonversi menjadi bentuk TensorFlow Lite sehingga dapat digunakan pada smartphone untuk mengenali citra kuliner dan menampilkan informasi nilai gizi dari kuliner tersebut.