IMPLEMENTASI CNN DAN TRANSFER LEARNING UNTUK KLASIFIKASI MAKANAN LOKAL INDONESIA PADA APLIKASI PENGHITUNG KALORI

Perkembangan teknologi machine learning telah memungkinkan penerapan pengenalan citra dalam berbagai bidang, termasuk analisis gizi. Salah satu tantangan dalam konteks lokal adalah keterbatasan aplikasi yang mampu mengenali makanan khas Indonesia secara otomatis. Berdasarkan hal tersebut, penelitian ini mengembangkan aplikasi penghitung kalori makanan lokal berbasis web dengan integrasi model Convolutional Neural Network (CNN). Metode penelitian meliputi pengumpulan dataset citra makanan lokal, tahap preprocessing, pelatihan tiga arsitektur CNN (SimpleCNN, MobileNetV2, dan EfficientNetB0), serta evaluasi performa model menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa SimpleCNN memiliki performa terbaik dengan akurasi 79,14% dan metrik yang seimbang, sedangkan MobileNetV2 mencapai akurasi 73,05% dengan efisiensi waktu inferensi yang tinggi. Sementara itu, EfficientNetB0 hanya memperoleh akurasi 12,24% karena tidak mampu beradaptasi dengan dataset terbatas. Uji coba aplikasi membuktikan sistem dapat mengenali makanan melalui citra, menampilkan estimasi kalori, confidence score, serta riwayat analisis. Aplikasi ini dinilai layak digunakan sebagai alat bantu edukatif untuk memperkirakan asupan kalori makanan lokal Indonesia.