Deteksi Objek Makanan Cepat Saji Menggunakan You Only Look Once (yolo)

Penelitian ini membahas pengembangan sistem deteksi objek makanan cepat saji menggunakan algoritma You Only Look Once (YOLO) versi 5. Latar belakang penelitian didasari oleh meningkatnya konsumsi makanan cepat saji yang berkontribusi terhadap kasus obesitas akibat kelebihan kalori. Untuk itu, diperlukan sistem yang mampu mendeteksi makanan secara otomatis dan real-time sebagai upaya mendukung pengendalian pola konsumsi masyarakat. Metode penelitian meliputi beberapa tahap, yaitu pengumpulan dataset makanan cepat saji, anotasi citra dengan bounding box, pre-processing (resizing, augmentasi brightness, blur, dan noisy, serta pembagian dataset), pelatihan model menggunakan YOLOv5s pada Google Colaboratory, serta pengujian dan evaluasi dengan confusion matrix. Dataset awal sebanyak 345 gambar dari empat kelas objek (burger, kebab, donat, dan fried chicken) ditingkatkan melalui augmentasi hingga 945 gambar. Hasil pelatihan menunjukkan model mampu mendeteksi objek dengan akurasi yang cukup baik. Rata-rata akurasi model mencapai 85%, dengan rincian burger 86%, donat 91%, fried chicken 82%, dan kebab 83%. Nilai mean Average Precision (mAP) pada ambang batas Intersection over Union (IoU) 0,5 tercatat sebesar 76,5%. Kesimpulan dari penelitian ini adalah algoritma YOLOv5 efektif digunakan untuk deteksi objek makanan cepat saji secara real-time dan berpotensi dikembangkan lebih lanjut sebagai sistem estimasi kalori makanan berbasis computer vision.

Kata Kunci: computer vision, deep learning, deteksi objek, makanan cepat saji, YOLOv5