EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

Analisis Kinerja YOLOv11 untuk Deteksi Makanan Program MBG

Charladinna Arvianne Reyvalda

RIGGS: Journal of Artificial Intelligence and Digital Business · 27.06.2026 · 5 (2) · 11043-11051

DOI: 10.31004/riggs.v5i2.10418 ↗

Kurz gefasst

Fachartikel in der Zeitschrift RIGGS: Journal of Artificial Intelligence and Digital Business, online erschienen am 27.06.2026. Verfasst von Charladinna Arvianne Reyvalda. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Program Makan Bergizi Gratis (MBG) merupakan salah satu program strategis pemerintah Indonesia yang bertujuan meningkatkan kualitas gizi peserta didik melalui penyediaan makanan bergizi seimbang. Monitoring jenis makanan dan estimasi kandungan gizi pada program tersebut masih banyak dilakukan secara manual dengan mengacu pada Tabel Komposisi Pangan Indonesia (TKPI), sehingga memerlukan waktu yang relatif lama, berpotensi menimbulkan kesalahan pencatatan, serta kurang efisien ketika jumlah paket makanan yang diproduksi semakin meningkat. Penelitian ini bertujuan menganalisis kinerja model YOLOv11 dalam mendeteksi berbagai jenis makanan pada paket Program Makan Bergizi Gratis (MBG) serta mengintegrasikan hasil deteksi dengan database TKPI untuk menghasilkan estimasi kandungan gizi secara otomatis. Dataset yang digunakan terdiri atas 410 citra dengan 14 kelas makanan, yaitu ayam, bakso, buah, kacang, keju, kentang, mie, nasi, roti, sayur, susu, tahu, tempe, dan telur. Proses anotasi dilakukan menggunakan Roboflow, sedangkan pelatihan model memanfaatkan framework Ultralytics YOLOv11 selama 30 epoch dengan ukuran citra 640×640 piksel. Evaluasi model dilakukan menggunakan metrik precision, recall, mAP50, mAP50-95, dan confusion matrix. Hasil pengujian menunjukkan nilai precision sebesar 0,91, recall sebesar 0,86, mAP50 sebesar 0,92, dan mAP50-95 sebesar 0,84, yang menunjukkan bahwa model memiliki kemampuan deteksi objek makanan dengan tingkat akurasi yang baik. Model kemudian diimplementasikan pada aplikasi berbasis Streamlit dan diintegrasikan dengan database TKPI sehingga mampu menampilkan estimasi kandungan energi, protein, lemak, karbohidrat, dan serat secara otomatis. Hasil penelitian menunjukkan bahwa integrasi YOLOv11, Streamlit, dan TKPI berpotensi mendukung proses monitoring makanan Program MBG secara lebih cepat, akurat, efisien, dan terstruktur, serta dapat menjadi dasar pengembangan sistem pemantauan gizi berbasis kecerdasan buatan pada institusi pendidikan maupun penyelenggara Program Makan Bergizi Gratis.

Zitieren

APA

Reyvalda, C. A. (2026). Analisis Kinerja YOLOv11 untuk Deteksi Makanan Program MBG. RIGGS: Journal of Artificial Intelligence and Digital Business, 5(2), 11043-11051. https://doi.org/10.31004/riggs.v5i2.10418

Vancouver

Reyvalda CA. Analisis Kinerja YOLOv11 untuk Deteksi Makanan Program MBG. RIGGS: Journal of Artificial Intelligence and Digital Business. 2026;5(2):11043-11051. doi:10.31004/riggs.v5i2.10418

BibTeX
@article{Reyvalda2026,
  author = {Reyvalda, Charladinna Arvianne},
  title = {Analisis Kinerja YOLOv11 untuk Deteksi Makanan Program MBG},
  journal = {RIGGS: Journal of Artificial Intelligence and Digital Business},
  year = {2026},
  volume = {5},
  number = {2},
  pages = {11043--11051},
  doi = {10.31004/riggs.v5i2.10418}
}
Kostenlos starten →