PENGENALAN OBJEK MAKANAN CEPAT SAJI PADA VIDEO DAN REAL TIME WEBCAM MENGGUNAKAN METODE YOU LOOK ONLY ONCE (YOLO)
Abstract
Makanan cepat saji banyak diminati masyarakat di Indonesia saat ini. Makanan cepat saji mengandung lemak dan kalori yang tinggi tetapi kurang mengandung gizi yang sangat dibutuhkan tubuh sehingga dapat menimbulkan berbagai penyakit. Salah satu cara untuk mengontrol konsumsi makanan cepat saji yaitu penggunaan metode pengenalan objek makanan cepat saji dari video dan real time webcam. Metode yang dapat digunakan untuk pengenalan objek pada citra makanan cepat saji adalah deep learning. You Look Only Once (YOLO) merupakan salah satu model deep learning yang dapat digunakan untuk pengenalan objek. Penelitian ini bertujuan untuk pengenalan objek pada citra makanan cepat saji menggunakan YOLO. Penelitian ini terdiri dari beberapa tahap yaitu pengumpulan data, pra-proses data, konfigurasi jaringan YOLO, pelatihan model YOLO dan pengujian. Jumlah data citra yang digunakan dalam pelatihan yaitu 468 citra yang terdiri dari tiga jenis makanan cepat saji. Nilai avg loss pada model akhir yang dibangun dengan YOLO yaitu 4.6% dan nilai validasi mAP 100%. Berdasarkan hasil pengujian yang dilakukan menggunakan video dan real time webcam, objek pada citra makanan cepat saji berhasil dikenali dengan akurasi 63% sampai 100%.
References
N. S. Kasiati dan N. W. D. Rosmalawati, Kebutuhan dasar manusia I. Jakarta: Kementrian Kesehatan Republik Indonesia, 2016.
Badan Pengawas Obat dan Makanan Republik Indonesia, Peraturan Kepala Badan Pengawas Obat dan Makanan Republik Indonesia Nomor 1 Tahun 2017 Tentang Pengawasan Pangan Olahan Organik. Jakarta: Badan Pengawas Obat dan Makanan Republik Indonesia, 2017.
Biro Pusat Statistik, Statistik Indonesia, Statistical Yearbook of Indonesia. Jakarta: Biro Pusat Statistik, 2018.
Sudiyarto, “Daya saing ketahanan pangan melalui identifikasi sikap kepercayaan konsumen remaja terhadap produk makanan cepat saji (fast food) dan makanan lokal (tradisional)â€, Jurnal Riset Ekonomi dan Bisnis, vol. 9, no. 2, hal. 91 – 97, 2009.
F. Hayati, “Faktor-faktor yang berhubungan dengan konsumsi fast food waralaba modern dan tradisional pada remaja siswa SMU Negeri di Jakarta Selatanâ€, Skripsi, Institut Pertanian Bogor, Bogor, 2000.
J. Young-seon, Why? Food and nutrition. Jakarta: PT. Elex Media Komputindo, 2010.
R. Munir, Pengolahan citra digital. Bandung: Informatika, 2007.
R. Girshick, J. Donahue, T. Darrell, dan J. Malik, “Rich feature hierarchies for accurate object detection and semantic segmentationâ€, dalam Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2014, hal. 580 – 587.
K. He, X. Zhang, S. Ren, dan J. Sun, “Spatial pyramid pooling in deep convolutional networks for visual recognitionâ€, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 37, no. 9, hal. 1904 – 1916, 2015.
R. Girshick, “Fast R-CNNâ€, dalam Proceedings of the IEEE International Conference on Computer Vision, 2015, hal. 1440 – 1448.
S. Ren, K. He, R. Girshick, dan J. Sun, “Faster R-CNN: Towards real-time object detection with region proposal networksâ€, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 39, no. 6, hal. 1137 – 1149, 2017.
J. Redmon, S. Divvala, R. Girshick, dan A. Farhadi, “You only look once: Unified, real-time object detectionâ€, dalam Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, hal. 779 – 788.
J. Redmon dan A. Farhadi, “YOLO9000: Better, faster, strongerâ€, dalam Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, hal 6517 – 6525.
R. Huang, J. Pedoeem, dan C. Chen, “YOLO-LITE: A real-time object detection algorithm optimized for Non-GPU computersâ€, dalam Proceedings of the IEEE International Conference on Big Data, 2018, hal. 2503 – 2510.
J. Zhang, M. Huang, X. Jin, dan A. Li, “A real-time Chinese traffic sign detection algorithm based on modified YOLOv2â€, Algorithms, vol. 10, no. 4, 127, 2017.
Z. Liu, Z. Chen, Z. Li, dan W. Hu, “An efficient pedestrian detection method based on YOLOv2â€, Mathematical Problems in Engineering, vol. 2018, 2018.
S. Jupiyandi, F. R. Saniputra, Y. Pratama, M. R. Dharmawan, dan I. Cholissodin, “Pengembangan deteksi citra mobil untuk mengetahui jumlah tempat parkir menggunakan CUDA dan modified YOLOâ€, Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 6, no. 4, hal. 413 – 419, 2019.
Y. Matsuda, H. Hoashi, dan K. Yanai, “Recognition of multiple-food images by detecting candidate regionsâ€, dalam Proceedings of the IEEE International Conference on Multimedia and Expo (ICME), 2012, hal. 25 – 30.
