PENGENALAN MAKANAN TRADISIONAL PADA MENU DI WARTEG BERBASIS DEEP LEARNING MENGGUNAKAN TRANSFER LEARNING MOBILENETV3 DENGAN ESTIMASI NILAI GIZI PADA PERANGKAT MOBILE
- Syafiq Muhadzdzib Al Faruq, Didin Wahyudin1, Ibnu Hartopo
- 1 Universitas Pendidikan Indonesia
Repository at Universitas Pendidikan Indonesia (Universitas Pendidikan Indonesia), 2026
Penelitian ini mengembangkan sistem cerdas pengenalan makanan tradisional Indonesia, khususnya menu warung tegal (warteg), yang diintegrasikan dengan estimasi nilai gizi dan deteksi tingkat kesegaran fisik berbasis aplikasi perangkat bergerak (mobile). Mengingat tingginya heterogenitas visual masakan lokal dan keterbatasan komputasi pada gawai, penelitian ini mengimplementasikan arsitektur deep learning MobileNetV3 melalui pendekatan transfer learning yang dikonversi ke dalam format TensorFlow Lite (TF Lite) guna memungkinkan proses inferensi secara luring (offline). Pemodelan dilakukan menggunakan dataset primer berisikan 1.000 gambar digital dari 10 jenis lauk-pauk warteg yang diklasifikasikan ke dalam 20 kelas prediktif berdasarkan kondisi segar dan kurang segar. Hasil evaluasi komputasional menunjukkan bahwa model yang dikembangkan mampu mencapai tingkat akurasi sebesar 80% dalam mengenali jenis makanan sekaligus mengklasifikasikan degredasi mutu fisiknya. Lebih lanjut, implementasi fungsional pada sistem operasi Android terbukti sukses menyajikan luaran informasi berupa label klasifikasi objek, presentase probabilitas, status kesegaran, serta estimasi dinamis makronutrien (kalori, protein, lemak, dan karbohidrat) yang tersinkronisasi dengan masukan gramasi pengguna. Hal ini mengimplikasikan bahwa sistem tersebut sangat adaptif dan solutif sebagai instrumen pemantauan diet serta kelayakan konsumsi secara mandiri dan akurat. This research develops a smart recognition system for traditional Indonesian food, specifically warung tegal (warteg) menus, integrated with nutritional value estimation and physical freshness detection based on a mobile application. Given the high visual heterogeneity of local dishes and the computational limitations of mobile devices, this study implements the MobileNetV3 deep learning architecture through a transfer learning approach, which is then converted into the TensorFlow Lite (TF Lite) format to enable offline inference. The modeling was conducted using a primary dataset containing 1,000 digital images of 10 types of warteg side dishes, categorized into 20 predictive classes based on fresh and less fresh conditions. The computational evaluation results indicate that the developed model achieves an accuracy rate of 80% in recognizing food types while simultaneously classifying their physical quality degradation. Furthermore, the functional implementation on the Android operating system successfully presents output information including object classification labels, probability percentages, freshness status, and dynamic macronutrient estimations (calories, protein, fat, and carbohydrates) synchronized with the user's portion (grammage) input. This implies that the system is highly adaptive and serves as a practical solution for independent and accurate diet monitoring as well as food consumption feasibility assessment.