Implementasi Deep Learning Convolutional Neural Network dalam Mengidentifikasi Bahan Makanan untuk Rekomendasi MPASI

Handoko, Reynardthan (2024) Implementasi Deep Learning Convolutional Neural Network dalam Mengidentifikasi Bahan Makanan untuk Rekomendasi MPASI. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (7MB)
	PDF BAB_I.pdf Download (396kB)
	PDF BAB_II.pdf Download (901kB)
	PDF BAB_III.pdf Download (558kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (15MB)
	PDF BAB_V.pdf Download (380kB)
	PDF DAFTAR_PUSTAKA.pdf Download (378kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (9MB)

Abstract

Indonesia menghadapi masalah serius terkait gizi dan nutrisi, yang menyebabkan stunting pada bayi dan balita. Menurut Survei Status Gizi Indonesia (SGGI) 2022, prevalensi stunting mencapai 21.6%, melampaui target World Health Organization (WHO) sebesar 20%. Stunting menghambat pertumbuhan fisik, kesehatan, dan perkembangan kognitif anak. Pemerintah menekankan pentingnya edukasi tentang pemberian ASI eksklusif dan Makanan Pendamping ASI (MP-ASI) yang kaya protein sebagai langkah pencegahan. Namun, terdapat kendala terkait kurangnya pengetahuan tentang MP-ASI yang sesuai dan bernutrisi bagi anak. Pemilihan menu, bahan makanan yang cocok, dan teknik memasak yang sesuai untuk MP-ASI menjadi sangat penting. Penelitian ini dilangsungkan untuk mengembangkan sistem rekomendasi resep menu MP-ASI melalui pengenalan dan pengklasifikasian citra bahan makanan berbasis mobile. Penelitian ini bertujuan untuk pengimplementasian algoritma deep learning yaitu Convolutional Neural Network (CNN), untuk mengenali dan mengklasifikasikan citra dengan membandingkan dua model transfer learning VGG16 dan MobileNetV2. Model akan mempelajari citra bahan makanan tinggi protein untuk anak usia 6 hingga 23 bulan, seperti yang disarankan oleh Kementerian Kesehatan. Model terbaik dipilih berdasarkan accuracy, precision, recall, dan f1-score. Model terbaik diimplementasikan pada aplikasi mobile agar dapat merekomendasikan menu MP-ASI. Hasil evaluasi pada penelitian ini, menunjukkan model MobileNetV2 memiliki performa yang lebih unggul dalam mengklasifikasikan citra bahan makanan. MobileNetV2 memiliki nilai accuracy, precision, recall, dan f1-score secara berurutan sebesar 0.9703, 0.9707, 0.9702, dan 0.9704, sementara performa VGG16 yang lebih rendah, sebesar 0.8812, 0.8850, 0.8799, 0.8807, pada keseluruhan fold. Oleh karena itu, implementasi Model MobileNetV2 pada aplikasi mobile menjadi pilihan yang tepat untuk mendukung proses rekomendasi menu MP-ASI.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Convolutional Neural Network, Makanan Pendamping ASI, MobileNetV2, Stunting, VGG16
Subjects:	?? T70 ??
Divisions:	Faculty of Engineering & Informatics > Information System
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	11 Nov 2024 09:26
Last Modified:	11 Nov 2024 09:26
URI:	https://kc.umn.ac.id/id/eprint/34244

Actions (login required)

View Item