Model Segmentasi Menu Makanan Berbasis YOLOv11 untuk Prediksi Harian Program MBG

Abstract

Model terintegrasi berbasis YOLOv11 dan Gated Recurrent Unit (GRU) dikembangkan untuk mendukung deteksi menu makanan secara otomatis dan prediksi gizi harian pada Program Makan Bergizi Gratis (MBG) di Indonesia. Dataset sebanyak 1.556 citra dari 39 jenis makanan MBG dikumpulkan menggunakan kamera iPhone 11, dianotasi instance segmentation, dan dibagi 70:20:10 menjadi data latih (1.084), validasi (310), dan uji (154). Model YOLOv11s-seg dilatih 50 epoch dengan early stopping menghasilkan mAP@50 sebesar 0,9766, precision 0,9688, recall 0,9775, dan F1-score 0,9730. Model GRU dua lapisan (96 unit tersembunyi, dropout 0,25) dilatih pada 208 urutan teraumentasi (sliding window 7 hari) dari 87 record data gizi nyata 3 SPPG (Desember 2025–Mei 2026), menghasilkan MAE 45,85 kkal dan RMSE 60,90 kkal untuk energi porsi besar (80:20). Kedua model diintegrasikan ke dalam aplikasi berbasis web yang menyatukan identifikasi menu otomatis, estimasi kandungan gizi, rekomendasi menu berbasis GRU, dan analisis kecukupan AKG.