Implementation of MobileNet Architecture on Convolutional Neural Networks for Classifying Padang Food Images Based on Android

Abstract

Penyakit tidak menular masih menjadi masalah kesehatan kritis di negara berkembang, yang sering kali diperburuk oleh rendahnya literasi gizi dan tingginya konsumsi makanan olahan. Meskipun berbagai aplikasi pemantauan diet telah tersedia secara global, solusi tersebut sering kali kurang kompatibel dengan variasi masakan lokal Indonesia dan menyajikan antarmuka pengguna yang kompleks. Penelitian ini mengusulkan CaloCare, sebuah aplikasi seluler berbasis Artificial Intelligence (AI) yang dirancang untuk mengatasi kesenjangan tersebut melalui pelacakan nutrisi yang terlokalisasi. Sistem ini menerapkan model machine learning dengan arsitektur MobileNetV2 yang dikembangkan menggunakan TensorFlow untuk mengklasifikasikan citra makanan Indonesia dan mengotomatisasi penghitungan nutrisi. Berdasarkan pengujian menggunakan dataset sebanyak 1.346 sampel, model menunjukkan kinerja yang robust dengan akurasi validasi sebesar 90,12% dan akurasi uji akhir mencapai 92,19%. Hasil ini menegaskan efektivitas MobileNetV2 dalam klasifikasi citra pada perangkat seluler dengan efisiensi komputasi yang tinggi. Dari sisi arsitektur sistem, aplikasi ini mengintegrasikan Google Cloud Platform untuk layanan backend yang dapat diskalakan serta antarmuka Android berbasis Kotlin yang ramah pengguna. Dengan kemampuan pengenalan makanan lokal yang akurat dan wawasan personal, CaloCare bertujuan meningkatkan literasi kesehatan serta memfasilitasi pola makan yang lebih sehat bagi masyarakat Indonesia.