Sistem Identifikasi Jenis Makanan dan Perhitungan Kalori berdasarkan Warna HSV dan Sensor Loadcell menggunakan Metode K-NN berbasis Raspberry Pi

Fakultas Ilmu Komputer

Universitas Brawijaya 936

Sistem Identifikasi Jenis Makanan dan Perhitungan Kalori berdasarkan Warna HSV dan Sensor Loadcell menggunakan Metode K-NN berbasis

Raspberry Pi

Muhammad Rizqi Zamzami¹, Dahnial Syauqy², Hurriyatul Fitriyah³ Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya Email: ¹mrizqizamzami@student.ub.ac.id, ²dahnial87@ub.ac.id, ³hfitriyah@ub.ac.id

Abstrak

Kegemukan maupun obesitas masih menjadi penyakit yang banyak terjadi di dunia ini dimana disebabkan gaya hidup yang kurang sehat salah satunya mengonsumsi makanan yang berlebihan.

Konsumsi makanan berlebihan ini diakibatkan oleh beberapa faktor yaitu masalah emosional, kondisi lingkungan dan sosial serta kondisi fisik tertentu. Jika konsumsi makanan tidak terkontrol dan tidak diimbangi dengan banyak aktifitas tubuh menyebabkan penumpukan kalori pada tubuh sehingga berakibat memiliki kegemukan dan obesitas serta beresiko terkena penyakit. Salah satu cara untuk mengatasi hal tersebut dengan mengontrol diri dalam mengonsumsi makanan melalui pengukuran jumlah kalori yang akan dikonsumsi. Dari permasalahan tersebut maka dibuatkannya sistem untuk mengukur kalori makanan dengan mengidentifikasi jenis makanan dan mengukur berat makanan. Proses identifikasi makanan tersebut menggunakan metode k-Nearest Neighbor dan sensor loadcell untuk membaca berat makanan yang diukur. Sistem akan menangkap gambar dan membaca berat makanan yang diukur melalui modul kamera dan sensor loadcell. Gambar tersebut kemudian diproses di Raspberry Pi 3 B untuk diekstrak nilai warna dari mean HSV. Selanjutnya hasil ekstraksi digunakan sebagai fitur untuk mengidentifikasi jenis makanan dimana digunakan untuk mengukur kalori makanan berdasarkan hasil identifikasi dan pengukuran sensor loadcell. Hasil dari sistem tersebut akan ditampilkan melalui layar LCD 16×2. Pengujian sistem menggunakan 5 sampel pada tiap jenis makanan.

Dari hasil pengujian tersebut diperoleh akurasi pada k=3 sebesar 96 %, pada k=5 sebesar 92 % dan pada k=7 sebesar 92 %.

Kata kunci: Kegemukan, Obesitas, Kalori, k-Nearest Neighbor, Sensor Loadcell Abstract

Overweight and obesity are still common diseases in this world, which is caused by an unhealthy lifestyle, one of which is consuming excessive food. This excessive food consumption is caused by several factors, namely emotional problems, environmental and social conditions and certain physical conditions. If food consumption is not controlled and is not balanced with a lot of body activity, it will cause calorie accumulation in the body, resulting in obesity and obesity and a risk of disease. One way to overcome this is by controlling yourself in consuming food by measuring the number of calories that will be consumed. From these problems, a system is made to measure food calories by identifying the type of food and measuring the weight of the food. The identification of these foods uses the k-Nearest Neighbor method and the Loadcell sensor to read the weight of the food being measured. The system will capture images and read the weight of the food measured through the camera module and loadcell sensor. The image is then processed on the Raspberry Pi 3 B to extract the color value from the mean HSV. Furthermore, the extraction results are used as a feature to identify the type of food which is used to measure food calories based on the identification and measurement results of the Loadcell sensor.

The results of the system will be displayed on the 16 × 2 LCD screen. The system test uses 5 samples for each type of food. From the test results, the accuracy at k = 3 is 96%, at k = 5 is 92% and at k = 7 is 92%.

Keywords: Overweight, Obesity, Calories, k-Nearest Neighbor, Loadcell Sensor

1. PENDAHULUAN

Makanan merupakan salah satu kebutuhan utama dalam kehidupan untuk bertahan hidup.

Hal ini karena energi yang dibutuhkan tubuh dalam beraktivitas dan metabolisme tubuh didapat dengan mengonsumsi makanan. Dengan mengonsumsi makanan dapat mejaga kesehatan tubuh dan metabolisme tubuh dapat bekerja dengan baik. Makanan yang dikonsumsi memiliki kandungan kalori yang berbeda - beda pada setiap jenis makanan. Tidak hanya itu jumlah konsumsi makanan pada tiap individu berbeda – beda juga. Di zaman sekarang banyak orang yang mengonsumsi makanan secara berlebihan. Alasan dibalik konsumsi makanan berlebihan ini diantaranya seperti emosi negatif, paparan makanan lezat dan sedap, ketidakmampuan dalam menahan asupan makanan, tidak merasa kenyang, keinginan akan makanan dan bahkan kecanduan makanan secara langsung (Vainik, et al., 2019). Paparan terhadap isyarat makanan dilingkungan juga merupakan salah satu pendorong konsumsi berlebihan (Charbonniera, et al., 2018). Jika konsumsi makanan ini terus terjadi dan tidak dikontrol akan terjadi penumpukan kalori berlebihan pada tubuh dan menyebabkan kegemukan dan obesitas. Fakta menunjukkan bahwa obesitas di dunia meningkat tiga kali lipat sejak tahun 1975.

Pada tahun 2016 lebih dari 1,9 miliar orang dewasa berumur 18 tahun lebih mengalami kegemukan dan 650 juta mengalami obesitas (WHO, 2020). Untuk menghindari hal tersebut maka diperlukan kontrol diri dalam mengonsumsi makanan salah satunya yaitu mengukur kalori makanan yang akan dikonsumsi. Terdapat berbagai cara untuk mengukur kalori makanan dalam mengetahui kandungan kalori makanan tersebut. Tentang perhitungan jumlah kalori dalam makanan dapat dilakukan dengan cara menggunakan timbangan ukur dan gelas ukur untuk mengukur jumlah porsi kalori pada makanan serta menggunakan perbandingan (West, 2016). Dengan mengontrol diri dalam mengonsumsi makanan dapat mengurangi terkena resiko kegemukan, obesitas dan penyakit.

Dari permasalahan tersebut peneliti mengajukan sebuah penelitian pengukuran kalori makanan menggunakan sensor loadcell dan metode k-NN. Penelitian menggunakan modul kamera dan menerapkan metode K- Nearest Neighbor (K-NN) sebagai deteksi jenis

makanan dan juga kemampuan sensor pengukur beban yaitu sensor loadcell dalam menghitung jumlah berat makanan. Proses pengolahan citra dilakukan menggunakan model warna HSV dan OpenCV. Model warna HSV dipilih untuk menjadi data fitur dalam identifikasi makanan dikarenakan model warna HSV lebih mendekati cara presepsi mata manusia dalam mendeskripsikan warna dibandingkan dengan model warna RGB (Chen, et al., 2007). Tidak hanya itu model warna HSV memiliki kelebihan yaitu sangat efektif dalam menentukan warna dasar dengan menggunakan komponen hue (Afrisal, et al., 2013). OpenCV digunakan untuk mengolah citra dan mengekstraksi warna gambar dikarenakan memiliki banyak fungsi yang dapat diaplikasikan untuk pengolahan citra (Bradski &

Kaehler, 2008). Metode K-Nearest Neighbor diterapkan dalam proses identifikasi jenis makanan. Hal ini karena metode k-NN merupakan metode klasifikasi yang berdasarkan data latih dan menghasilkan akurasi yang akurat ketika menggunakan banyak data latih (Setiawan, et al., 2019). k-NN juga merupakan algoritma sederhana, paling populer, memiliki tingkat efisien dan efektif yang tinggi dalam pengenalan pola (Iswari, et al., 2017). Terdapat 5 jenis makanan yang akan diidentifikasi oleh sistem yaitu nasi putih, nasi merah, rendang, tumis kangkung dan tempe goreng. Hasil dari identifikasi makanan dan pengukuran berat ini yang akan menjadi landasan sistem dalam menentukan jumlah kalori pada makanan.

2. METODE

2.1 Gambaran Umum

Gambar 1. Diagram Blok Sistem

Pada gambar 1 memperlihatkan diagram blok sistem dalam memperoleh nilai kalori makanan.

Pertama sistem akan mengukur berat sampel makanan menggunakan sensor loadcell.

Selanjutnya sistem akan mengambil gambar sampel untuk menentukan jenis makanan menggunakan modul kamera Raspberry Pi rev1.3. Data berat dan gambar makanan kemudian dikirim dan diolah ke mini komputer Raspberry Pi 3 B. Dilakukan ekstraksi data warna HSV pada gambar yang kemudian digunakan untuk identifikasi makanan menggunakan metode kNN. Selanjutnya

dilakukan perhitungan nilai kalori makanan berdasarkan data berat dan hasil identifikasi makanan. Hasil komputasi sistem selanjutnya ditampilkan melalui layar LCD 16×2.

2.2 Perancangan Perangkat Keras

Pada perancangan perangkat keras terdiri dari rancangan desain alat dan rancangan rangkaian sistem yang ditunjukkan pada gambar 2 dan gambar 3.

Gambar 2. Rancangan Desain Alat Keterangan :

a. Raspberry Pi 3 B b. Layar LCD 16×2 c. Modul HX711 d. Sensor Loadcell

e. Kamera Raspberry Pi v1.3

Pada perancangan perangkat keras ini terdapat beberapa komponen elektronik yang akan digunakan untuk membangun sistem.

Komponen – komponen tersebut diantaranya modul kamera Raspberry Pi v1.3, sensor loadcell, modul HX711, Raspberry Pi 3 B dan layar LCD 16×2. Modul kamera digunakan untuk mengambil gambar sampel yang diuji, sensor loadcell digunakan untuk mengakuisisi data berat, modul HX711 sebagai ADC yang mana mengubah sinyal analog dari loadcell menjadi sinyal digital yang dapat diolah oleh Raspberry Pi, Raspberry Pi 3 B sebagai mikrokontroler yang mana mengolah dan memproses data yang didapat dari input sistem dan layar LCD 16×2 digunakan untuk menampilkan hasil keluaran sistem.

Gambar 3. Rancangan Rangkaian Sistem Gambar 3 memperlihatkan hubungan – hubungan kabel antar perangkat keras. Modul kamera dihubungkan ke Raspberry Pi melalui CSI (Camera Serial Interface). Sensor loadcell dihubungkan dengan modul HX711 dengan kabel merah ke pin E+, kabel hitam ke pin E-, kabel putih ke pin A+ dan kabel hijau ke pin A-.

Dari modul HX711 menuju Raspberry Pi VCC ke pin 3.3V, GND ke pin GND, pin DT ke pin GPIO5 dan pin SCK ke pi GPIO6. Layar LCD menggunakan 4 pin yang akan dihubungkan ke Raspberry Pi dengan hubungan VCC ke 5V, GND ke GND, pin SDA ke GPIO2 dan SCL ke GPIO3.

2.3 Perancangan Perangkat Lunak

Pada perancangan perangkat lunak menjelaskan alur proses sistem yang diajukan.

Alur proses ini akan dijelaskan mulai dari pengambilan data berat, pengambilan gambar, ekstraksi data warna gambar, proses metode kNN sampai hasil keluaran sistem yang ditampilkan lewat layar LCD. Pada gambar 4 memperlihatkan flowchart dari sistem.

Gambar 4. Flowchart Sistem

Gambar 4 menunjukkan alur sistem yang akan dimplementasikan. Pertama melakukan inisialisasi library yang digunakan sistem. Lalu dilakukan kalibrasi untuk sensor loadcell.

Sistem akan berjalan jika telah menekan ‘enter’

pada keyboard. Setelah itu sensor loadcell akan mengukur berat sampel makanan. Sistem akan mengambil gambar dengan kamera yang kemudian melakukan ekstraksi data warna pada gambar. Selanjutnya dilakukan identifikasi makanan berdasarkan hasil ekstraksi data warna dan data latih yang ada menggunakan metode kNN. Pada metode kNN ini menggunakan perhitungan Euclidean Distance dalam menghitung jarak antar tetangganya menggunakan persamaan 1 di bawah ini.

= −

= _iⁿ d latihi dujii

latih d uji d

D( ( ), ( )) ₁( ( ) ( ))² (1) Lalu sistem melakukan pengukuran kalori makanan berdasarkan hasil identifikasi dan pengukuran berat makanan. Persamaan perhitungan kalori makanan dan sampel data kalori pada tiap jenis makanannya dapat dilihat pada persamaan 2 dan tabel 1 di bawah.

KalMakanan Kkal= W 

100 (2)

Tabel 1. Data Kalori Makanan per gram Makanan Kalori/gram(kkal)

Nasi Putih 129

Nasi Merah 110

Rendang 195

Tumis Kangkung 98

Tempe Goreng 225

Hasil sistem tersebut kemudian ditampilkan melalui layar LCD dengan tampilan jenis makanan, berat makanan dan nilai kalori makanan yang diukur.

2.4 Implementasi Sistem

Gambar 5. Implementasi Perangkat Keras Pada gambar 5 memperlihatkan bentuk implementasi sistem yang dibangun. Bentuk alat ini berupa kotak dengan papan persegi di atasnya serta papan berbentuk siku terbalik di samping.

Modul kamera terpasang pada ujung papan siku terbalik dengan posisi kamera mengarah ke bawah untuk mengambil gambar. Sensor loadcell dipasang antara sisi atak kotak dan papan persegi dimana papan persegi digunakan untuk meletakkan sampel makanan yang akan diuji. Raspberry Pi 3 dan modul HX711 diletakkan didalam kotak dan modul layar LCD menempel pada kotak. Semua komponen ini akan tehubung langsung dengan Raspberry Pi melalui pin GPIO dan soket CSI. Sensor loadcell, modul HX711 dan layar LCD dihubungkan menggunakan kabel jumper dan modul kamera dihubungkan menggunakan kabel pita. Pada gambar 6 menunjukkan rangkaian dari

sistem yang dibangun.

Gambar 6. Implementasi Rangkaian Sistem

3. PENGUJIAN

3.1 Pengujian Sistem Dapat Mengidentifikasi Makanan dan Menghitung Nilai Kalori

Pengujian ini dilakukan untuk mengetahui bahwa sistem dapat mengidentifikasi makanan dan dapat menghitung nilai kalori makanan tersebut. Pada gambar 7 dan gambar 8 memperlihatkan hasil sistem yang ditampilkan melalui layar LCD.

Gambar 7. Hasil Tampilan Pertama LCD

Gambar 8. Hasil Tampilan Kedua LCD

Pada gambar 7 menampilkan hasil keluaran sistem dengan tampilan pertama berupa jenis makanan dan berat dari makanan tersebut. Hasil jenis makanan tersebut didapat dari proses identifikasi sistem dan berat makanan didapat

dari pembacaan sensor loadcell. Pada gambar 8 memperlihatkan tampilan kedua sistem pada layar LCD. Pada tampilan kedua di baris kedua akan menampilkan jumlah kalori makanan yang didapat dari proses perhitungan berdasarkan hasil identifikasi dan pembacaan sensor loadcell.

3.2 Pengujian Pembacaan Sensor Loadcell Pada tabel 2 menunjukkan hasil akurasi sensor loadcell ketika melakukan pengukuran berat.

Tabel 2. Hasil Akurasi Sensor Loadcell Pengujian Sensor

(gram)

Manual (gram)

Error (%)

1 120.579 121 0.347

2 112.478 113 0.461

3 99.997 100 0.003

4 59.696 60 0.506

5 10.154 11 7.690

6 14.159 14 1.135

7 72.584 73 0.569

8 35.628 36 1.033

9 39.605 39 1.551

10 41.929 43 2.490

11 15.658 15 4.386

12 17.397 17 2.335

13 82.374 83 0.754

14 84.391 85 0.716

15 7.607 7 8.671

Rata – rata error (%) 2.177

Dari hasil tersebut didapat beberapa nilai persentase error dari pembacaan sensor loadcell.

Hasil ini didapat dengan membandingkan antara pembacaan sensor loadcell dengan pengukuran secara manual. Dari hasil persentase error tersebut didapat rata – rata error pembacaan sensor loadcell sebesar 2.177 %.

3.3 Pengujian Metode kNN

Hasil akurasi dari identifikasi makanan menggunakan metode kNN dapat dilihat pada tabel 3 di bawah ini.

Tabel 3. Hasil Akurasi kNN No

.

Pengujian ke-

Nilai k

k=3 k=5 k=7

1 Nasi Putih 1 Ya Ya Ya

2 Nasi Putih 2 Ya Ya Ya

3 Nasi Putih 3 Ya Ya Ya

4 Nasi Putih 4 Ya Ya Ya

5 Nasi Putih 5 Ya Ya Ya

6 Nasi Merah 1

Ya Ya Ya

7 Nasi Merah 2

Ya Ya Ya

8 Nasi Merah 3

Ya Ya Ya

9 Nasi Merah 4

Tidak Tidak Tidak 10 Nasi Merah

5

Ya Ya Ya

11 Rendang 1 Ya Ya Ya

12 Rendang 2 Ya Ya Ya

13 Rendang 3 Ya Tidak Tidak

14 Rendang 4 Ya Ya Ya

15 Rendang 5 Ya Ya Ya

16 Kangkung 1 Ya Ya Ya

17 Kangkung 2 Ya Ya Ya

18 Kangkung 3 Ya Ya Ya

19 Kangkung 4 Ya Ya Ya

20 Kangkung 5 Ya Ya Ya

21 Tempe 1 Ya Ya Ya

22 Tempe 2 Ya Ya Ya

23 Tempe 3 Ya Ya Ya

24 Tempe 4 Ya Ya Ya

25 Tempe 5 Ya Ya Ya

Persentase Keberhasilan (%)

96 92 92

Pada tabel tersebut menunjukkan hasil pengujian metode kNN pada tiap nilai variable k.

Pengujian dengan nilai k=3 didapat persentase akurasi sebesar 96 %, pengujian dengan nilai k=5 didapat persentase akurasi sebesar 92 % dan pengujian dengan nilai k=7 didapat persentase akurasi sebesar 92 %. Dari hasil pengujian tersebut nilai variable k=3 memiliki persentase akurasi tertinggi sebesar 96 %.

3.4 Pengujian Waktu Komputasi Hasil waktu komputasi sistem saat sistem berjalan dapat dilihat pada tabel 4.

Tabel 4. Hasil Waktu Komputasi No. Pengujian ke- waktu (detik)

1 1 6.23

2 2 6.23

3 3 6.15

4 4 6.19

5 5 6.19

6 6 6.16

7 7 6.15

8 8 6.19

9 9 6.21

10 10 6.18

11 11 6.20

12 12 6.36

13 13 6.33

14 14 6.17

15 15 6.17

16 16 6.17

17 17 6.17

18 18 6.16

19 19 6.33

20 20 6.30

21 21 6.30

22 22 6.29

23 23 6.30

24 24 6.31

25 25 6.21

26 26 6.21

27 27 6.21

28 28 6.19

29 29 6.26

30 30 6.17

Rata - rata waktu 6.22

Dari hasil tersebut menunjukkan waktu komputasi sistem dalam satuan detik yang dilakukan sebanyak 30 kali. Didapat rata – rata waktu komputasi sistem sebesar 6.22 detik

4. KESIMPULAN

Dari hasil analisis dan pengujian yang dilakukan dapat ditarik kesimpulan bahwa sistem dapat menentukan jumlah kalori makanan yang diukur berdasarkan hasil identifikasi makanan dengan metode kNN dan pembacaan sensor loadcell.

Proses identifikasi yang dilakukan menggunakan metode kNN berdasarkan data latih yang digunakan sebanyak 75 data dengan 5 kelas berupa nasi putih, nasi merah, rendang, tumis kangkung dan tempe goreng berhasil diimplementasikan. Pada metode kNN penggunaan variable k=3 memiliki nilai akurasi tertinggi sebesar 96 %. Hasil akurasi pembacaan

sensor loadcell yang dilakukan didapat persentase error rata – rata sebesar 2.177 %.

Waktu komputasi sistem saat proses pengujian didapat rata – rata sebesar 6.22 detik.

5. DAFTAR PUSTAKA

Afrisal, H. et al., 2013. Portable smart sorting and grading machine for fruits using computer vision. Jakarta, IEEE.

Bradski, G. & Kaehler, A., 2008. Learning OpenCV. 1st ed. California: O'Reilly Media Inc..

Charbonniera, L. et al., 2018. Effects of hunger state on the brain responses to food cues across the life span. NeuroImage, Volume 171, pp. 246-255.

Chen, W., Shi, Y. Q. & Xuan, G., 2007.

Identifying Computer Graphics using HSV Color Model and Statistical Moments of Characteristic Functions.

Beijing, IEEE.

Iswari, N. M. S., Wella & Ranny, 2017. Fish freshness classification method based on fish image using k-Nearest Neighbor.

Yogyakarta, IEEE.

Setiawan, M. R., Sari, Y. A. & Andikara, P. P., 2019. Klasifikasi Citra Makanan Menggunakan K-Nearest Neighbor dengan Fitur Bentuk Simple Morphological Shape Descriptors dan Fitur Warna Grayscale Histogram. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 3(3), pp. 2726-2731.

Vainik, U., Garcia-Garcia, I. & Dagher, A., 2019. Uncontrolled eating: a unifying heritable trait linked with obesity, overeating, personality and the brain.

European Journal of Neuroscience, Volume 50, pp. 2430-2445.

West, H., 2016. Counting Calories 101: How to Count Calories to Lose Weight. [Online]

Available at:

https://www.healthline.com/nutrition/cou nting-calories-101

[Accessed 6 Mei 2020].

WHO, 2020. Obesity and overweight. [Online]

Available at: https://www.who.int/news- room/fact-sheets/detail/obesity-and- overweight

[Accessed 25 April 2020].