IMPLEMENTASI YOLOV8 PADA SISTEM NUTRI-GRADE UNTUK DETEKSI AREA LABEL NUTRISI

Defriansyah, Al Hafiz (2025) IMPLEMENTASI YOLOV8 PADA SISTEM NUTRI-GRADE UNTUK DETEKSI AREA LABEL NUTRISI. Diploma thesis, Politeknik Negeri Sriwijaya.

Preview	Text (Cover) Cover Laporan Tugas Akhir.pdf - Published Version Download (1MB) | Preview
Preview	Text (Abstrak) ABSTRAK.pdf - Published Version Download (208kB) | Preview
	Text (Bab I) BAB I.pdf - Published Version Restricted to Repository staff only Download (208kB) | Request a copy
	Text (Bab II) BAB II.pdf - Published Version Restricted to Repository staff only Download (637kB) | Request a copy
	Text (Bab III) BAB III.pdf - Published Version Restricted to Repository staff only Download (905kB) | Request a copy
	Text (Bab IV) BAB IV.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy
	Text (Bab V) BAB V.pdf - Published Version Restricted to Repository staff only Download (162kB) | Request a copy
	Text (Daftar Pustaka) DAFTAR PUSTAKA.pdf - Published Version Restricted to Repository staff only Download (160kB) | Request a copy
	Text (Lampiran) LAMPIRAN.pdf - Published Version Restricted to Repository staff only Download (5MB) | Request a copy

Abstract

Peningkatan prevalensi diabetes mellitus di Indonesia akibat konsumsi makanan tinggi gula dan lemak jenuh menunjukkan pentingnya sistem informasi gizi yang dapat membantu konsumen memilih produk makanan dan minuman yang lebih sehat. Penelitian ini bertujuan mengembangkan sistem berbasis computer vision untuk mendeteksi area label nutrisi pada kemasan secara otomatis dan mengkategorikannya ke dalam skala Nutri-Grade (A–D). Penelitian ini merupakan penelitian terapan dengan pendekatan rekayasa sistem, menggunakan model deteksi objek YOLOv8 dan metode Optical Character Recognition (OCR) yang diimplementasikan pada perangkat embedded Raspberry Pi 4. Pengembangan sistem meliputi pengumpulan dataset sebanyak 345 gambar, pelabelan, augmentasi, pelatihan model, integrasi OCR, dan pengujian fungsional pada beragam kemasan produk makanan dan minuman. Evaluasi performa model menunjukkan hasil yang sangat baik dengan precission (97,4%), recall 86%, accuracy 84%, dan F1-score 91,3%,. Pengujian sistem berhasil mendeteksi label nutrisi secara real-time dengan jarak optimal 10 cm serta klasifikasi Nutri-Grade yang sesuai berdasarkan kandungan gula dan lemak jenuh. Kesimpulannya, implementasi YOLOv8 dalam sistem ini efektif untuk mendeteksi area label nutrisi kemasan serta mendukung penerapan Nutri-Grade di Indonesia dengan berbasis teknologi. Kata kunci: YOLOv8, Nutri-Grade, Raspberry Pi, Deteksi Label Nutrisi, OCR

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	YOLOv8, Nutri-Grade, Raspberry Pi, Deteksi Label Nutrisi, OCR
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Electronic Engineering > Undergraduate Theses
Depositing User:	Pustaka Teknik Elektro
Date Deposited:	12 Aug 2025 03:56
Last Modified:	12 Aug 2025 03:56
URI:	http://eprints.polsri.ac.id/id/eprint/18045

Actions (login required)

View Item