Klasifikasi Makanan Berbasis Detection Transformer Untuk Estimasi Kalori di Cloud Platform = Food Classification Based Detection Transformer for Calorie Estimation in Cloud Platform

Penelitian ini mengembangkan sistem estimasi kalori makanan berbasis citra menggunakan Detection Transformer (DETR) dan objek referensi berupa tutup botol untuk penentuan skala. Dataset dibangun dari kombinasi dataset publik Roboflow, web scraping, dan pengambilan data mandiri, kemudian dilakukan pelatihan model baseline serta fine-tuning menggunakan data rumah sakit hingga diperoleh model terbaik v1-extended-f-s1. Sistem inferensi melakukan deteksi objek makanan, menghitung skala dari diameter tutup botol, memperkirakan luas-area objek, lalu menghitung volume, berat dan kalori berdasarkan tabel densitas serta kalori per gram. Evaluasi performa deteksi/segmentasi pada data uji menunjukkan peningkatan setelah fine-tuning, dengan Average IoU model baseline (v1-extended) 0.7496 dan model v1-extended-f-s1 sebesar 0.8687. Evaluasi end-to-end estimasi kalori dilakukan menggunakan 40 citra rumah sakit. Hasil menunjukkan penurunan error setelah fine-tuning, dari MAE 284.76 kkal dan MAPE 56.95% pada baseline v1-extended menjadi MAE 110.78 kkal dan MAPE 22.15% pada model v1-extended-f-s1. Sistem juga diimplementasikan sebagai layanan REST API menggunakan FastAPI dan di-deploy pada Google Cloud Run. Uji beban pada skenario 100 request yang dibagi ke 5 Virtual User menghasilkan throughput 0,4827 request/detik dengan error rate 0,00%. Metrik waktu respons menunjukkan http_req_duration rata-rata 9.86 detik, median 7.88 detik, P90 17.20 detik, dan P95 21.02 detik. Breakdown waktu proses internal menunjukkan internal_total_ms rata-rata 5482.86 ms yang terdiri dari preprocess 5.18 ms, inference 3909.56 ms, dan postprocess 1568.12 ms. Hasil penelitian membuktikan bahwa sistem mampu melakukan estimasi kalori berbasis citra dan berjalan sebagai layanan cloud. Meskipun demikian, peningkatan performa masih dapat diarahkan pada optimasi inference dan postprocess untuk mempercepat waktu respons layanan.