Identifikasi Persediaan Makanan di dalam Lemari Pendingin Berbasis Raspberry Pi dan Deep Learning

Intisari — Sistem ini dibuat atas dasar permasalahan yang terjadi dalam kehidupan sehari-hari, salah satunya yaitu tidak terpantaunya persediaan bahan makanan di lemari pendingin. Ketika dibutuhkan suatu bahan makanan dari lemari pendingin dan ternyata tidak ada, maka akan menjadi masalah. Oleh karena itu, dibuatlah sebuah sistem yang mampu mengidentifikasi objek makanan di dalam lemari pendingin. Masukan dari sistem ini berupa foto objek makanan yang diambil menggunakan Raspberry Pi Camera dan terhubung langsung dengan Raspberry Pi di dalam lemari pendingin. Setelah diproses dengan algoritma pembelajaran mesin, maka keluaran yang dihasilkan berupa identifikasi objek makanan yang terdapat di dalam lemari pendingin tersebut. Objek makanan yang diuji berupa pisang, mentimun, brokoli, dan jeruk. Dari hasil pengujian, terlihat bahwa program mengidentifikasi objek dengan benar pada objek pisang dan jeruk yang ditunjukkan dengan confidence level tertinggi sebesar 56,98% dan 45,88%. Identifikasi objek mentimun dikenali sebagai zukini dengan confidence level tertinggi sebesar 78,61%. Adapun identifikasi objek paling rendah terdapat pada objek brokoli dengan confidence level kurang dari 1%.   Kata kunci — Deep Belief Network, Deep Learning, Lemari Pendingin, Machine learning, Raspberry Pi.     Abstract — This system is made based on problems that occur in everyday life, one of which is the lack of monitoring of food supplies in the refrigerator. It will be a problem when there is a need for a food item from the refrigerator and it does not exist. Therefore, a system is made that can identify food objects in the refrigerator. The input from this system is in the form of photos of food objects taken using the Raspberry Pi Camera and connected directly to the Raspberry Pi in the refrigerator. After being processed with machine learning algorithms, the resulting output identifies food objects in the refrigerator. The food objects tested were bananas, cucumbers, broccoli, and oranges. The test results show that the program correctly identified the object on the banana and orange object, which was indicated by the highest confidence levels of 56.98% and 45.88%, respectively. The identification of the cucumber object was recognized as zucchini with the highest confidence level of 78.61%. The lowest object identification was found in broccoli, with a confidence level of less than 1%.   Keywords— Deep Belief Network, Deep Learning, Deep Belief Network, Machine learning, Raspberry Pi, Refrigerator.