Seberapa Akurat Pengenalan Makanan dengan AI? Apa yang Bisa Diharapkan

Diterbitkan April 2026

Pencatatan foto makanan berbasis AI jauh lebih cepat daripada mencari di database makanan secara manual. Namun pertanyaan umum sebelum beralih adalah: seberapa akurat sebenarnya? Jawaban jujurnya, itu tergantung apa yang kamu makan dan cara kamu memotretnya. Berikut hal yang bisa dan tidak bisa dilakukan teknologi ini.

AI Pengenalan Makanan: Cara Kerja Teknologinya

AI pengenalan makanan adalah computer vision yang diterapkan pada piring: model yang dilatih dengan gambar makanan berlabel yang mengidentifikasi apa yang ada di foto dan memperkirakan jumlahnya. Jenis model yang sama menjalankan aplikasi kalori konsumen dan API pengenalan makanan komersial yang dipakai restoran, rumah sakit, dan platform kesehatan. Setiap implementasi menjalankan lima tahap yang sama.

• Deteksi. Model menemukan area gambar yang berisi makanan, memisahkannya dari piring, meja, dan latar belakang.
• Segmentasi. Setiap area makanan dipecah menjadi item yang berbeda, sehingga tumisan menjadi protein, sayuran, nasi, dan saus, bukan satu objek.
• Klasifikasi. Setiap segmen dicocokkan dengan kategori makanan yang dipelajari modelnya. Tahap inilah yang sekarang sudah andal: model modern mengenali ribuan hidangan.
• Estimasi volume dan porsi. Model menyimpulkan seberapa banyak tiap item dari ukuran tampaknya dibandingkan dengan piring, alat makan, atau benda acuan lain. Tahap inilah, bukan klasifikasi, yang menjadi sumber hampir semua kesalahan.
• Pencarian nutrisi. Setiap makanan yang teridentifikasi diskalakan ke porsi perkiraannya dan dicocokkan dengan nilai kalori dan makronutrien.

Saat kamu memotret makanan, model visi AI menganalisis gambar untuk mengenali makanan satu per satu. Model melihat bentuk, warna, tekstur, dan konteks untuk menentukan apa yang ada di piring. Setelah makanan dikenali, sistem memperkirakan ukuran porsi berdasarkan petunjuk visual, termasuk ukuran tampak tiap item dibanding piring, alat makan, atau titik acuan lain dalam bingkai.

Dari estimasi tersebut, AI menghitung kalori dan makronutrien memakai nilai gizi dari makanan yang teridentifikasi. Seluruh prosesnya biasanya hanya memakan beberapa detik.

Seberapa Akurat?

Untuk makanan umum yang terlihat jelas, pengenalan makanan dengan AI cukup akurat. Sepiring dengan dada ayam, nasi, dan sayuran kukus adalah jenis makanan yang ditangani AI dengan baik. Komponennya terlihat, ukuran porsi bisa diperkirakan, dan makanannya sudah sering dilihat model. Seberapa dekat estimasinya tidak bisa dirangkum secara jujur dalam satu persentase. Tinjauan sistematis 2023 di Annals of Medicine menyaring 14.059 publikasi, mempertahankan 52 yang terbit antara 2010 dan 2023, dan menemukan rata-rata kesalahan relatif untuk kalori berkisar dari 0,1% sampai 38,3% di antaranya. Para penulisnya tidak dapat menggabungkan studi-studi itu menjadi satu angka, karena database gambar makanan dan hasil yang dilaporkan terlalu beragam untuk meta-analisis. Yang ditegaskan tinjauan itu adalah arahnya: kesalahan lebih rendah untuk gambar makanan tunggal atau sederhana.

Akurasi turun untuk hidangan campuran. Semangkuk semur, casserole, atau kari mengandung bahan yang sebagian atau seluruhnya tersembunyi. AI bisa mengenali hidangan apa itu, tetapi tidak bisa melihat isinya, jadi estimasinya lebih bergantung pada resep umum daripada isi panmu yang sebenarnya. Rentang galatnya melebar.

Saus, minyak, dan dressing selalu sulit. Salad dengan minyak zaitun dan salad dengan vinaigrette ringan terlihat hampir identik di foto. Selisih kalori di antara keduanya bisa signifikan. Minyak masak yang ditambahkan ke wajan sebelum menumis sama sekali tidak terlihat di foto akhir.

Makanan kemasan dengan label nutrisi lebih baik dicatat lewat entri manual atau pemindaian barcode. Porsi 200 g yoghurt merek tertentu punya profil nutrisi yang diketahui dan tepat. Estimasi AI menambah ketidakpastian yang tidak perlu ketika data pastinya tercetak di kemasan.

Hal yang Memengaruhi Akurasi

Beberapa faktor praktis memengaruhi seberapa baik AI bekerja pada suatu foto:

• Pencahayaan. Foto dengan cahaya yang baik memberi model lebih banyak informasi visual. Pencahayaan buruk meratakan tekstur dan mengurangi akurasi warna, sehingga makanan lebih sulit dikenali dengan benar.
• Sudut. Foto dari atas (tepat di atas piring) cenderung menghasilkan hasil terbaik. Sudut dari samping bisa menutupi item makanan di balik item lain dan membuat perkiraan porsi kurang andal.
• Penataan makanan. Makanan yang tersebar di piring dalam porsi terpisah lebih mudah dianalisis daripada yang ditumpuk atau bercampur. Jika kamu makan beberapa item, sebarkan dulu sebelum memotret agar lebih terbantu.
• Objek acuan. Menyertakan tepi piring, garpu, atau benda lain yang familier dalam bingkai membantu model mengalibrasi ukuran porsi. Sepotong ayam terlihat sangat berbeda skalanya di samping garpu dibanding di samping apa pun.

Makanan Campuran Lebih Sulit daripada Makanan Tunggal

Dada ayam panggang di samping nasi dan brokoli adalah tiga bentuk berbeda dengan tepi yang jelas. Kari, semur, casserole, atau salad yang sudah diberi dressing adalah satu massa visual yang komponennya saling tumpang tindih, saling menutupi, dan berbeda kepadatan. AI memperkirakan jenis kedua jauh kurang akurat, dan ini adalah prediktor terbesar tentang seberapa dekat estimasi foto.

Tinjauan sistematis tahun 2023 di Annals of Medicine, yang mencakup 52 studi yang terbit antara 2010 dan 2023, menemukan rata-rata kesalahan relatif untuk kalori berkisar dari 0,10% hingga 38,3%, dan melaporkan bahwa kesalahan “cenderung lebih kecil untuk gambar makanan tunggal dibandingkan gambar banyak makanan”. Tinjauan itu menyebut langsung kasus yang sulit: “gambar dengan hidangan campuran (seperti kari) atau piring dengan berbagai makanan yang saling tumpang tindih dengan ketinggian berbeda atau batas yang tidak jelas memiliki risiko lebih tinggi untuk kesalahan klasifikasi atau segmentasi”. Dari 22 kesalahan estimasi volume terendah di seluruh studi yang ditinjau, 68% berasal dari gambar makanan tunggal.

Analisis GPT-4V terhadap hidangan acuan yang ditimbang, yang diterbitkan di IEEE Journal of Biomedical and Health Informatics pada 2024, memberi angka pada selisih itu. Mengestimasi satu item makanan sekali waktu, pada 32 item, menghasilkan rata-rata kesalahan kalori absolut 69,2 kkal. Mengestimasi seluruh sesi makan, pada 10 sesi, menghasilkan 151,2 kkal, kira-kira dua kali lipat. Penyebabnya adalah kesalahan yang menumpuk: ukuran porsi adalah sumber kesalahan utama, dan hidangan campuran membutuhkan penilaian porsi terpisah untuk setiap komponen, yang masing-masing membawa galatnya sendiri.

Hal ini belum sepenuhnya final. Studi tahun 2025 di Nutrients yang menganalisis 195 hidangan hanya menemukan korelasi lemah antara jumlah bahan dan kesalahan (r tidak lebih dari 0,37) dan menyimpulkan bahwa jumlah komponen bukan penentu yang kritis. Ringkasan yang jujur: keterpisahan visual lebih penting daripada jumlah bahan. Piring dengan enam makanan yang terpisah jelas lebih mudah dibaca daripada mangkuk dengan tiga makanan yang tercampur.

Artinya dalam praktik

• Foto sebelum diaduk. Potret komponennya selagi masih terpisah, bukan mangkuk yang sudah diaduk.
• Pisahkan makanan campuran menjadi dua foto jika masuk akal. Dua perkiraan tunggal lebih baik daripada satu perkiraan gabungan.
• Koreksi perkiraan untuk apa pun yang diblender, diberi saus, atau berlapis. Lemak adalah nutrisi yang paling konsisten diremehkan di semua studi, dan minyak di dalam saus tidak terlihat di foto.
• Anggap semur dan kari buatan sendiri sebagai kasus terburuk, dan catat dari bahan-bahannya, bukan dari foto, saat hidangan itu penting.

Dibandingkan apa?

Perbandingan yang berguna bukan AI terhadap angka sempurna, melainkan AI terhadap cara kamu mencatat makanan itu tanpanya, yang juga tidak akurat.

Studi tahun 2018 di Nutrients meminta 38 profesional nutrisi memperkirakan porsi dari gambar makanan. Hanya 23,7% perkiraan piring mereka yang berada dalam 10% dari jumlah sebenarnya yang ditimbang, dengan rata-rata selisih persentase absolut 47,6%. Penelitian Nutrition5k yang dipresentasikan di CVPR 2021 menjalankan pemeriksaan manusia yang lebih kecil bersama dataset sekitar 5.000 hidangannya: 4 ahli gizi dan 16 orang awam menilai 10 hidangan yang dipilih lebih sederhana daripada rata-rata dataset. Ahli gizi rata-rata keliru 41% dan orang awam 53%. Bacalah ini sebagai urutan besaran pada sampel yang menguntungkan, bukan perkiraan populasi.

Pencatatan manual lewat aplikasi juga punya biasnya sendiri, meski lebih kecil daripada yang disiratkan angka utamanya. Meta-analisis 2021 di Advances in Nutrition yang menggabungkan 11 studi tentang aplikasi catatan makan menemukan bahwa aplikasi tersebut meremehkan asupan energi rata-rata 202 kkal per hari (CI 95%: 319 sampai 85 kkal). Sebagian besar selisih itu berasal dari tabel komposisi pangan, bukan dari pencatatannya: ketika aplikasi dan metode acuan memakai tabel yang sama, selisih gabungan turun menjadi 57 kkal per hari (CI 95%: selisih kurang 116 kkal sampai kelebihan 2 kkal) dan heterogenitas antarstudi turun menjadi nol. Pada hari dengan 2.000 kalori, itu kurang dari 3%, jadi entri manual yang teliti pada database yang sepadan memang metode yang lebih akurat.

Jadi perkiraan foto untuk hidangan campuran tidak presisi, begitu juga ahli gizi yang melihat piring yang sama. Input manual yang cermat mengalahkan keduanya dalam akurasi, dan kalah dari keduanya dalam hal apakah kamu terus melakukannya. Yang diubah pencatatan foto bukan akurasi, melainkan apakah kamu mencatat makanan itu sama sekali, dan makanan yang tercatat dengan perkiraan yang bisa dikoreksi lebih baik daripada yang tidak tercatat.

Bersikaplah skeptis terhadap klaim akurasi

Beberapa situs menerbitkan angka akurasi yang terdengar presisi untuk aplikasi kalori, sebagian mengutip studi dan DOI yang tidak ada. Tidak ada aplikasi yang punya validasi terbitan peer-review untuk produk yang dirilisnya. Jika sebuah angka tidak punya jurnal, ukuran sampel, dan metodologi yang disebutkan, anggap itu pemasaran. Itu termasuk angka kami: angka di halaman ini dikutip dari riset independen, bukan dari pengujian kami sendiri.

Apakah “Cukup Dekat” Sudah Cukup Baik?

Bagi kebanyakan orang, ya. Margin kesalahan dua digit terdengar signifikan jika berdiri sendiri, tetapi konteks penting.

Entri database manual juga tidak sepenuhnya akurat. Database yang dikirim pengguna mengandung kesalahan, definisi ukuran porsi berbeda antar sumber, dan masakan rumahan jarang sama persis dengan cara memasak yang diasumsikan dalam entri database. Akurasi pencatatan manual untuk makanan rumahan dalam praktiknya lebih rendah daripada yang disangka kebanyakan orang.

Yang lebih penting, konsistensi lebih berarti daripada presisi untuk keperluan pelacakan. Jika kamu membandingkan pelacak berbasis AI dengan aplikasi database tradisional, perbandingan VitaCal vs MyFitnessPal membahas perbedaan praktis dalam cara mencatat. Jika AI secara sistematis meleset 15% untuk makanan tertentu yang rutin kamu makan, asupan yang kamu catat tetap mencerminkan asupan sebenarnya secara relatif. Tren mingguanmu, responsmu terhadap perubahan pola makan, dan kemajuanmu dari waktu ke waktu tetap bermakna. Tujuan pelacakan adalah membangun kesadaran dan mengenali pola, bukan mencapai pengukuran sekelas laboratorium untuk setiap makanan.

Yang merusak pelacakan bukan margin galatnya. Yang merusaknya adalah meninggalkan kebiasaan karena pencatatan terlalu lambat atau terlalu melelahkan. Pencatatan foto AI mengatasi masalah itu secara langsung.

Cara Mendapat Hasil Lebih Baik

Beberapa kebiasaan sederhana akan meningkatkan kualitas perkiraan AI-mu:

• Periksa apa yang dikenali AI sebelum mengonfirmasi catatan. Jika ada bahan yang terlewat atau salah dikenali, kamu bisa memperbaikinya sebelum menyimpan.
• Ambil foto dari tepat di atas dengan pencahayaan yang baik. Ini hanya memakan satu detik tambahan dan membuat perbedaan yang terukur.
• Untuk hidangan yang membutuhkan akurasi, catat komponen satu per satu secara terpisah, bukan sebagai satu piring. Dengan begitu model mendapat tugas yang lebih bersih untuk setiap item.
• Gunakan input manual untuk makanan kemasan. Jika ada label nutrisi, pakailah. Sisakan pencatatan AI untuk makanan yang memang paling diuntungkan olehnya: masakan matang, makanan restoran, dan apa pun yang harus kamu cari dulu jika tidak difoto.

Pendekatan VitaCal

Untuk perbandingan pencatatan foto di berbagai aplikasi yang menawarkannya, lihat panduan aplikasi pengenalan foto pelacak kalori AI.

VitaCal menunjukkan persis apa yang dikenali AI di fotomu sebelum apa pun dicatat. Kamu bisa melihat tiap makanan, estimasi porsinya, dan kalori serta makro yang dihasilkan. Jika ada yang terlihat keliru, kamu bisa menyesuaikan porsi atau menghapus item sebelum mengonfirmasi. Tidak ada yang dicatat tanpa tinjauanmu.

Jika kamu ingin melihat cara kerja pencatatan AI dalam praktik, coba VitaCal gratis. Paket gratis mencakup lima analisis AI per minggu tanpa iklan.