Model Cerdas Deteksi Gula dan Natrium pada Produk Makanan Menggunakan Tesseract OCR
Keywords:
Optical Character Recognition, Tesseract OCR, Gula, Natrium, PythonAbstract
Konsumsi produk makanan olahan yang tinggi gula dan natrium menjadi salah satu faktor utama peningkatan risiko penyakit tidak menular seperti diabetes dan hipertensi di masyarakat modern. Meskipun informasi gizi telah dicantumkan pada kemasan produk, sebagian besar konsumen masih mengalami kesulitan dalam membaca dan memahami label gizi secara cepat dan akurat. Kondisi ini menimbulkan kebutuhan akan sistem cerdas yang mampu mengenali dan menafsirkan informasi kandungan gizi secara otomatis. Penelitian ini mengusulkan pengembangan model deteksi kandungan gula dan natrium pada label produk makanan menggunakan Python dan Tesseract OCR. Proses diawali dengan tahap perancangan ulang label (label redesign) untuk menormalkan tata letak teks dan meningkatkan keterbacaan citra, dilanjutkan dengan penerapan pra-pemrosesan citra dan teknik Optical Character Recognition (OCR) untuk mengekstraksi data gizi. Hasil ekstraksi kemudian dianalisis menggunakan metode pencarian pola (regular expression atau regex) guna mendeteksi nilai kandungan gula dan natrium serta melakukan klasifikasi berdasarkan ambang batas rekomendasi dari World Health Organization (WHO). Hasil penelitian menunjukkan bahwa sistem mampu melakukan deteksi dan klasifikasi secara otomatis dengan hasil yang informatif, sehingga berpotensi mendukung peningkatan literasi gizi masyarakat melalui penyajian data kandungan gula dan natrium yang cepat, objektif, dan mudah dipahami.
References
I. R. Palupi, N. D. Naomi, and Joko Susilo, “Penggunaan Label Gizi dan Konsumsi Makanan Kemasan pada Anggota Persatuan Diabetisi Indonesia,” Kes Mas J. Fak. Kesehat. Masy., vol. 11, no. 1, pp. 1–8, 2017.
I. Illavina and W. Kusumaningati, “Pengaruh Edukasi Pembacaan Label Informasi Nilai Gizi dengan Media Slide PowerPoint terhadap Pengetahuan Siswa SMA Kota Depok,” Muhammadiyah J. Nutr. Food Sci., vol. 3, no. 1, p. 27, 2022, doi: 10.24853/mjnf.3.1.27-35.
A. Aprianti, K. Mubarokah, M. G. C. Yuantari, and N. S. Rahma, “Nutrition Fact Literacy in Productive Age Communities in Semarang City, Indonesia,” Amerta Nutr., vol. 7, no. 3, pp. 406–412, 2023, doi: 10.20473/amnt.v7i3.2023.406-412.
A. Firdaniansyah, A., Sulaiman, L., & Fathoni, “Jurnal pengabdian masyarakat sasambo,” J. Pengabdi. Masy. Sasambo, vol. 2, no. 2, pp. 161–165, 2024.
A. Apriyunda et al., “Hubungan Tingkat Pengetahuan dengan Perilaku Membaca Label Gizi pada Remaja di SMA N 10 Kota Jambi,” Semin. Kesehat. Nas., vol. 3, pp. 169–177, 2024, [Online]. Available: https://prosiding.ubr.ac.id/
T. Manuel, E. Saputra, A. Susanto, and B. J. Carmelita, “Implementation of Tesseract OCR and Bounding Box for Text Extraction on Food Nutrition Labels,” vol. 6, no. 3, pp. 1403–1412, 2024, doi: 10.47065/bits.v6i3.6107.
M. N. Darpito, Kartika Firdausy, and Abdul Fadlil, “Perbandingan Unjuk Kerja Library Optical Character Recognition (OCR) dalam Pengenalan Teks pada Dokumen Digital,” J. Inform. Polinema, vol. 11, no. 3, pp. 273–282, 2025, doi: 10.33795/jip.v11i3.7025.
Y. T. P. Ruvina Febrianti Malelak, Adriana Fanggidae, Tiwuk Widiastuti, “Deteksi Informasi Kadar Natrium pada Label Produk Kemasan,” J. Buana Inform., vol. 16, no. 2, pp. 63–73, 2025.
Y. Shah, “Delving Deep into NutriScan: Automated Nutrition Table Extraction and Ingredient Recognition,” Int. J. Res. Appl. Sci. Eng. Technol., vol. 11, no. 11, pp. 1596–1601, 2023, doi: 10.22214/ijraset.2023.56852.
T. Le, Y. Hwang, A. Y. Kadiptya, J. Son, and H. Kim, “A Robust Framework for Coffee Bean Package Label Recognition : Integrating Image Enhancement with Vision – Language OCR Models,” pp. 1–27, 2025.
World Health Organization, WHO Global Report. 2013. [Online]. Available: http://www.who.int/mediacentre/factsheets/fs104/en/ diakses 16 April 2013
M. Nagayi, A. Khan, T. Frank, R. Swart, and C. Nyirenda, “Evaluating OCR performance on food packaging labels in South Africa,” 2025, [Online]. Available: http://arxiv.org/abs/2510.03570
