<![CDATA[Pengelolaan asupan kalori harian masih menjadi tantangan bagi masyarakat karena keterbatasan pengetahuan nutrisi serta kompleksitas visual makanan Indonesia yang beragam, sehingga estimasi kalori sering dilakukan secara subjektif dan kurang akurat. Penelitian ini bertujuan untuk mengembangkan sistem otomatis yang mampu mengklasifikasikan citra makanan Indonesia dan mengestimasi nilai kalorinya secara akurat dengan memanfaatkan pendekatan deep learning berbasis arsitektur MobileNetV2. Metode yang digunakan meliputi transfer learning dari model pra-latih ImageNet dan fine-tuning terkontrol pada lapisan atas jaringan untuk meningkatkan performa dan stabilitas model. Dataset yang digunakan terdiri dari 18 kelas makanan Indonesia dengan total 25.536 citra untuk data latih dan validasi, serta 450 citra data uji. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, F1-score, dan confusion matrix. Hasil eksperimen menunjukkan bahwa konfigurasi fine-tuning terkontrol pada MobileNetV2 mampu mencapai akurasi pengujian tertinggi sebesar 93,33%, dengan performa yang stabil dan kemampuan generalisasi yang baik pada seluruh kelas makanan. Model selanjutnya diintegrasikan ke dalam aplikasi web berbasis Streamlit, di mana hasil klasifikasi makanan dipetakan ke basis data nutrisi FatSecret untuk menghasilkan estimasi kalori per 100 gram. Implementasi ini menunjukkan bahwa MobileNetV2 merupakan model ringan yang efektif untuk klasifikasi citra makanan dan estimasi kalori berbasis web yang mudah diakses.]]>
