Bayangkan sebuah skenariopagi yang ideal: Anda tidur melangkah keatas timbangan di kamae. dan dalam hitungan detik sebuah notifikasi ramah muncul di layar ponsel pintar anda, notifikasi tersebut tidak sekedar menampilkan deretan angka berat badan yang dingin, melainkan sebuah sapaan hangat:”selamat pagi! Berdasarkan pemantauan berat badan anda hari ini, kebutuhan kalori harian anda sesuaikan menjadi 1.800 kkal. berikut dan rekomendasi menu sarapan lokal yang pas dan sehat untuk anda pagi ini.” Di tengah padatnya aktivitas masyarakat urban modern,skenario di atas sering kalo terdengar seperti disik ilmiah. Namun, di koridor akademis universitas komputer indonesia (UNIKOM), sekelompok mahasiswa kreatif berhasil mengubah fiksi tersebut menjadi sebuah cetak biru teknologi nyata. melalui Program Kreativitas Mahasiswa Karasa Cipta (PKM-KC), Mereka Mengembangkan Nutrimatch, sebuah sistem rekomendasi menu makanan harian adaptif berbasis kecerdasan buatan (Artificial Intelligence) yang terhubung langsung dengan perangkat keras Timbangan digital pintar. Inovasi ini hadir bukan tanpa alasan, Nutrimatch dirancang secara khusus untuk menjadi sendata digital baru dalam menghadapi salah satu krisis kesehatan masyarakat yang paling sunyi namun mematikan di indonesia: obesitas dan salah urus pola makan harian.

Mengapa mengatur pola makan masih jadi tantangan?

untuk memahami urgensi di balik terciptanya nutrimatch, kita harus melihat realitas kesehatan masyarakat kita hari ini. masalah gizi buruk dan kelebihan berat badan telah bergeser menjadi tantangan nasional yang masif. berdasarkan data rmpiris dari survei kesehatan indonesia (SKI) 2023, angka prevalensi obesitas pada penduduk dewasa berumur diatas 18 tahun mengalami lonjakan yangmenghawatirkan, dari 21,8% pada tahun 2018 menjadi 23,4% pada tahun 2023. Tren kenaikan ini bahkan telah terlihat kosten sejak tahun 2007 yang kala itu masih berada di angka 10,5%.

Lebih mencengangkan lagi, statistik dari lembaga nasuonal mencatat bahwa sejak tahun 2018, satu dari 3 orang dewasa di indonesia atau setara dengan 64,4 juta jiwa hidup dengan kondisi kelebihan berat badan maupun obesitas. Laporan word obesity atlas 2022 bahkan menempatkan indonesia di peringkat ketiga dengan prevalensi obesitas ter tinggi di kawasan asia tenggara.

Tinggi angka angka ini bersumber dari transformasi pola hidup masyarakat modern. Tinggi konsumsi makanan gula,garam,dan lemak kenuh yang dikombinasikan dengan frekuensi makan tidak teratur serta porsi berlebihan menjadi pemicu utama melonjaknya penyakit tidak menular (PTM) yang mematikan, seperti diabetes melitus,hipertensi kronis,hingga serangan jantung koroner.

Akar masalah dari fenomena ini sebenarnya sederhana :sulitnya masyarakat dalam menyusun dan mempertahankan menu makan harian yang benar benar sesuai denagan kebutuhan biologis tubuh mereka sendiri. kebutuhan kalori dan distribusi zat gizi setiap manusia bersifat dinamis,berubah ubah menjadi fluktuasi berat badan, metabolisme, serta intensitas aktivitas fisik harian. Akibatnya, panduan diet umum yang bersifat seragam (one size fits all) seringkali tidak efektif dan meleset dari target metabolik pengguna.

Di era digital ini, aplikasi pemantauan gizi yang sudah banyak beredar di pasar aplikasi mobile.namun,mengapa tingkat kepatuhan masyarakat masih rendah? jawaban nya tereletak pada hambatan psikologis bernama interaction fatigue atau kejenuhan interaksi. Sebagian besar aplikasi konvensional menuntut penggunanya untuk memasukan data berat badan dan menu makanan secara manual setiap hari. prosedur mengetik berulang -ulang yang merepotkan ini membuat pengguna cepat jenuh, sering kali lupa, hingga akhirnya mengabaikan aplikasi tersebut. ketika data yang di simpan usang, rekomendasi gizi yang di berikan pun tidak menjadi akurat lagi.

Ketika Timbangan Tidak Lagi Sekedar Menunjukan Angka

Melihat celah teknologi tersebut, tim peneliti kelompok saya dari PKM- KC UNIKOM merancang sebuah pendekatan radikal yang menggabungkan teknologi fisik dengan perangkat lunak cerdas . Langkah pertama di mulai dengan mendefinisikan ulang fungsi timbangan kamarmandi melalui konsep smart weight scale berbasis iot.

dalam ekosistem nutrimatch, timbangan tidak lagi menjadi objek pasif yang sekedar menampilkan load cell berpresisi tinggi yang di konfigurasikan dalam formasi jembatan wheastone. formasi fisik ini memastikan bahwa setiap tekanan beban tubuh dari berbagai sudut pijakan dapat di tangkap secara optimal dan di ubuah menjadi sinyal listrik analog.

Sinyal listrik analog yang sangat tipis tersebut kemudian di alirkan menuju modul HX711, sebuah konverter analog ke digital khusus yang bertugas mereduksi gangguan data (noise) agar hasil pembacaan massa tubuh menjadi sangat stabil dan akurat. otak dari timbangan pintar ini dikendalikan oleh mikrokontroler ESP32, sebuah papan sirkuit ringkas yang telah di lengkapi dengan modul konektivitas wifi terintegrasi.

Begitu pengguna berdiri di atas timbangan, ESP 32 secara otomatis memproses data berat badan, membungkus nya ke dalam paket data (payload), dan mentrasmisikannya secara nirkabel langsung ke sistem komputasi awan (clod server) tanpa intervensi manual sedikitpun dari pengguna

Mengapa pemantauan berat badan otomatis ini sangat krusial? Studi ilmiah yang dilakukan oleh Bannor dkk. (2023) membuktikan bahwa rutinitas penimbangan berat badan secara berkala merupakan salah satu prediktor paling signifikan terhadap keberhasilan program penurunan berat badan jangka panjang, dengan tingkat akurasi prediksi keberhasilan mencapai 78%. Dengan menghapus keharusan mengetik data secara manual, NUTRIMATCH berhasil memotong risiko kesalahan input (human error) sekaligus menyediakan basis data yang valid dan segar bagi algoritma kecerdasan buatan.

Peran Kecerdasan Buatan dalam Menentukan Menu Harian

Setelah data fisik pengguna berhasil ditangkap oleh lapisan IoT, data tersebut dialirkan ke lapisan kognitif sistem yang digerakkan oleh kecerdasan buatan, khususnya teknologi Large Language Model (LLM).

Selama ini, sistem rekomendasi diet tradisional yang tertanam pada aplikasi kesehatan umumnya berbasis aturan kaku yang linier (if-else statements). Akibatnya, variasi menu yang dihasilkan cenderung membosankan, repetitif, dan kurang humanis. Kehadiran LLM mengubah lanskap tersebut secara total berkat kemampuannya dalam memahami konteks semantik, memproses bahasa natural, dan menghasilkan keluaran teks yang adaptif layaknya seorang pakar manusia.

Penelitian dalam domain HealthTech menunjukkan bahwa pemanfaatan model bahasa besar mampu merumuskan menu diet personal dengan tingkat kelayakan yang tinggi. Sebagai contoh, integrasi model klasifikasi dengan model generatif mampu menghasilkan rekomendasi program diet dengan tingkat akurasi prediksi mencapai 93% dan kelayakan saran sebesar 86,6%. Bahkan, dalam ekosistem komputasi berbahasa Indonesia, model LLM seperti Mistral 7B telah membuktikan keandalannya dengan meraih skor performa bahasa natural yang sangat tinggi mencapai 0,99.

Namun, kecerdasan LLM tidak boleh dibiarkan berjalan tanpa arah. Agar rekomendasi makanan yang dihasilkan tidak mengalami “halusinasi resep” yang berbahaya bagi kesehatan, NUTRIMATCH mengunci logika generatif AI menggunakan lapisan pembatas medis (constraint layer) yang ketat. Basis data gizi sistem diintegrasikan langsung dengan dataset Tabel Komposisi Pangan Indonesia (TKPI) yang telah distrukturkan ke dalam matriks pemrograman khusus.

Langkah kurasi data ini mengacu pada studi Mukafasyadiah & Setiawan (2026), di mana sistem rekomendasi gizi berbasis Generative AI yang patuh pada TKPI sukses memperoleh penilaian rata-rata 4,56 dari skala 5 dalam evaluasi multi-pakar oleh para ahli gizi klinis. Hasilnya, pilihan menu yang disusun oleh NUTRIMATCH tidak hanya akurat secara hitungan kalori, tetapi juga disampaikan dalam gaya bahasa sehari-hari yang suportif dan mudah dipahami, seolah-olah pengguna sedang berkonsultasi langsung dengan ahli gizi pribadi.

NUTRIMATCH: Menghubungkan AI dan IoT dalam Satu Ekosistem

Kekuatan sejati dari NUTRIMATCH terletak pada kemampuannya menyatukan dua pilar teknologi yang selama ini sering berjalan terpisah: pengumpulan data fisik berbasis IoT dan penalaran generatif berbasis AI. Keduanya dilebur ke dalam satu siklus umpan balik tertutup (closed-loop feedback system) yang bekerja secara berkesinambungan.

Secara teknis, alur kerja ekosistem NUTRIMATCH dapat dibagi menjadi lima tahapan yang berjalan secara simultan di balik layar:

[Pengguna Menimbang Badan] 
       │
       ▼
[Sensor IoT & ESP32] ──(Koneksi Wi-Fi)──► [Backend Server (Flask)]
                                                  │
                                          (Proses Kalkulasi & Log DB)
                                                  │
                                                  ▼
[Aplikasi Klien (Dasbor Web)] ◄──(Saran Menu)── [Engine LLM + Dataset TKPI]

1. Fase Akuisisi Data: Pengguna cukup berdiri di atas timbangan pintar NUTRIMATCH. Perangkat keras secara otomatis membaca bobot tubuh aktual saat itu juga.
2. Fase Transmisi dan Perekaman: Mikrokontroler ESP32 mengirimkan metrik berat badan melalui protokol jaringan nirkabel ke backend server berbasis kerangka kerja Flask. Data tersebut langsung dicatat ke dalam tabel riwayat pangkalan data relasional MySQL.
3. Fase Komputasi Metabolik: Sistem backend mengeksekusi algoritma matematis dengan overhead terendah untuk menghitung nilai Basal Metabolic Rate (BMR) dan Total Daily Energy Expenditure (TDEE) pengguna. Perhitungan dinamis ini didasarkan pada parameter antropometri awal pengguna (seperti usia, jenis kelamin, tinggi badan, dan estimasi tingkat aktivitas) yang dipadukan dengan berat badan real-time yang baru saja dikirim oleh timbangan.
4. Fase Injeksi Prompt Dinamis: Ketika sistem mendeteksi adanya perubahan kurva bobot tubuh harian, sebuah fungsi khusus dalam skrip Flask akan terpicu secara otomatis. Sistem merakit sebuah kalimat perintah (prompt engineering) secara dinamis, mengikat angka kebutuhan kalori teranyar, batasan makronutrien dari matriks TKPI, dan mengirimkannya ke endpoint API LLM.
5. Fase Render Visual: Mesin LLM mengembalikan respons berupa susunan rencana menu makanan lengkap yang sehat dan variatif. Informasi komposisi piring makan ini kemudian dikirimkan ke dasbor web interaktif berbasis JavaScript untuk ditampilkan secara visual kepada pengguna.

Keunggulan NUTRIMATCH Dibanding Aplikasi Diet Konvensional

Ketika dihadapkan pada opsi aplikasi kesehatan yang ada di pasar saat ini, NUTRIMATCH menawarkan sejumlah keunggulan kompetitif yang transformatif bagi gaya hidup pengguna:

• Bebas Hambatan Pengisian Manual (Zero Manual Logging Friction): Keunggulan paling fundamental dari platform ini adalah penghapusan kewajiban mengetik angka berat badan secara berkala. Seluruh proses pembaruan data berjalan otomatis di latar belakang saat pengguna melakukan aktivitas rutin menimbang badan.
• Adaptabilitas Kalori Real-Time: Jika berat badan Anda mengalami kenaikan atau penurunan dalam beberapa hari akibat fluktuasi metabolisme atau retensi air, sistem akan langsung mengetahuinya. Rekomendasi porsi makronutrien akan disesuaikan secara instan pada hari yang sama, mencegah surplus atau defisit energi yang terlalu ekstrem.
• Personalisasi Berbasis Kearifan Pangan Lokal: Berkat integrasi dataset TKPI, NUTRIMATCH tidak akan merekomendasikan bahan makanan impor yang mahal atau sulit ditemukan di pasar tradisional Indonesia. Pilihan menu yang dihadirkan tetap membumi, memanfaatkan kearifan pangan lokal yang mudah dijangkau namun memiliki nilai gizi yang optimal.
• Antarmuka yang Ramah Interaksi: Dasbor visual dirancang menggunakan pendekatan ramah navigasi berdasarkan pengujian System Usability Scale (SUS). Struktur penyajian menu disusun agar tidak membingungkan pengguna awam yang tidak akrab dengan istilah medis atau angka-angka kalori yang rumit.

Potensi Implementasi di Masa Depan

Sebagai sebuah produk purwarupa fungsional (Minimum Viable Product), NUTRIMATCH membawa potensi besar untuk diintegrasikan ke dalam ekosistem Smart Healthcare yang lebih luas di Indonesia. Inovasi ini dapat menjadi jembatan krusial dalam menutup celah pemisahan teknologi kesehatan preventif yang selama ini dikeluhkan oleh para pengembang HealthTech.

Di masa depan, perangkat NUTRIMATCH dapat diproduksi secara massal dan ditempatkan di fasilitas kesehatan primer seperti Puskesmas maupun pos pelayanan terpadu (Posyandu) untuk membantu memantau status gizi masyarakat secara digital dan efisien.

Dalam lingkungan klinis, teknologi ini dapat ditempatkan di bangsal rawat jalan rumah sakit untuk membantu dokter spesialis gizi dalam mengontrol kepatuhan diet pasien diabetes atau penyakit jantung secara jarak jauh (remote patient monitoring).

Lebih jauh lagi, ekosistem ini sangat potensial untuk diadopsi oleh pusat-pusat kebugaran (gym), penyedia katering sehat (healthy catering), hingga diintegrasikan ke dalam konsep perumahan pintar (smart home) sebagai fasilitas kesehatan preventif keluarga mandiri.

Penutup

Lahirnya inovasi NUTRIMATCH menjadi bukti nyata bahwa batasan-batasan disiplin ilmu tradisional kini telah runtuh. Melalui kolaborasi kreatif antarmahasiswa, dunia perangkat keras elektronika IoT berhasil dikombinasikan secara apik dengan kecerdasan buatan komputasi awan demi menjawab tantangan nyata di sektor kesehatan masyarakat. Platform ini tidak hanya menawarkan kepraktisan teknologi, melainkan sebuah solusi berkelanjutan untuk membantu masyarakat membangun kebiasaan hidup sehat yang mulus tanpa beban administratif.

Bagi generasi muda Indonesia, keberhasilan pengembangan proyek PKM-KC ini membawa sebuah pesan kuat: jangan takut untuk melangkah keluar dari zona nyaman disiplin ilmu masing-masing. Masalah-masalah besar di sekitar kita, seperti krisis kesehatan dan obesitas, menuntut kita untuk menjadi arsitek-arsitek digital yang berani meramu kode pemrograman, menyolder sirkuit elektronik, dan membedah teori gizi demi menciptakan dampak sosial nyata yang bermanfaat bagi bangsa.

Time to Read: ±10 Minutes

Signature:

Ditulis oleh:

Tim PKM-KC NUTRIMATCH Program Studi Sistem Informasi Universitas Komputer Indonesia (UNIKOM)

Daftar Referensi

• Bannor, R., Pagoto, S., Cardel, M.I., Lee, A., Foster, G.D. and Xu, R. (2023). Predicting Clinically Significant Weight Loss in a Multimodal Commercial Digital Weight Management Program: Machine Learning Approach. Iproceedings, 9, p. e39574.
• Chairunnisa, D.A., Taqwa, A. and Salamah, I. (2022). The prototype of IOT-Based weight scale and calorie tracking application. SinkrOn, 7(3), pp. 974–983.
• Kementerian Kesehatan RI. (2023). Survei Kesehatan Indonesia (SKI) 2023 dalam Angka. Jakarta: Badan Kebijakan Pembangunan Kesehatan.
• Mauludin, M., Santoso, J. and Junaedi, H. (2025). Large Language Model Utilization for Speech-Based Culinary Recommendation System in the Indonesian Language. Bulletin of Culinary Art and Hospitality, 5(2), pp. 79–88.
• Mukafasyadiah, D. and Setiawan, M.A. (2026). Evaluasi Multi-Expert terhadap Sistem Rekomendasi Diet Non-Klinis Berbasis Generative AI. Jurnal Sistem Komputer dan Informatika (JSON), 7(3), pp. 1050–1060.
• Noviyanti, R.D., Prasojo, I., Kusudaryati, D.P.D., Handayani, S., Nurrahma, F. and Rahmayanti, D.S.N. (2025). Implementation of Diet Recommendation on Body Fat Scale at the Students of Muhammadiyah University PKU Surakarta. Amerta Nutrition, 9(1SP), pp. 388–395.
• Sintiya, E.S., Amanda, S.R., Vista, C.B. and Pramudhita, A.N. (2025). Implementasi Machine Learning dalam Sistem Prediksi dan Rekomendasi Program Diet Terintegrasi LLM. Jurnal Nasional Teknologi dan Sistem Informasi, 11(2), pp. 144–151.
• UNICEF, WHO. (2022). Analisis Lanskap Kelebihan Berat Badan dan Obesitas di Indonesia. Jakarta.