SisaPiring: AI yang Membaca Ompreng Kembali untuk Mengukur Gizi MBG yang Benar-Benar Dimakan

Masalah

Program Makan Bergizi Gratis (MBG) adalah program pangan terbesar di Indonesia. Namun ada satu pertanyaan penting yang belum terjawab secara sistematis:

Dari makanan yang dibagikan, berapa banyak yang benar-benar dimakan siswa?

Kalau sayur selalu tersisa 60%, gizinya tidak pernah sampai ke tubuh anak, meskipun di atas kertas sudah “terdistribusi”. Sisa makanan MBG juga sudah disorot sebagai persoalan sampah tersendiri (Bisnis.com). Di banyak dapur, evaluasinya masih berupa observasi sederhana tim pencuci ompreng yang melihat lauk mana yang banyak tersisa. Cara ini tidak terukur, tidak tercatat per sekolah, dan tidak bisa dibandingkan antar-menu.

Teknologi AI sudah mulai masuk ke dapur MBG. BGN menguji coba CCTV berbasis AI di sekitar 70 dapur, tetapi tujuannya memantau kepatuhan SOP, bukan mengukur sisa makanan (CNN Indonesia).

Ide Utama

Kuncinya ada di satu pengamatan sederhana: semua ompreng kembali ke dapur SPPG untuk dicuci. Artinya, tidak perlu memasang kamera di ribuan sekolah. Cukup satu stasiun kamera di titik pengembalian ompreng di setiap dapur.

SisaPiring bekerja seperti ini:

1. Stasiun foto: ompreng yang kembali melewati rel atau meja dengan kamera dari atas dan pencahayaan standar.
2. AI segmentasi per sekat: model computer vision mengenali tiap sekat ompreng (nasi, lauk, sayur, buah, susu) dan menghitung persentase sisa setiap komponen.
3. Penanda asal: setiap kontainer pengembalian dicatat asal sekolahnya, sehingga data bisa dipetakan per sekolah dan per kelas usia.
4. Dasbor Indeks Keterserapan Gizi: ahli gizi SPPG melihat menu mana yang paling sering tersisa, di sekolah mana, dan komponen apa.
5. Rekomendasi otomatis: penyesuaian porsi (misalnya nasi untuk SD kelas rendah) dan variasi menu yang lebih disukai tanpa mengurangi standar gizi.
6. Bonus: estimasi berat sisa untuk perencanaan pengolahan limbah (misalnya budidaya maggot).

Kenapa Ini Belum Pernah Ada

• Pendekatan AI yang ada berfokus pada dapur (SOP, kebersihan) atau keamanan pangan (makanan basi).
• SisaPiring mengukur ujung rantai, yaitu apa yang tidak dimakan, dan menjadikannya data gizi.
• Penempatan kamera di titik pengembalian, bukan di sekolah membuat biaya sistem jauh lebih rendah dan praktis.

Teknologi

• Model: segmentasi instance (misalnya YOLOv8-seg atau U-Net) yang dilatih dengan foto ompreng berlabel per sekat.
• Estimasi sisa: perbandingan luas dan tinggi permukaan makanan terhadap foto ompreng penuh (baseline menu hari itu), lalu dikalibrasi dengan penimbangan sampel.
• Perangkat: kamera industri sederhana + mini PC di dapur (edge computing), sehingga tetap jalan saat internet lemah.
• Privasi: kamera hanya merekam ompreng dari atas, tidak ada wajah siswa.

Model Bisnis

Pelanggan	Yang dibayar
Mitra/pengelola SPPG	Langganan SaaS bulanan per dapur + sewa atau beli stasiun kamera
Pemerintah daerah / pengawas program	Dasbor agregat lintas dapur dan laporan berkala
Ahli gizi & peneliti	Akses data anonim untuk evaluasi menu

Nilai yang dijual ke SPPG: bahan baku yang tidak dimakan adalah biaya yang terbuang. Mengurangi sisa nasi atau lauk yang over-porsi langsung menghemat biaya belanja dapur.

Risiko & Cara Menjawab Juri

Pertanyaan juri	Jawaban
“Ompreng kembali bertumpuk dan bercampur.”	Tambahkan SOP sederhana: ompreng dibuka satu per satu di rel stasiun sebelum dicuci, yang memang sudah menjadi langkah pencucian.
“Akurasi dari foto 2D?”	Kalibrasi dengan penimbangan sampel harian; target awal cukup akurasi kategori sisa (0–25%, 25–50%, dan seterusnya), bukan gram.
“Siapa yang mau bayar?”	Hitung penghematan bahan baku per bulan dari penyesuaian porsi, lalu bandingkan dengan biaya langganan.
“Bagaimana kalau siswa membawa pulang makanannya?”	Catat sebagai variabel; data tetap berguna untuk tren antar-menu.

Kerangka Business Plan

1. Ringkasan eksekutif
2. Latar belakang: skala MBG dan celah pengukuran gizi yang benar-benar dikonsumsi
3. Solusi SisaPiring dan alur kerja di dapur
4. Teknologi dan prototipe (dataset, model, akurasi awal)
5. Analisis pasar dan pelanggan (SPPG, pemda, pengawas)
6. Analisis kompetitor dan pembeda
7. Model bisnis dan BMC
8. Rencana operasional dan implementasi bertahap (pilot 1 dapur → 10 dapur)
9. Aspek keuangan (biaya stasiun, harga langganan, BEP)
10. Risiko, etika data, dan mitigasi
11. Dampak: gizi yang terserap, penghematan anggaran, pengurangan limbah

Langkah Pertama Minggu Ini

• Kumpulkan 200–300 foto ompreng sesudah makan (minta izin dapur atau sekolah terdekat), lalu beri label per sekat.
• Latih model segmentasi kecil sebagai prototipe. Bahkan akurasi awal yang sederhana sudah sangat kuat untuk presentasi di depan juri.