Studi NIH: Aplikasi AI Penghitung Kalori Bisa Meleset hingga 345 Kalori per Porsi

Cukup foto makanan, dan AI langsung menghitung kalorinya—begitu janji yang ditawarkan sejumlah aplikasi nutrisi populer. Namun sebuah dapur riset yang menimbang setiap bahan hingga ketelitian sepersepuluh gram baru saja mengungkap bahwa janji itu, dalam praktiknya, sering meleset jauh lebih besar dari yang disadari penggunanya.

Sebuah studi yang dipresentasikan dalam konferensi NUTRITION 2026 milik American Society for Nutrition mengungkap empat aplikasi penghitung kalori berbasis foto populer—MyFitnessPal, LoseIt!, CalAI, dan Appediet—secara konsisten meremehkan kandungan kalori dan lemak dalam makanan hingga sekitar sepertiga dari nilai sesungguhnya. Penelitian yang dipimpin tim dari National Institute of Diabetes and Digestive and Kidney Diseases (NIDDK), bagian dari National Institutes of Health (NIH) Amerika Serikat, ini menemukan rata-rata kesalahan estimasi kalori berkisar 250 hingga 345 kalori per porsi makan, disertai kekurangan estimasi lemak sekitar 30 gram per porsi.

Metodologi Ketat: Dapur Metabolik dengan Timbangan Presisi Tinggi

Untuk memastikan hasil yang benar-benar akurat, tim peneliti menggunakan foto standar dari 102 porsi makanan yang disiapkan khusus dalam sebuah studi diet terkontrol di NIH Clinical Center. Setiap bahan makanan ditimbang hingga ketelitian 0,1 gram, memberikan data referensi yang sangat presisi soal kandungan kalori dan nutrisi sesungguhnya. Foto-foto tersebut kemudian dimasukkan ke keempat aplikasi untuk dibandingkan hasilnya dengan komposisi nutrisi asli yang sudah diketahui secara pasti.

"Dengan menggunakan makanan yang disiapkan di dapur metabolik yang dikontrol ketat, kami bisa membandingkan estimasi aplikasi terhadap referensi yang presisi. Perbandingan langsung berkualitas tinggi semacam ini belum pernah tersedia sebelumnya," kata Aaron Hengist, peneliti postdoctoral di NIDDK, seperti dikutip ScienceDaily. Penelitian lanjutan terhadap lebih dari 200 porsi makanan tambahan pun menunjukkan arah temuan yang serupa.

Makanan Tinggi Lemak Paling Sering Salah Diestimasi

Salah satu temuan paling signifikan adalah pola kesalahan yang tidak merata di antara jenis makronutrien. Estimasi karbohidrat oleh keempat aplikasi cenderung lebih konsisten dibanding lemak maupun protein—mengindikasikan sistem pengenalan gambar berbasis AI ini lebih mampu mengklasifikasi makanan berbasis karbohidrat, ketimbang komponen makanan yang kaya lemak. Kesalahan estimasi terbesar justru terjadi pada makanan tinggi lemak dan rendah karbohidrat—pola yang persis dihadapi orang-orang yang menjalani diet ketogenik dan rutin memfoto makanan mereka setiap hari.

MyFitnessPal dan LoseIt! tercatat sedikit lebih akurat saat menganalisis makanan berkalori tinggi dibanding makanan berkalori rendah, meski keduanya tetap konsisten meremehkan nilai kalori secara keseluruhan.

Bukan Sekadar Kesalahan Acak, tapi Bias Satu Arah

Yang membuat temuan ini penting untuk diperhatikan adalah arah kesalahannya yang konsisten satu arah, bukan fluktuasi acak. Menurut analisis Medical Daily, alat yang salah secara acak biasanya akan saling menyeimbangkan diri dalam periode waktu tertentu—namun alat yang secara konsisten salah ke satu arah tidak akan pernah terkoreksi dengan sendirinya. Seseorang yang memfoto tiga kali makan sehari berpotensi kekurangan catatan asupan kalori hingga beberapa ratus kalori per hari, tanpa ada indikasi apa pun dari aplikasi bahwa ada yang keliru.

Hengist menegaskan pentingnya kehati-hatian bagi pengguna yang mengandalkan pelacakan berbasis foto tanpa melakukan penyesuaian ukuran porsi secara manual. "Aplikasi-aplikasi ini cenderung meremehkan kalori, terutama dari lemak, sehingga apa yang sebenarnya mereka makan kemungkinan lebih tinggi dari yang ditunjukkan aplikasi," kata Hengist.

Bukan Temuan Pertama soal Keterbatasan Aplikasi Pelacak Nutrisi

Kekhawatiran soal akurasi alat pelacak diet sebenarnya bukan hal baru sejak kemunculan fitur berbasis AI. Menurut Nutritional Outlook, sebuah studi validasi pada 2020 yang membandingkan database makanan MyFitnessPal dengan basis data referensi standar dari Belgia (Nubel food composition database) sebelumnya sudah menemukan korelasi kuat untuk estimasi asupan energi dan makronutrien, meski akurasinya tercatat lebih lemah untuk kandungan kolesterol dan natrium.

Penelitian terbaru ini menambah bukti bahwa meski teknologi AI terus berkembang, keterbatasan mendasar dalam mengestimasi kandungan nutrisi dari sebuah foto tunggal tetap menjadi tantangan nyata yang belum sepenuhnya teratasi.

Rekomendasi Praktis: Sesuaikan Porsi Secara Manual

Para peneliti menekankan bahwa langkah paling masuk akal bagi pengguna aplikasi semacam ini adalah mengoreksi ukuran porsi dan memasukkan informasi lemak memasak secara manual, ketimbang sepenuhnya mengandalkan estimasi otomatis dari foto. Temuan ini menjadi relevan khususnya bagi jutaan pengguna yang mengandalkan aplikasi pelacakan nutrisi untuk mengelola kesehatan atau menurunkan berat badan mereka, mengingat fitur estimasi berbasis foto kini sudah menjadi fitur standar di banyak aplikasi nutrisi utama, bahkan mulai terintegrasi ke perangkat wearable—menjadikan isu akurasi ini berpotensi memengaruhi sangat banyak orang secara luas.

Perlu dicatat, temuan ini masih berstatus abstrak konferensi dan baru menguji empat aplikasi dari satu studi pemberian makan terkontrol, sehingga generalisasinya masih terbatas. Pendekatan hybrid yang menggabungkan estimasi foto dengan input manual tradisional kemungkinan bisa meningkatkan akurasi di kondisi penggunaan sehari-hari yang lebih beragam.