862
Progresif: Jurnal Ilmiah Komputer https://ojs.
stmik-banjarbaru.
id/index.
php/progresif/index Jl.
Ahmad Yani.
33,5 - Kampus STMIK Banjarbaru Loktabat - Banjarbaru (Tlp.
, e-mail: puslit.
stmikbjb@gmail.
e-ISSN: 2685-0877 Klasifikasi Body Mass Index Berbasis Estimasi Dimensi Tubuh melalui Pengolahan Citra Digital DOI: http://dx.
org/10.
35889/progresif.
Creative Commons License 4.
0 (CC BY Ae NC) Sita Juliza1.
Yovi Apridiansyah2* Teknik Informatika.
Universitas Muhammadiyah Bengkulu.
Bengkulu.
Indonesia *e-mail Corresponding Author: yoviapridiansyah@umb.
Abstract The issues of impracticality and potential errors in manual height and weight measurements have driven the development of an automated digital image-based system.
This study aims to develop a measurement tool using the Canny Edge Detection method in Matlab to classify Body Mass Index (BMI) status .
nderweight, normal, overweight, obes.
without physical contact.
Testing was conducted on 40 data samples, yielding an accuracy of 99.
99% for height .
37%) and 97% for weight .
25%), with a maximum measurement tolerance of A2 cm for height and A2 kg for weight to enhance system reliability.
The classification results of nutritional status based on BMI estimation showed good performance, with a classification agreement rate of 90% of the total 40 test data, indicating that the system is sufficiently reliable and efficient in classifying BMI categories based on antropometri parameter estimates from digital images.
Keywords: Body Mass Index.
Image Processing.
Canny Edge Detection.
Matlab Abstrak Permasalahan ketidakpraktisan dan potensi kesalahan dalam pengukuran manual tinggi dan berat badan mendorong pengembangan sistem berbasis citra digital secara otomatis.
Penelitian ini bertujuan membangun alat bantu pengukuran menggunakan metode Canny Edge Detection dalam Guide Matlab guna mengklasifikasikan status Body Mass Index .
urus, normal, gemuk, obesita.
tanpa kontak fisik.
Pengujian dilakukan pada 40 sampel data, menghasilkan akurasi 99,99% untuk tinggi badan .
rror 0,37%) dan 99,97% untuk berat badan .
rror 1,25%), dengan toleransi maksimal pengukuran A2 cm untuk tinggi dan A2 kg untuk berat guna meningkatkan reliabilitas sistem.
Hasil klasifikasi status gizi berdasarkan estimasi BMI menunjukan performa yang baik, dengan tingkat kecocokan hasil klasifikasi mencapai 90% dari total 40 data uji yang mengindikasikan bahwa sistem cukup andal dan efisien dalam mengklasifikasikan kategori Body Mass Index berdasarkan estimasi parameter antropometrik dari citra digital.
Kata kunci: Body Mass Index.
Pengolahan Citra.
Edge Detection Canny.
Matlab Pendahuluan Penyakit obesitas adalah kesehatan yang harus diperhatikan karena berbahaya bagi masalah obesitas banyak dialami oleh beberapa golongan masyarakat mulai dari remaja hingga dewasa .
Remaja yang obesitas berisiko mengalami kadar gula darah tinggi .
Body Mass Index (BMI) atau Indeks Massa Tubuh (IMT) adalah pengukuran praktis yang penting untuk mengevaluasi status kesehatan terkait berat badan dan tinggi badan seseorang .
Salah satu penerapannya adalah mengukur tinggi dan berat badan tanpa melakukan kontak fisik secara langsung menggunakan dimensi tubuh manusia melalui citra digital, karena tidak setiap orang memiliki alat pengukur tinggi dan timbangan untuk berat badan .
Dengan sistem seperti Matlab, citra tubuh dapat dilakukan dengan pengolahan citra untuk menentukan tinggi dan berat badan menggunakan objek manusia .
Metode konvensional yang telah digunakan secara luas untuk mengukur tinggi dan berat badan masih dilakukan dengan alat manual seperti timbangan dan pengukuran tinggi badan yang memakan waktu dan tenaga.
Selain itu, pengukuran yang dilakukan secara manual sering Klasifikasi Body Mass Index Berbasis Estimasi a.
Sita Juliza Progresif e-ISSN: 2685-0877 terjadinya kesalahan dan tidak praktis untuk layanan kesehatan jarak jauh dalam skala besar .
Sebab itu memerlukan metode alternatif yang tepat dan efektif untuk menghitung ukuran dimensi tubuh manusia.
Solusi yang digunakan dalam penelitian ini adalah membuat klasifikasi BMI berbasis pengolahan citra digital menggunakan Matlab.
Dalam sistem ini diatur untuk memproses citra tubuh manusia untuk menghitung tinggi dan berat dengan menggunakan analisis citra menggunakan metode Canny dan yang akan digunakan untuk menghitung nilai BMI berdasarkan perkiraan tersebut.
Beberapa penelitian sebelumnya mendapatkan hasil yang menjanjikan dalam BMI melalui citra, baik dengan metode segmentasi tubuh maupun patch wajah .
Dengan memanfaatkan deteksi tepi Canny lalu mengkonversi skala dari pixel ke satuan centimeter.
Serta sistem ini diharapkan mampu mendapatkan hasil klasifikasi Body Mass Index (BMI) secara akurat dan otomatis.
Penelitian ini bertujuan untuk mengklasifikasikan status BMI seseorang melalui citra digital dengan membangun alat bantu berbasis Matlab.
Sistem ini mengkategorikan hasil metode Canny dari perhitungan tinggi dan berat badan ke dalam klasifikasi seperti kurus, normal, gemuk, dan obesitas.
Dengan adanya sistem ini diharapkan mampu untuk memantau status kesehatan seseorang agar lebih praktis dan tanpa kontak fisik secara langsung apalagi dengan keterbatasan Tinjauan Pustaka Sejumlah penelitian terdahulu telah melakukan berbagai solusi untuk masalah yang relevan dengan pengembangan sistem Body Mass Index.
Berikut ini adalah beberapa penelitian terdahulu yang relevan dengan Body Mass Index:
Penelitian pertama oleh Sten, peneliti dari STIKOM Uyelindo Kupang melakukan penelitian tentang AuIdentifikasi Berat Badan Berdasarkan Citra Foto Menggunakan Metode Body Surface AreaAy.
Membahas pengembangan metode pengukuran berat badan manusia secara digital melalui analisis citra foto, yang bertujuan untuk meningkatkan efisiensi dan akurasi pengukuran tanpa penggunaan timbangan konvensional.
Tujuan utama penelitian ini adalah untuk memanfaatkan citra digital yang diambil dari tampak depan dan samping tubuh untuk menghitung Body Surface Area (BSA) sebagai estimasi.
Namun kekurangan dari penelitian ini terletak pada ketergantungan terhadap kondisi pencahayaan dan ketepatan pengukuran citra, serta kemungkinan tidak akurat saat diterapkan pada berbagai bentuk tubuh yang berbeda, sehingga metode ini masih memerlukan pengujian lebih luas untuk memastikan konsistensinya di berbagai situasi dan populasi yang berbeda.
Penelitian kedua oleh Toni, peneliti dari UIN Sunan Kalijaga Yogyakarta melakukan penelitian tentang AuRancang Bangun Sistem Pengolahan Citra Digital untuk Menentukan Berat Badan IdealAy, yang bertujuan untuk mengembangkan sistem praktis dalam menentukan berat badan ideal melalui pengolahan citra menggunakan Matlab.
Sistem ini menunjukan tingkat akurasi sekitar 75% dan mempunyai deviasi yang relatif kecil, kekurangan utamanya adalah tingkat ketelitian yang masih rendah, terutama dalam pengukuran berat badan yang memiliki deviasi hingga 11.
6%, sehingga hasilnya yang didapat kurang akurat untuk digunakan secara medis maupun kebutuhan klinis.
Penelitian ketiga oleh Hilman, peneliti dari Universitas Telkom melakukan penelitian tentang AuAnalisis kalkulasi Body Mass Index Dengan pengolahan Citra Digital Berbasis Aplikasi AndroidAy, mengembangkan aplikasi android untuk menghitung BMI melalui Pengolahan citra tubuh manusia.
Tujuannya adalah menciptakan metode alternatif yang praktis dengan memanfaatkan analisis piksel dan pendekatan rumus silinder elips.
Penelitian ini memiliki keterbatasan, seperti sampel yang terbatas, ketergantungan pada sudut pengambilan gambar, dan kebutuhan cropping manual, yang dapat mempengaruhi akurasi.
Penelitian Keempat oleh Laila, peneliti dari Universitas Gunadarma melakukan penelitian tentang AuBody Mass Index dan Subjective Well-Being Pada Remaja PutriAy, yang meneliti hubungan antara Body Mass Index (BMI) dab kebahagian subjektif .
ubjektif well-bein.
pada remaja putri berusia 11-21 tahun di jabodetabek.
Penelitian ini bertujuan untuk menguji apakah terdapat korelasi signifikan antara BMI dan subjective well-being, dengan menggunakan metode pengukuran BMI konvensional dan skala psikologis.
Hasil penelitian ini menunjukan tidak ada hubungan signifikan, sehingga hipotesis ditolak.
Kekurangan penelitian ini meliputi keterbatasan sampel yang homogen .
anya remaja putr.
, ketergantungan pada laporan diri, serta kurangnya Klasifikasi Body Mass Index Berbasis Estimasi a.
Sita Juliza e-ISSN: 2685-087 pertimbangan faktor eksternal seperti tekanan sosial atau budaya lebih luas yang dapat mempengaruhi subjective well-being.
Penelitian Kelima oleh Abdullah, peneliti dari Politeknik Negeri Batam melakukan penelitian tentang AuBody Mass Index Measurement System Using Image ProcessingAy.
Penelitian ini bertujuan untuk menciptakan metode otomatis untuk mengestimasi tinggi, berat badan, dan BMI seseorang dengan memanfaatkan analisis piksel dan rumus Broca, sehingga lebih efisien dibandingkan pengukuran manual.
Kekurangan dari penelitian ini adalah seperti ketergantungan pada kondisi pengambilan gambar .
arak, warna pakaian, dan latar belakan.
, tingkat kesalahan rata-rata yang masih signifikan, serta keterbatasan sampel yang hanya melibatkan 30 partisipan yang mungkin mempengaruhi generalisasi hasil.
Penelitian keenam oleh Titiek, melakukan penelitian tentang AuCorrelation Between Body Mass Index and Intraocular Pressure at Primasatya Husada Citra HospitalAy yang meneliti hubungan antara BMI dan tekanan intraokular (IOP) pada 100 pasien di RS Primasatya Husada Citra Surabaya.
Tujuan penelitian ini adalah membuktikan korelasi antara peningkatan BMI dan IOP sebagai faktor risiko glaukoma.
Hasilnya menunjukan korelasi positif signifikan dengan IOP lebih tinggi pada kelompok overweight/obesitas.
Kekurangan dari penelitian ini adalah desain cross-sectional .
idak bisa membuktikan sebab-akiba.
, sample kecil, dan penggunaan tonometer non-kontak yang kurang akurat.
Penelitian ketujuh oleh Tahta, penelitian dari Universitas Telkom melakukan penelitian tentang AuSistem Deteksi Idealitas Berat Badan secara Real Time dengan Menggunakan Metode Gray Level Co-Occurrance Matrix dan Body Surface AreaAy yang mengembangankan sistem pengolahan citra untuk mengukur idealitas tubuh melalui parameter tinggi, berat badan, dan lingkar tubuh.
Tujuannya adalah menciptakan alat otomatis yang bisa menghitung BMI, berat ideal dan WHR.
Hasilnya akurat untuk tinggi/lebar badan tetapi kurang optimal untuk WHR dan bergantung pada kondisi pengambilan gambar.
Penelitian sebelumnya telah menunjukkan bahwa pengukuran BMI berbasis citra digital telah dikembangkan dengan berbagai teknik, seperti BSA, analisis piksel, atau rumus Broca, tetapi metode-metode tersebut masih kurang akurat dan bergantung pada kondisi pengambilan Pembaruan dari penelitian ini dapat menghasilkan klasifikasi BMI yang lebih efisien dan akurat dengan menggunakan deteksi tepi Canny dan konversi piksel yang lebih presisi.
Jika pengukuran manual tidak memungkinkan, sistem ini dapat menjadi alternatif yang efektif untuk pemantauan kesehatan.
Metodologi Penelitian ini merupakan penelitian bertujuan untuk merancang dan menguji sistem klasifikasi Body Mass Index (BMI) melalui pengolahan citra digital.
Tahapan alur penelitian seperti gambar dibawah ini:
Identifikasi Masalah Pengumpulan Data Pengolahan Data Pengujian Objek Hasil Gambar 1.
Kerangka Penelitian Progresif: Vol.
No.
Agustus 2025: 862-873 Progresif e-ISSN: 2685-0877 Identifikasi Masalah Penelitian ini berfokus pada permasalah akurasi dalam mendeteksi objek manusia dari citra digital sebagai dasar untuk menghitung estimasi tinggi dan berat badan.
Proses pengukuran manual sering kali tidak praktis dan rentan terhadap kesalahan.
Untuk mengatasi permasalahan tersebut, penelitian ini menggunakan metode Canny Edge Detection sebagai cara untuk mendeteksi tepi .
dge detectio.
pada citra tubuh manusia.
Untuk mendeteksi kontur tubuh secara otomatis dan presisi, teknik ini diterapkan pada tahap pengolahan data, yang digambarkan pada gambar kerangka penelitian 1.
Hasil deteksi tepi selanjutnya digunakan untuk menghitung perkiraan tinggi dan berat badan, yang akan digunakan sebagai dasar untuk menghitung Body Mass Index (BMI).
Fokus penelitian ini adalah pembuatan sistem klasifikasi BMI yang menggunakan citra Sistem ini memiliki kemampuan dalam proses pengukuran tinggi dan berat badan secara lebih cepat, akurat, dan praktis dibandingkan dengan metode konvensional.
Pengumpulan Data Tahapan awal dalam penelitian ini adalah mengumpulkan data yang menampilkan objek manusia secara utuh dalam posisi tegak dari atas kepala sampai kaki (Full Bod.
Kamera ponsel yang digunakan untuk mengambil gambar secara langsung dari objek dengan jarak sekitar 150 cm dengan ketinggian sekitar 70 cm dari lantai, dengan kamera sejajar dengan objek.
Penelitian ini menggunakan 40 data citra yang mencangkup objek pria dan wanita.
Data pendukung berupa tinggi dan berat badan asli diperoleh melalui wawancara langsung dengan masing- masing objek.
Perangkat keras utama yang digunakan dalam pengambilan data adalah kamera ponsel.
Pengolahan Data Pada tahap ini, melakukan serangkaian proses pra pengolahan dan ekstraksi fitur citra untuk menyiapkan data sebelum digunakan dalam perhitungan tinggi dan berat badan.
Pertama yaitu citra yang telah didapat selanjutnya diolah menggunakan tools Remove BG untuk menghilangkan latar belakang, kemudian diganti dengan latar berwarna putih agar objek utama .
ubuh manusi.
lebih mudah dikenali oleh sistem.
Selanjutnya penyesuaian ukuran gambar yang telah dibersihkan kemudian diubah ke dalam rasio standar 3:4 guna menyeragamkan proporsi dan memudahkan proses deteksi kontur.
Terakhir yaitu metode Canny Edge Detection yang mulai diterapkan untuk mengekstraksi tepi tubuh manusia secara otomatis, tahapan pertama yaitu konversi citra ke grayscale untuk menyederhanakan informasi warna dan fokus pada intensitas cahaya, tahap kedua pengurangan noise menggunakan Gaussian Filter agar proses deteksi tepi tidak terganggu oleh gangguan visual.
Tahap ketiga deteksi tepi dengan algoritma Canny yang menghasilkan garis tepi objek utama, tahap terakhir yaitu pasca-pemrosesan dengan metode seperti imfill .
illing hil.
dan bwareaopen .
enghapusan area keci.
agar kontur tubuh yang diperoleh bersih dan representatif.
Metode ini diterapkan pada tahap Pengolahan data dan merupakan inti dari sistem pendeteksi tinggi badan secara otomatis.
Hasil deteksi tepi selanjutnya digunakan dalam proses estimasi tinggi badan pada tahap berikutnya.
Berikut ini data yang digunakan dalam penelitian:
Gambar 2.
Data Penelitian .
Pengujian Objek Penelitian ini mengembangkan sistem klasifikasi BMI berbasis pengolahan citra digital dengan alur kerja sistem sebagai berikut:
Klasifikasi Body Mass Index Berbasis Estimasi a.
Sita Juliza
e-ISSN: 2685-087
Star
Input Citra Full Body & Data Referensi