Klasifikasi Body Mass Index Berbasis Estimasi Dimensi Tubuh melalui Pengolahan Citra Digital

<p><em>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 (underweight, normal, overweight, obese) without physical contact. Testing was conducted on 40 data samples, yielding an accuracy of 99.99% for height (error 0.37%) and 99.97% for weight (error 1.25%), with a maximum measurement tolerance of ±2 cm for height and ±2 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.</em></p><p><strong><em>Keywords:</em></strong><em> Body Mass Index; Image Processing; Canny Edge Detection; Matlab</em></p><p><em> </em></p><p align="center"><strong>Abstrak</strong></p><p>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 <em>Canny Edge Detection</em> dalam <em>Guide Matlab</em> guna mengklasifikasikan status <em>Body Mass Index</em> (kurus, normal, gemuk, obesitas) tanpa kontak fisik. Pengujian dilakukan pada 40 sampel data, menghasilkan akurasi 99,99% untuk tinggi badan (<em>error </em>0,37%) dan 99,97% untuk berat badan (<em>error</em> 1,25%), dengan toleransi maksimal pengukuran ±2 cm untuk tinggi dan ±2 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 <em>Body Mass Index</em> berdasarkan estimasi parameter antropometrik dari citra digital.</p><p><strong><em>Kata kunci</em></strong><strong><em>:</em></strong><em> Body Mass Index; Pengolahan Citra; Edge Detection Canny; Matlab </em></p>