Sistem Pengukuran Tinggi dan Berat Badan Berdasarkan Perhitungan Body Surface Area (BSA) Menggunakan Boundingbox Berbasis Raspberry Pi

Fakultas Ilmu Komputer

Universitas Brawijaya

5242

Sistem Pengukuran Tinggi dan Berat Badan Berdasarkan Perhitungan

Body Surface Area (BSA) Menggunakan Boundingbox Berbasis Raspberry

Pi

Mohammad Isya Alfian1_{, Hurriyatul Fitriyah}2_{, Fitri Utaminingrum}3

Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1_{isyaa53@gmail.com,} 2_{hfitriyah@ub.ac.id,} 3_{f3_ningrum@ub.ac.id}

Abstrak

BSA (

Body Surface Area

) digunakan sebagai salah satu cara untuk mendapatkan informasi

kondisi tubuh seseorang. Tenaga paramedik menggunakan metode BSA dalam pengambilan

data pasien dan membutuhkan waktu yang lama. Pada penelitian Trisno, Atmaja, dan Fauzi

(2016) menggunakan teknik

image processing

untuk mempercepat pengambilan data.

Pengambilan data yang dilakukan berupa tampak depan dan samping, kemudian diolah

menggunakan piksel dengan cara

cropping image

. Dari penelitian tersebut, peneliti memiliki

gagasan menggunakan mini pc untuk lebih mempercepat pengambilan data dan efisien.

Perhitungan BSA dimasukkan ke dalam mini pc

Raspberry Pi

dan dibantu dengan kamera

webcam sebagai pengambil citra. Alat tersebut berguna untuk membantu paramedik melakukan

pengambilan data berat badan dan tinggi badan lebih cepat dan efisien. Objek penelitian yang

dijadikan

sample

sebanyak 20 orang, laki-laki dan perempuan, terdiri dari anak-anak dan

dewasa. Pengambilan data dilakukan 22 kali masing-masing pada anak-anak dan dewasa. Data

yang didapatkan dihitung dengan nilai akurasi Bounding Box. Hasil akurasi tinggi badan pada

anak laki-laki sebesar 91,4%, anak perempuan sebesar 87,8%, dewasa laki-laki sebesar 98,34%,

dan dewasa perempuan sebesar 98,2%. Sedangkan hasil akurasi untuk berat badan berdasarkan

nilai

k

pada setiap objek. Nilai

k

pada anak laki-laki sebesar 1,34 dangan akurasi 75,32%, anak

perempuan 1,34 dengan akurasi sebesar 79,76%, dewasa laki-laki 1,26 dengan akurasi sebesar

95,6%, dan dewasa perempuan 1,22 dengan akurasi sebesar 92,38%.

Kata kunci: Opencv, BoundingBox, BSA, Raspberry pi

Abstract

BSA (Body Surface Area) is used as a way to get information on a person's body condition. Paramedics use these calculations in patient data collection and require a long time. In previous studies using image processing techniques to speed up data retrieval. Data retrieval is carried out front and side view then processed using pixels by cropping the image. From these studies, researchers have the idea of using a mini pc to further speed up data retrieval and be efficient. BSA calculations are included in the mini pc Raspberry Pi and assisted by webcam cameras as image takers. This tool is useful to help paramedics to collect data on body weight and height, faster and more efficiently. The object of the research that was sampled was 20 people, male and female, consisting of children and adults. Data collection was carried out 22 times each in children and adults. The data obtained is calculated by the Bounding Box accuracy value. The results of height accuracy in boys were 91.4%, girls were 87.8%, male adults were 98.34%, and female adults were 98.2%. While the results of accuracy for weight are based on the k value of each object. The k value for boys is 1.34 with an accuracy of 75.32%, girls 1.34 with an accuracy of 79.76%, male adults 1.26 with an accuracy of 95.6%, and adult women 1 , 22 with an accuracy of 92.38%.

1. PENDAHULUAN

Dari data kementrian kesehatan, yang dirilis koran online pada tahun 2016, tercatat penderita obesitas di Indonesia dari tahun 2007 sampai 2016 meningkat tajam hingga 35%. Berdasarkan data proyeksi penduduk, diperkirakan tahun 2017 terdapat 23,66 juta jiwa penduduk lansia di Indonesia dan akan terus meningkat.

Salah satu parameter penting dari pengukuran tersebut adalah berat badan. Berat badan merupakan salah satu parameter pengkuran berat badan yang digunakan untuk menganalisa kondisi tubuh seseorang melalui Body Mass Index (BMI). Melalui berat badan dapat diketahui berbagai informasi untuk menganalisa kondisi tubuh seseorang seperti Body Surface Are (BSA) dan Body Mass Index (BMI) (Utari, 2017)

Perhitungan BMI ini menjadi patokan untuk paramedik menentukan kondisi pasien sedang berada pada underweight, normal, atau overweight. Parameter yang mempengaruhi nilai perhitungan adalah gender dan usia. Misal, pada orang dewasa angka BMI kurang dari 18,5 berarti underweight. Sedangkan pada indeks 25-29,5 berarti overweight.

Paramedik kekurangan alat untuk melakukan pengambilan data dengan lebih cepat dan efisien. Oleh karena itu, peneliti membuat alat menggunakan kamera web sebagai penangkap citra objek dan diolah menggunakan bantuan mikrokontroler Raspberry Pi menggunakan metode Bounding Box dan hasilnya ditampilkan pada LCD.

Tujuan dari penelitian ini adalah mengetahui tingkat akurasi penggunaan metode Bounding Box dalam mendeteksi tampak samping dan depan, akurasi sistem dalam penggunaan untuk mendeteksi tinggi badan dan berat badan, nilai pengali (k) untuk BSA masing-masing objek, dan waktu komputasi untuk mengolah data tersebut.

Pengambilan data dimulai dari pengambilan citra menggunakan kamera web. Kamera yang digunakan adalah Logitech C270 dengann spesifikasi 1280x720 piksel dan

dihubungkan dengan Raspberry Pi

menggunakan USB. Raspberry Pi menggunakan system on a chip (SoC) dari Broadcom BCM2835 dengan prosesor ARM1176JZF-S 700 MHz dan RAM sebesar 256 MB (untuk Rev. B). Menggunakan SD Card untuk proses booting dan penyimpanan data jangka-panjang.

Kemudian dilakukan Tresholding untuk membedakan objek dengan background. Pada proses ini, dilakukan segmentasi dengan memberikan nilai 0 untuk nilai intensitas yang tidak termasuk dalam batas dan nilai 1 untuk yang termasuk dalam batas. Selain itu, terdapat tahapan dilatasi dan erosi. Dimana, dilatasi adalah pelebaran terhadap piksel yang bernilai 1 dan erosi memberikan efek memperkecil struktur citra.

Setelah itu, dilakukan metode Bounding Box dan berlanjut ke tahap perhitungan BSA. Nilai BSA merupakan pendekatan dari rumus luas permukaan tabung elips. Dimana didapatkan nilai a, b, dan t masing-masing merupakan tampak lebar depan dan samping serta tinggi badan.

Luas permukaan tabung elips merupakan gabungan dari luas elips dan luas persegi panjang. Dimana lebar dari persegi panjang adalah keliling elips (Efendi, Uljanah, & Tsauri, 2017).

2. PERANCANGAN DAN

IMPLEMENTASI

Pada tahap perancangan akan dijelaskan cara perancangan sistem yang dimulai dari perancangan alat, perancangan perangkat keras, hingga perancangan perangkat lunak.

2.1 Perancangan Prototype Sistem

Tahap awal yang dilakukan peneliti adalah perancangan system. Pada tahap perancangan prototype, desain alat menggunakan CorelDraw. Desain alat seperti pada Gambar 1. Kotak hijau berisi sistem yang nantinya ditampilkan pada lcd 16x2. Memiliki 3 buah tombol dengan fungsi pada masing-masing tombolnya sesuai pada gambar. Tombol kembali untuk mengakhiri proses. Penempatan kamera diletakkan 300cm didepan objek yang ingin diambil gambarnya serta dengan tinggi 150cm.

Pengambilan gambar oleh kamera dilakukan sebanyak dua kali. Pertama tampak depan dengan tujuan mengambil gambar lebaar dada dan tinggi objek. Kedua tampak samping dengan tujuan mengambil lebar dari lingkar perut. Oleh karena itu, dengan mengetahui tinggi, lebar dada dan lingkar perut data tersebut sudah dapat diolah oleh sistem kemudian dihitung dengan menggunakan rumus BSA. Sehingga dapat diketahui berat badan dari objek tersebut.

Gambar 1. Desain prototype system

2.2 Perancangan Perangkat Keras

Tahapan selanjutnya adalah perancangan perangkat keras. Pada tahapan ini dijelaskan lebih detail hubungan dari setiap komponen. Kamera yang digunakan dihubungkan dengan

Raspberry Pi sebagai otak pengolah data dengan

tiga tombol yang digunakan sebagai interap. Hasil akhir ditampilkan pada LCD dengan ukuran 16x2 yang berada pada kotak. Desain dapat dilihat pada Gambar 2.

Sesuai dengan modul pada Gambar 2, LCD, Raspberry Pi, dan push button memiliki koneksi pada pin-pinnya masing-masing. Tombol 1 digunakan sebagai tombol mulai yang berfungsi sebagai memulai proses dari sistem, Tombol 2 digunakan sebagai tombol untuk pengambilan gambar dari sistem, dan yang terakhir adalah tombol 3 yang digunakan sebagai tombol kembali dan bisa digunakan sebagai tombol untuk mengakhiri proses dari sistem.

Gambar 2. Skematik Sistem

Tabel 1 koneksi pin antara LCD dan Raspberry Pi

Pin Modul LCD Pin Raspberry Pi Ground 6 VCC 2 SDA 3 SCL 5

Tabel 2 koneksi pin antara Push Button dan Raspberry Pin Push button Pin Raspberry Pi Vcc 1 Tombol 1 11 Tombol 2 13 Tombol 3 15

2.3 Perancangan Perangkat Lunak

Pada perancangan perangkat lunak ini dijelaskan lebih detail tentang cara kerja system. Setelah pengambilan foto tampak depan dan samping, gambar diolah untuk mengetahui Panjang dan lebar objek menggunakan Bounding Box. Hasilnya masih berupa piksel sehingga membutuhkan konversi ke satuan panjang seperti cm. Kemudian, dimasukkan ke dalam rumus BSA dan hasilnya ditampilkan pada display. Berikut flowchart pengambilan data.

Gambar 4. Diagram alir perhitungan system

Setelah dilakukan ekstraksi citra, dilakukan perhitungan dengan tahapan seperti pada gambar 4. Nilai a, b, dan t didapatkan dengan pendekatan bentuk objek dengan bentuk tabung elips. Penggabungan antara luas elips dan keliling elips.

Luas Permukaan =((π/2) × (a ∗ b)) + ((π/ 2) × (a + b) ∗ t) (1)

Gambar 5. Tabung elips setelah diurai

Kemudian menjadi rumus BSA sebagai berikut.

𝐵𝑆𝐴 = ((π/2) × ((a × b) + ((a + b) × t)) ×

k × 0,0001) (2)

Nilai tersebut dalam bentuk piksel, lalu diubah ke satuan panjang cm. Kemudian, dilakukan perhitungan berat badan dengan pendekatan rumus BSA sebagai berikut.

𝐵𝑒𝑟𝑎𝑡 𝐵𝑎𝑑𝑎𝑛 =((BSA×BSA)×3600)

(Tinggi badan (cm)) (3)

2.4 Implementasi

Pada tahapan implementasi, sistem disusun untuk direalisasikan. Terdapat tiga tahapan di dalamnya, yaitu implementasi prototype alat, perangkat keras, dan perangkat lunak. Gambar 6 merupakan implementasi prototype sistem pengukuran.

Kotak hijau dengan dimensi 20 x 15 x 5,5 cm berbahan kayu lapis (triplek) dengan ketebalan mencapai 4 mm sebagai wadah dari rangkaian alat yang dirancang. Kemudian, pada tahapan implementasi perangkat keras, komponen-komponen elektronik yang digunakan disatukan seperti pada gambar 7.

Gambar 6. Implementasi prototype sistem

Tahapan terakhir adalah tahapan perangkat lunak yang di dalamnya merupakan implementasi kode program. Penulis membuat suatu program menggunakan bahasa phyton yang sudah terinstal di dalam Raspberry Pi. Program tersebut nantinya digunakan untuk perhitungan sistem. Awalan dari bahasa phyton adalah inisialisasi library. Kode pemrograman tersebut terdiri dari dua class, yaitu MainClass dan SubClass.

Koding utama yang dijalankan program adalah MainClass. Beberapa fitur di dalamnya yang dapat diakses adalah fungsi akses kamera, pemanggilan fitur ekstrasi warna serta fungsi perhitungan dari hasil ekstrasi warna. Sedangkan untuk SubClass, merupakan koding penggilan yang nantinya dipanggil koding utama yaitu berupa koding ekstraksi gambar.

3. PENGUKURAN DAN ANALISIS

3.1 Pengujian Akurasi Tinggi Badan

Data Asli dengan Hasil Citra

Sistem akan mengeluarkan data berupa tinggi badan dari objek yang diambil fotonya. Dimana output yang diinginkan memerlukan pembanding tinggi asli agar dapat diketahui tingkat akurasi dari sstem yang dirancang.

Sesuai dengan data yang telah diambil, rata-rata akurasi dari sistem mencapai 98,34% pada objek laki-laki. Kemudian rata-rata akurasi untuk pengukuran tinggi pada objek wanita dewasa mencapai 98,2%. Akurasi pengukuran tinggi pada objek anak laki-laki sebesar 91,04%. Sedangkan, akurasi pengukuran pada objek anak perempuan sebesar 87,08%.

Gambar 9. Grafik hasil pengukuran tinggi pada objek laki-laki dewasa

Gambar 10. Grafik hasil pengukuran tinggi pada objek perempuan dewasa

Gambar 11. Grafik hasil pengukuran tinggi pada objek anak laki-laki

Gambar 12. Grafik hasil pengukuran tinggi pada objek anak perempuan

176 176 178 169 174 174 170 178 168 169

ARIP RIZAL BAYU YUDHA HARIST

grafik tinggi asli dengan hasil citra dari objek laki-laki dewasa

objek laki-laki tinggi hasil citra objek laki-laki tinggi asli

169 172 163 165 157 160 171 164 ₁₆₃ 156

ZANA ANDAN PUTRI ANGGUN INDAN

grafik tinggi asli dengan hasil citra dari objek perempuan dewasa

objek perempuan tinggi hasil citra objek perempuan tinggi asli

98 118 117 108 86 102 120 119 ₁₁₂ 130

ARYA NIO AJIB DHANIAL RIZKI

grafik tinggi asli dengan hasil citra dari objek anak laki-laki

objek anak laki-laki tinggi hasil citra objek anak laki-laki tinggi asli

129 ₁₂₃

103 119

42

128 ₁₂₄

105 122 ₁₀₁

RARA NIA KIRANA SYAFA MOZA

grafik tinggi asli dengan hasil citra dari objek anak perempuan

objek anak perempuan tinggi hasil citra objek anak perempuan tinggi asli

3.2 Pengujian Akurasi Berat Badan Data Asli dengan Hasil Citra

Sistem mengeluarkan data berupa berat badan objek yang telah diambil fotonya. Kemudian foto tersebut dibandingkan dengan data asli untuk mengetahui nilai akurasi dari kerja sistem. Pada gambar 13 adalah hasil dari pengambilan data menggunakan sistem yang dirancang.

Sesuai dengan gambar 13 tersebut, nilai k yang bervariasi mengakibatkan nilai akurasi yang berubah-ubah. Nilai k merupakan koefisien pengali dari rumus BSA yang digunakan pada cara perhitungan berat badan. Nilai k yang digunakan pada system ini dimulai dari angka 1,2 sampai dengan 1,38, hal ini bertujuan untuk mengetahui berapa nilai k terbaik yang mendekati nilai asli dari berat badan tersebut. Pengambilan data pada objek laki-laki dewasa dengan nilai k=1,26 menghasilkan rata-rata akurasi tertinggi, yakni sebesar 95,6%. Sedangkan rata-rata akurasi terendah sebesar 83,58% dengan nilai k=1,38.

Gambar 13. Grafik hasil pengukuran berat pada objek laki-laki dewasa

Gambar 14. Grafik hasil pengukuran berat pada objek perempuan dewasa

Gambar 15. Grafik hasil pengukuran berat pada objek anak laki-laki

Pada objek perempuan dewasa yang ditunjukkan pada gambar 14, nilai k diberikan variasi juga sehingga mempengaruhi akurasi sistem. Pengambilan data pada objek perempuan dewasa dengan nilai k=1,22 menghasilkan rata-rata akurasi tertinggi, yakni sebesar 92,38%. Sedangkan rata-rata akurasi terendah sebesar 76,8% dengan nilai k=1,38. 9 2 ,7 9 1 ,7 8 9 ,4 8 8 ,4 7 7 ,5 9 5 ,8 9 4 ,8 92 ,4 9 1 ,3 8 0 ,1 9 3 ,8 9 0 ,2 93 ,4 8 3 ,9 9 6 ,1 9 0 ,4 8 6 ,6 9 6 ,4 8 6 ,6 9 2 ,7 8 6 ,9 83 9 9 ,5 8 9 ,4 8 9 ,3 8 3 ,3 7 9 ,3 9 7 ,3 9 2 ,2 85 ,8 7 9 ,7 7 9 ,3 9 4 ,1 9 5 ,1 8 2 ,3 76 7 1 ,7 9 0 ,8 98 7 8 ,6 7 2 ,3 8 7 ,6 99 75 8 4 ,2 96 7 1 ,3 Z A N A A N D A N P U T R I A N G G U N I N D A H G R A F I K H A S I L A K U R A S I B E R A T B A D A N B E R D A S A R K A N N I L A I K P A D A O B J E K P E R E M P U A N D E W A S A k=1,2 k=1,22 k=1,24 k=1,26 k=1,28 k=1,3 k=1,32 k=1,34 k=1,36 k=1,38 67 7 3 ,3 82 8 4 ,7 3 8 ,4 6 9 ,2 57 ,7 8 4 ,7 8 0 ,8 3 9 ,7 7 1 ,5 78 ,2 8 7 ,6 7 6 ,9 41 7 3 ,8 80 ,8 9 0 ,4 7 2 ,9 42 ,3 7 4 ,2 8 3 ,3 9 3 ,3 6 8 ,8 4 3 ,7 78 ,6 86 9 6 ,3 6 4 ,7 4 5 ,1 81 8 8 ,6 94 ,3 60 ,4 4 6 ,5 8 3 ,5 9 1 ,3 97 ,7 5 6 ,2 4 7 ,9 86 9 4 ,1 9 4 ,6 5 1 ,9 4 9 ,3 8 8 ,6 9 6 ,9 91 ,5 4 7 ,5 ₅0,8 A R Y A N I O A J I B D H A N I A L R I K I G R A F I K H A S I L A K U R A S I B E R A T B A D A N B E R D A S A R K A N N I L A I K P A D A O B J E K A N A K L A K I -L A K I k=1,2 k=1,22 k=1,24 k=1,26 k=1,28 k=1,3 k=1,32 k=1,34 k=1,36 k=1,38 9 2 ,7 9 1 ,7 8 9 ,4 88 ,4 77 ,5 9 5 ,8 9 4 ,8 9 2 ,4 9 1 ,3 8 0 ,1 99 98 9 5 ,5 9 4 ,4 8 2 ,8 9 7 ,7 ₉8,8 ₉8,6 9 7 ,4 8 5 ,5 9 4 ,5 ₉5,5 9 8 ,1 ₉9,3 8 8 ,2 9 1 ,1 ₉₂,2 94 ,9 96,2 91 8 7 ,8 ₈8,9 9 1 ,7 93 93 ,8 8 4 ,3 ₈5,5 8 8 ,4 89,7 9 6 ,7 8 0 ,9 ₈2,1 85 86 ,4 9 9 ,6 7 7 ,3 78,6 8 1 ,6 83 9 7 ,4 A R I P R I Z A L B A Y U Y U D A H A R I S T G R A F I K H A S I L A K U R A S I B E R A T B A D A N B E R D A S A R K A N N I L A I K P A D A O B J E K L A K I - L A K I D E W A S A k=1,2 k=1,22 k=1,24 k=1,26 k=1,28 k=1,3 k=1,32 k=1,34 k=1,36 k=1,38

Gambar 16. Grafik hasil pengukuran berat pada objek anak perempuan

Pada objek anak laki-laki yang ditunjukkan pada gambar 15, nilai k diberikan variasi juga sehingga mempengaruhi akurasi sistem. Pengambilan data pada objek anak laki-laki dengan nilai k=1,34 menghasilkan rata-rata akurasi tertinggi, yakni sebesar 75,32%. Sedangkan rata-rata akurasi terendah sebesar 69,08% dengan nilai k=1,2.

Kemudian pada objek anak perempuan yang ditunjukkan pada gambar 16, nilai k diberikan variasi juga sehingga mempengaruhi akurasi sistem. Pengambilan data pada objek anak perempuan dengan nilai k=1,34 menghasilkan rata-rata akurasi tertinggi, yakni sebesar 75,76%. Sedangkan rata-rata akurasi terendah sebesar 66,92% dengan nilai k=1,2.

4. KESIMPULAN

Berdasarkan hasil pengujian, metode Bounding Box dan pendekatan rumus BSA, sistem yang dirancang memiliki performa yang baik dan efisien. Hal ini dapat dibuktikan dengan nilai akurasi yang tinggi.

Berikut adalah beberapa kesimpulan yang didapatkan dari pengujian ini. Penggunaan metode BoundingBOX dalam pengambilan data sebanyak 44 gambar mendapatkan hasil yang baik dengan kesalahan sebesar 18,2, sehingga akurasi dari sistem pengkuran tinggi dan berat badan menggunakan metode BoundingBOX sebesar 81,8%.

Pada sistem pengukuran ini memiliki hasil akurasi tinggi yang dibagi dalam 2 golongan yaitu golongan dewasa dan anak-anak, yang mana setiap golongan berjenis kelamin laki-laki dan perempuan. Akurasi tinggi pada laki-laki dewasa sebesar 98,34% dan sebesar 98,2% untuk wanita dewasa. Sedangkan pada anak laki-laki sebesar 91,4% dan sebesar 87,08 untuk anak perempuan.

Pada sistem pengukuran ini memiliki akurasi berat badan yang dibagi dalam 2 golongan yaitu dewasa dan anak-anak, pada setiap golongan berjenis kelamin laki-laki dan perempuan. Akurasi berat pada laki-laki dewasa adalah sebesar 95,6% dan untuk wanita dewasa sebesar 92,38%. Sedangkan nilai akurasi berat dari anak laki-laki sebesar 75,32% dan untuk anak perempuan sebesar 79,76%.

Pada sistem pengukuran ini memiliki hasil akurasi berat badan yang dapat dikatakan baik berdasarkan nilai k pada setiap jenis objeknya. Nilai k yang digunakan pada sistem dimulai dari 1,2 sampai 1,38, terdapat nilai yang sangan baik digunakan pada sistem adalah Nilai k pada anak laki-laki adalah 1,34 dengan rata-rata akurasinya sebesar 75,32%, Nilai k pada anak wanita adalah 1,34 dengan rata-rata akurasinya sebesar 79,76%, Nilai k pada dewasa laki-laki adalah 1,26 dengan rata-rata akurasinya sebesar 95,6%, dan Nilai k pada wanita dewasa adalah 1,22 dengan rata-rata akurasinya sebesar 92,38%.

Pada sistem pengukuran ini juga dilakukan proses perhitungan waktu komputasi, yang mana dilakukan sebanyak 20 kali percobaan sehingga didapat waktu rata-rata komputasinya adalah 2,888 ms

5. DAFTAR PUSTAKA

Anton Yudhana, S. S. (2016). Perbandingan Segmentasi pada Citra Asli dan Citra Kompresi Wavalet untuk Telur. 8, 3. doxygen. (2015, 12 18). Color Conversion.

Diambil kembali dari OpenCV: https://docs.opencv.org/3.1.0/de/d25/im gproc_color_conversions.html

Efendi, T., Uljanah, I. I., & Tsauri, T. A. (2017). Rancang Bangun Sistem Pengolahan Citra Digital untuk Menentukan Berat Badan Ideal. ISSN, 2, 63 - 70.

Fitriyah, H. (2016). Modul Ajar Komputasi Citra dan Suara Digital.

Force, D. (2017). Body Detection. Diambil

6 8 ,7 6 6 ,4 8 6 ,5 8 1 ,3 31 ,7 71 64 ,1 89 ,4 8 4 ,1 3 2 ,8 7 3 ,4 71 9 2 ,3 8 6 ,8 3 3 ,9 7 5 ,8 7 3 ,2 9 5 ,4 8 9 ,7 35 7 8 ,2 7 5 ,6 9 8 ,4 9 2 ,6 3 6 ,1 8 0 ,7 78 9 8 ,4 9 5 ,5 37 ,3 8 3 ,2 8 0 ,4 95 ,3 ₉8,4 3 8 ,5 85 ,7 8 2 ,9 9 2 ,1 98 ,5 3 9 ,6 8 8 ,3 8 5 ,3 ₈8,8 9 5 ,4 4 0 ,8 9 0 ,9 8 7 ,9 8 5 ,6 92 ,3 42 R A R A N I A K I R A N A S Y A F A M O Z A G R A F I K H A S I L A K U R A S I B E R A T B A D A N B E R D A S A R K A N N I L A I K P A D A O B J E K A N A K P E R E M P U A N k=1,2 k=1,22 k=1,24 k=1,26 k=1,28 k=1,3 k=1,32 k=1,34 k=1,36 k=1,38

kembali dari https://www.deepforce.com/index.php? s=/Home/Index/index.html Indonesia, G. L. (2013). Dipetik 10 22, 2018, dari http://gudanglinux.com/glossary/openc v-open-source-computer-vision/

Logitech, S. (2018). Logitech. Dipetik 10 22, 2018, dari https://www.logitech.com/id-

id/product/hd-webcam-c270h#specification-tabular

MedicineNet. (t.thn.). Medical Definition of Body surface area. Dipetik September

05, 2018, dari

https://www.medicinenet.com/script/ma in/art.asp?articlekey=39851

Mohamad, M., Saman, Y. M., & Hitam, M. S. (2015). A Review on OpencCV. Terengganu: Universitas Malaysia Terengganu.

Mordvintsev, A., & k, A. (2013). Diambil kembali dari OpenCV-Python Tutorials:

https://opencv-python-tutroals.readthedocs.io/en/latest/py_tuto rials/py_tutorials.html

Nafidha, P. N. (2016). Aplikasi Pendeteksi Objek Bergerak pada Image Sequence

dengan Metode Background

Substraction. 21, 8.

Pamungkas, A. (2015). Dipetik 12 24, 2018, dari

http://ipulgates.blogspot.com/2015/01/a

spek-rasio-dalam-dunia-multimedia.html

Pamungkas, A. (2015, 12 27). Diambil kembali dari Pengolahan Citra Digital (RGB, Grayscale, dan Biner) Menggunakan

GUI Matlab:

https://pemrogramanmatlab.com/2015/ 12/27/pengolahan-citra-digital-rgb- grayscale-biner-menggunakan-gui-matlab/

Putra, A. E. (2012). Mengenal Rasberry Pi. Dipetik September 05, 2018, dari http://agfi.staff.ugm.ac.id/blog/index.ph p/2012/08/mengenal-raspberry-pi/ soetjiningsih. (1995). Tumbuh Kembang Anak.

Jakarta: EGC.

team, o. d. (2014). OpenCV Tutorials. OpenCV. Trisno, F. R., Atmaja, R. D., & Fauzi, H. (2016).

PERANCANGAN SISTEM

PENGUKURAN BERAT BADAN

DENGAN IMAGE PROCESSING

DESIGNING SYSTEM FOR BODY WEIGHT MEASUREMENT USING IMAGE PROCESSING. ISSN, 2, 1737. Utari, A. (2017). Hubungan indeks masa tubuh dengan tingkat kesegaran jasmani pada anak usia 12-14 tahun. semarang: Universitas Diponegoro.