PENGEMBANGAN PENGHITUNG INDEKS MASSA TUBUH REAL-TIME MENGGUNAKAN POINT CLOUD
Masalah malnutrisi global, yang mencakup obesitas dan gizi kurang (underweight), menuntut pemantauan antropometri yang efisien. Metode pengukuran konvensional rentan terhadap human error dan memakan waktu. Penelitian ini bertujuan mengembangkan AFVIS, sebuah instrumen pengukur IMT secara real-time dan non-contact menggunakan data Point Cloud dari sensor Kinect V2. Penelitian R&D ini mengekstraksi dimensi fisik subjek seperti Tinggi Badan, LiLA, dan WACI menggunakan algoritma Skeleton Tracking dan Convex Hull di ruang 3D. Estimasi berat badan dikalkulasikan melalui pemodelan MLR. Model dasar (baseline) dilatih menggunakan data ground truth manual dari 73 subjek, sementara validasi performa sistem dilakukan secara langsung terhadap 42 subjek uji terpisah di lapangan. Hasil pengujian menunjukkan sistem berhasil mengakselerasi komputasi menjadi rata-rata 10 detik per subjek dengan kecepatan rendering 18 FPS. Pengukuran dimensi linier menunjukkan presisi tinggi dengan MAE Tinggi Badan sebesar 1,93 cm. Namun, ekstraksi lingkar tubuh rentan terhadap halangan visual berupa deformasi pakaian, di mana postur berdiri tegap terbukti memberikan akurasi (76,38%) yang lebih baik dibandingkan T-Pose (65,84%). Bias volume akibat pakaian memicu overestimation yang menyebabkan galat estimasi berat badan rata-rata keseluruhan sebesar 21,24 kg (di mana posisi rentang tangan memperburuk galat hingga 26,42 kg). Lebih lanjut, batasan resolusi spasial sensor (<5 cm pada jarak 2 meter) memicu kegagalan segmentasi pada anak dengan status gizi kurus. Secara keseluruhan, akurasi klasifikasi status gizi mencapai 41,67%. Kesimpulannya, sistem AFVIS terbukti sangat berhasil sebagai instrumen skrining massal yang cepat.