Lewati ke konten
SDGs Center UDINUS

Catatan bukti · UDINUS · SDGs

Model Pembelajaran Mendalam untuk Estimasi Tinggi Badan Balita Berbasis Postur pada Citra Monokular

Rektorat UDINUS 2025 Terbit 2026-10-30

Catatan bukti · UDINUS · SDGs

Unit
Rektorat UDINUS
Periode
2025
Tujuan
Nomor
3badbc75-cc76-4c7e-80ea-b01932bfe40b
Terbit
2026-10-30

Universitas Dian Nuswantoro (UDINUS), melalui peneliti yang berpartisipasi, yaitu Prakoso, Erik; Syukur, Abdul; dan Affandy, melaksanakan penelitian mengenai metode tanpa kontak untuk mengestimasi tinggi badan balita dari citra monokular. Kegiatan ini membahas stunting sebagai masalah gizi kronis yang menghambat pertumbuhan dan perkembangan anak di bawah lima tahun serta memerlukan deteksi dini melalui pemantauan tinggi badan yang akurat. Penelitian ini merespons metode pengukuran manual yang sering kali tidak akurat dan tidak praktis bagi balita yang aktif.

Kegiatan tersebut mengusulkan model computer vision dan deep learning untuk mengestimasi tinggi badan balita dari satu citra. Arsitektur yang digunakan mengintegrasikan Mask R-CNN melalui Detectron2 untuk segmentasi instance secara presisi, MediaPipe Pose untuk estimasi keypoint postur tiga dimensi dan penyesuaian bounding box, serta DenseNet121 sebagai backbone utama untuk ekstraksi fitur dan prediksi tinggi badan melalui pendekatan regresi. Model dilatih menggunakan teknik transfer learning dan fine-tuning pada citra balita pribadi yang memiliki variasi pose dan kondisi pencahayaan.

Prapemrosesan citra mencakup penyesuaian eksposur, denoising, penajaman, penghapusan latar belakang, dan perubahan ukuran citra untuk meningkatkan kualitas data masukan. Kinerja model dievaluasi menggunakan Mean Absolute Error, Root Mean Squared Error, serta akurasi berbasis toleransi dalam rentang lima sentimeter. Sumber tidak memberikan hasil evaluasi numerik. Integrasi yang diusulkan ditujukan untuk meningkatkan akurasi dan ketahanan prediksi tinggi badan balita dari satu citra serta menyediakan pendekatan deteksi stunting yang lebih efisien dan non-invasif.

Dalam kaitannya dengan tujuan yang dinyatakan, kegiatan ini menghubungkan pemantauan tinggi badan balita dengan deteksi dini masalah gizi kronis yang memengaruhi anak di bawah lima tahun. UDINUS mempresentasikan kegiatan penelitian institusional ini sebagai penerapan computer vision, deep learning, pemrosesan citra, estimasi postur, segmentasi instance, dan prediksi berbasis regresi untuk estimasi tinggi badan balita tanpa kontak.

Rujukan https://www.scopus.com/pages/publications/105031626170?origin=resultslist