Implementasi Deep Learning untuk Transformasi Spektrum Warna Citra Digital dalam Mendukung Aksesibilitas Pengguna Buta Warna
Abstrak
Abstrak — Buta warna parsial seperti protanomaly dan deuteranomaly menyebabkan penderitanya mengalami kesulitan dalam membedakan warna tertentu, sehingga berdampak pada berbagai aktivitas visual sehari-hari. Penelitian ini bertujuan membangun sistem berbasis deep learning yang mampu mendeteksi jenis buta warna parsial secara otomatis serta melakukan transformasi warna agar citra lebih mudah dikenali penderita. Metode yang diusulkan terdiri atas dua tahap utama, yaitu deteksi jenis buta warna menggunakan Convolutional Neural Network dan transformasi warna menggunakan model generatif. Pada tahap deteksi, digunakan tiga arsitektur CNN, yaitu SqueezeNet, MobileNetV2, dan EfficientNet-B0. Hasil pengujian menunjukkan SqueezeNet memberikan performa terbaik dengan akurasi 96%, melampaui dua arsitektur lainnya. Hal ini menunjukkan arsitektur ringan lebih efektif menangkap pola warna mikro hasil simulasi buta warna. Pada tahap transformasi warna, diterapkan arsitektur U-Net dan Autoencoder dengan memanfaatkan paired dataset hasil daltonisasi. Untuk meningkatkan representasi visual, penelitian ini mengintegrasikan monogram image processing yang menambahkan informasi brightness, edge, dan contrast menjadi citra multi-channel. Evaluasi menunjukkan U-Net berbasis monogram menghasilkan kualitas terbaik dengan nilai PSNR di atas 36, SSIM mendekati 0.97, serta Delta E2000 rendah pada protanomaly dan deuteranomaly. Dengan demikian, integrasi CNN ringan, U-Net, dan monogram image processing terbukti efektif, adaptif, dan berpotensi diterapkan secara real-time untuk meningkatkan aksesibilitas visual penderita buta warna parsial.
Kata kunci—Buta warna parsial, konversi warna, deteksi warna, deep learning
Referensi
REFERENSI
“Blindness and vision impairment,” World Health Organization. Accessed: May 09, 2025. [Online]. Available: https://www.who.int/news-room/fact-sheets/detail/blindness-and-visual-impairment
B. Penelitian and P. Kesehatan, “Riset Kesehatan Dasar Laporan Nasional 2007,” 2007.
“Interaction Design Foundation,” Interaction Design Foundation. Accessed: May 14, 2025. [Online]. Available: https://www.interaction-design.org/
Z. Zhu and X. Mao, “Image recoloring for color vision deficiency compensation: a survey,” Dec. 01, 2021, Springer Science and Business Media Deutschland GmbH. doi: 10.1007/s00371-021-02240-0.
Z. Zhu, M. Toyoura, K. Go, I. Fujishiro, K. Kashiwagi, and X. Mao, “Naturalness- and information-preserving image recoloring for red–green dichromats,” Signal Process Image Commun, vol. 76, pp. 68–80, Aug. 2019, doi: 10.1016/j.image.2019.04.004.
Y. Lecun, Y. Bengio, and G. Hinton, “Deep learning,” May 27, 2015, Nature Publishing Group. doi: 10.1038/nature14539.
M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, and L.-C. Chen, “MobileNetV2: Inverted Residuals and Linear Bottlenecks,” Jan. 2018, [Online]. Available: http://arxiv.org/abs/1801.04381
M. Tan and Q. V. Le, “EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks,” May 2019, [Online]. Available: http://arxiv.org/abs/1905.11946
F. N. Iandola, S. Han, M. W. Moskewicz, K. Ashraf, W. J. Dally, and K. Keutzer, “SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5MB model size,” Feb. 2016, [Online]. Available: http://arxiv.org/abs/1602.07360
O. Ronneberger, P. Fischer, and T. Brox, “U-Net: Convolutional Networks for Biomedical Image Segmentation,” May 2015, [Online]. Available: http://arxiv.org/abs/1505.04597
M. Sokolova and G. Lapalme, “A systematic analysis of performance measures for classification tasks,” Inf Process Manag, vol. 45, no. 4, pp. 427–437, Jul. 2009, doi: 10.1016/j.ipm.2009.03.002.
G. Sharma, W. Wu, and E. N. Dalal, “The CIEDE2000 Color-Difference Formula: Implementation Notes, Supplementary Test Data, and Mathematical Observations,” Col Res Appl, vol. 30, pp. 21–30, 2005, doi: 10.1002/col.
A. Horé and D. Ziou, “Image quality metrics: PSNR vs. SSIM,” in Proceedings - International Conference on Pattern Recognition, 2010, pp. 2366–2369. doi: 10.1109/ICPR.2010.579.
R. C. . Gonzalez and R. E. . Woods, Digital image processing. Prentice Hall, 2002.
A. P. Putra, F. A. Fiolana, and D. A. W. Kusumastutie, “Penerapan Koreksi Warna Pada Citra Bagi Penyandang Buta Warna Parsial,” Jurnal Teknik Elektro dan Komputer TRIAC, vol. 8, no. 1, pp. 26–29, May 2021, doi: 10.21107/triac.v8i1.10246.
J. Heaton, “Ian Goodfellow, Yoshua Bengio, and Aaron Courville: Deep learning,” Genet Program Evolvable Mach, vol. 19, no. 1–2, pp. 305–307, Jun. 2018, doi: 10.1007/s10710-017-9314-z.
R. C. . Gonzalez and R. E. . Woods, Digital image processing. Pearson, 2018.
X. Wang, Z. Zhu, X. Chen, K. Go, M. Toyoura, and X. Mao, “Fast contrast and naturalness preserving image recolouring for dichromats,” Computers and Graphics (Pergamon), vol. 98, pp. 19–28, Aug. 2021, doi: 10.1016/j.cag.2021.04.027.
L. Chen, Z. Zhu, W. Huang, K. Go, X. Chen, and X. Mao, “Image recoloring for color vision deficiency compensation using Swin transformer,” Neural Comput Appl, vol. 36, no. 11, pp. 6051–6066, Apr. 2024, doi: 10.1007/s00521-023-09367-2.
S. Seo and J. Park, “Color Universal Design Neural Network for the Color Vision Deficiencies,” Feb. 2025, [Online]. Available: http://arxiv.org/abs/2502.08671
