Informasi Lainnya
Abstraksi
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.
Koleksi & Sirkulasi
Tersedia 1 dari total 1 Koleksi
