Sistem Deteksi Warna Real-Time untuk Aksesibilitas Penderita Buta Warna

Stephanie Rotua Uli Marbun; Khairul  Rizal; Susliansyah Susliansyah; Rahmat  Hidayat

doi:10.31004/riggs.v4i4.5155

Authors

Stephanie Rotua Uli Marbun Universitas Bina Sarana Informatika
Khairul Rizal Universitas Bina Sarana Informatika
Susliansyah Susliansyah Universitas Bina Sarana Informatika
Rahmat Hidayat Universitas Bina Sarana Informatika

DOI:

https://doi.org/10.31004/riggs.v4i4.5155

Keywords:

Deteksi Warna, Yolov11, Opencv, Real-Time, Aksesibilitas, Buta Warna

Abstract

Penelitian ini mengembangkan sistem deteksi warna real-time berbasis computer vision yang bertujuan untuk mendukung aksesibilitas bagi penderita buta warna dalam mengenali warna objek secara cepat dan akurat. Warna merupakan elemen penting dalam penyampaian informasi visual, namun keterbatasan persepsi warna dapat menyebabkan kesalahan interpretasi pada aktivitas sehari-hari. Oleh karena itu, diperlukan solusi berbasis teknologi yang mampu membantu pengguna dalam mengidentifikasi warna secara mandiri melalui perangkat mobile. Sistem yang dikembangkan mengintegrasikan model deteksi objek YOLOv11 dengan metode klasifikasi warna menggunakan OpenCV berbasis ruang warna HSV. Dataset yang digunakan merupakan data primer yang dikumpulkan secara mandiri melalui pengambilan citra objek berwarna pink, hijau, dan kuning dengan variasi kondisi pencahayaan, jarak, dan sudut pengambilan. Tahapan penelitian meliputi pengumpulan data, preprocessing citra, pelatihan model, integrasi sistem ke aplikasi Android, serta evaluasi performa. Hasil pengujian menunjukkan bahwa sistem mampu mendeteksi dan mengklasifikasikan warna secara real-time dengan tingkat akurasi rata-rata sebesar 92% dan waktu respons di bawah 0,5 detik per frame. Implementasi pada aplikasi Android menunjukkan performa yang stabil pada kondisi pencahayaan normal dan latar belakang yang bervariasi. Dengan demikian, penelitian ini membuktikan bahwa pemanfaatan teknologi deep learning dan pengolahan citra digital dapat memberikan solusi praktis dan efektif dalam meningkatkan aksesibilitas bagi penderita buta warna serta berpotensi dikembangkan lebih lanjut pada skala penggunaan yang lebih luas.

Downloads

Download data is not yet available.

References

Afrialdy, F., Setya Perdana, R., Dewi, C., & Korespondensi, P. (2025). DETEKSI OBJEK PADA FRAMEWORK YOLOV5 DENGAN PENANGANAN KESILAUAN CAHAYA MENGGUNAKAN GABUNGAN ARSITEKTUR U-NET DAN INPAINT OBJECT DETECTION IN YOLOV5 FRAMEWORK WITH LIGHT GLARE HANDLING USING COMBINED U-NET ARCHITECTURE AND INPAINT. 11(3), 601–608.

Ahmed, G. J., Khorsheed, F. H., & Zaidan, F. K. (2025). Designing an Assistive Tool for Visually Impaired People Based on Object Detection Technique. Dalam Network, and Computer Science) | (Vol. 8, Nomor 2).

Apriliyanti, R., Kurniadi, D., Novaliendry, D., Rahmadika, S., & Farhan, M. (2025a). Real-Time Color Classification of Objects with an Improved MobileNetV2 CNN Model. Jurnal Teknologi Informasi dan Pendidikan, 18(2), 899–914. https://doi.org/10.24036/jtip.v18i2.969

Apriliyanti, R., Kurniadi, D., Novaliendry, D., Rahmadika, S., & Farhan, M. (2025b). Real-Time Color Classification of Objects with an Improved MobileNetV2 CNN Model. Jurnal Teknologi Informasi dan Pendidikan, 18(2), 899–914. https://doi.org/10.24036/jtip.v18i2.969

Illa Aryeni1*, H. M. M. H. T. M. J. W. W. and I. G. (2023). Application of Computer Vision for Real-Time Detection of Fruit Color and Size in Fruit Sorter. JOURNAL OF APPLIED ELECTRICAL ENGINEERING, 7(2), 61–66.

Islam, R. Bin, Akhter, S., Iqbal, F., Saif Ur Rahman, M., & Khan, R. (2023). Deep learning based object detection and surrounding environment description for visually impaired people. Heliyon, 9(6). https://doi.org/10.1016/j.heliyon.2023.e16924

Kurniawan, N. A., & Sari, C. A. (2025). Automatic License Plate Detection System with YOLOv11 Algorithm. Dalam Journal of Applied Informatics and Computing (JAIC) (Vol. 9, Nomor 6). http://jurnal.polibatam.ac.id/index.php/JAIC

Li, T., Zhang, X., Huang, Y., & Yang, C. (2025). Lightweight CNN-Based Visual Perception Method for Assessing Local Environment Complexity of Unmanned Surface Vehicle. Sensors, 25(3). https://doi.org/10.3390/s25030980

Litoriya, R., Bandhu, K. C., Gupta, S., Rajawat, I., Jagwani, H., & Yadav, C. (2024). Implementing Visual Assistant Using Yolo and SSD for Visually-Impaired Persons. Journal of Automation, Mobile Robotics and Intelligent Systems, 17(4), 79–87. https://doi.org/10.14313/jamris/4-2023/33

Liu, Y., Xue, J., Li, D., Zhang, W., Chiew, T. K., & Xu, Z. (2024). Image recognition based on lightweight convolutional neural network: Recent advances. Dalam Image and Vision Computing (Vol. 146). Elsevier Ltd. https://doi.org/10.1016/j.imavis.2024.105037

Omong, D., Dwisnanto Putro, M., & Litouw, J. I. (2025). Design of Object Detection System Using Deep Learning in Laboratory Room Perancangan Sistem Deteksi Objek Menggunakan Yolov5 Pada Ruangan Laboratorium. Jurnal Teknik Elektro dan Komputer, 14(1), 1–8.

Reddy, S., Pillay, N., & Singh, N. (2024). Comparative Evaluation of Convolutional Neural Network Object Detection Algorithms for Vehicle Detection. Journal of Imaging, 10(7). https://doi.org/10.3390/jimaging10070162

Song, P. (2025). Object Detection Based on HSV in OpenCV. https://doi.org/10.54254/2755-2721/121/2025.19740

Yuhandri, Yanto, M., & Novri, E. N. (2023). Application of Object Mask Detection Using the Convolution Neural Network (CNN). Jurnal RESTI, 7(4), 922–929. https://doi.org/10.29207/resti.v7i4.5059

Zhao, X., Wang, L., Zhang, Y., Han, X., Deveci, M., & Parmar, M. (2024). A review of convolutional neural networks in computer vision. Artificial Intelligence Review, 57(4). https://doi.org/10.1007/s10462-024-10721-6

(Ahmed dkk., 2025; Apriliyanti dkk., 2025b; Islam dkk., 2023; Litoriya dkk., 2024; Song, 2025)