CIELAB dan bahasa pengukuran warna internasional
Warna biasanya menjadi hal pertama yang dilihat manusia ketika menilai sebuah objek. Kita dapat mengatakan sebuah benda lebih terang, lebih gelap, lebih merah, lebih hijau, lebih kuning, atau lebih kebiruan. Masalahnya muncul ketika pengamatan tersebut harus dicatat sebagai data yang dapat dibandingkan dari satu pengukuran ke pengukuran berikutnya.
Di sinilah CIELAB menjadi penting. CIE 1976 L*a*b* merupakan ruang warna yang digunakan untuk menyatakan warna melalui tiga koordinat utama, yaitu L*, a*, dan b*. Sistem ini telah menjadi bagian dari standar pengukuran warna internasional dan digunakan sebagai salah satu pendekatan untuk membandingkan perbedaan warna secara numerik.
Karena itu, CIELAB bukan sekadar istilah dalam dunia desain atau grafis. Konsep yang sama digunakan dalam berbagai kegiatan penelitian, industri, pengendalian mutu, dan pengolahan citra yang membutuhkan cara terstruktur untuk menyatakan warna.
Mengapa CIELAB digunakan di berbagai negara?
Dalam perdagangan dan manufaktur internasional, sebuah warna tidak cukup hanya disebut dengan nama seperti putih, merah, kuning, atau cokelat. Nama warna dapat ditafsirkan berbeda oleh orang yang berbeda. Industri membutuhkan bahasa yang lebih terukur.
CIELAB membantu menyediakan kerangka tersebut. Nilai L* digunakan untuk menggambarkan lightness, sedangkan a* dan b* mewakili dua arah kromatik. Dengan koordinat ini, dua sampel dapat dibandingkan berdasarkan posisi warnanya dalam ruang warna, bukan hanya berdasarkan kesan visual.
Pendekatan tersebut relevan ketika produk dibuat di lokasi berbeda tetapi harus memiliki karakteristik warna yang konsisten. Hal inilah yang membuat konsep CIELAB dapat digunakan lintas laboratorium, perusahaan, dan negara selama metode pengukuran, kondisi pencahayaan, instrumen, serta referensinya dikendalikan dengan baik.
Dari industri hingga penelitian
Pemanfaatan CIELAB dapat ditemukan dalam berbagai bidang yang berhubungan dengan kualitas warna. Dalam industri tekstil, misalnya, warna bahan dapat dibandingkan terhadap standar. Pada produk pangan, perubahan warna permukaan dapat dicatat sebagai salah satu karakteristik fisik. Dalam farmasi dan penelitian, analisis berbasis citra dapat digunakan untuk menghubungkan perubahan warna dengan proses pengendalian kualitas tertentu.
Literatur ilmiah juga menunjukkan perkembangan penggunaan analisis warna berbasis citra dan CIELAB dalam penelitian farmasi, termasuk untuk pengendalian kualitas dan konsistensi produk. Hal ini menunjukkan bahwa pengukuran warna tidak lagi terbatas pada pemeriksaan visual sederhana.
Apa sebenarnya arti L*, a*, dan b*?
L* menunjukkan lightness atau tingkat terang-gelap. Nilainya secara umum bergerak dari hitam menuju putih.
a* menunjukkan arah hijau–merah. Nilai yang bergerak ke arah positif menunjukkan kecenderungan menuju merah, sedangkan arah negatif menuju hijau.
b* menunjukkan arah biru–kuning. Nilai positif menunjukkan kecenderungan menuju kuning dan nilai negatif menuju biru.
Ketiga nilai tersebut dapat digunakan untuk menyimpan posisi warna sebagai data. Jika dilakukan pengukuran berulang, perubahan setiap komponen juga dapat dihitung.
Dari kamera RGB menuju CIELAB
Dalam sistem digital, kamera biasanya menghasilkan data berdasarkan kanal RGB. RGB sangat berguna untuk tampilan layar, tetapi tidak selalu menjadi representasi yang paling nyaman ketika tujuan utamanya adalah membandingkan karakteristik warna secara terstruktur.
Salah satu alur yang umum digunakan adalah mengubah RGB ke XYZ terlebih dahulu, kemudian dari XYZ ke CIELAB. Secara sederhana, prosesnya dapat ditulis:
RGB → XYZ → CIELAB
Dalam implementasi nyata, proses tersebut tidak boleh dipisahkan dari kondisi pencahayaan, white point, karakteristik kamera, dan prosedur kalibrasi. Penelitian berbasis citra menunjukkan bahwa pengaturan pencahayaan dan posisi kamera dapat menjadi bagian penting dari konsistensi pengukuran.
CIELAB dalam pengolahan citra digital
Perkembangan kamera digital dan computer vision membuat CIELAB semakin menarik untuk aplikasi berbasis gambar. Sebuah foto dapat diperlakukan bukan hanya sebagai gambar untuk dilihat, tetapi sebagai sumber data yang dapat diproses.
Area tertentu dapat dipilih sebagai region of interest atau ROI. Setelah itu sistem dapat menghitung rata-rata L*, a*, b*, distribusi warna, chroma, hue, dan perubahan terhadap baseline.
Dengan pendekatan tersebut, perubahan visual yang sebelumnya hanya dijelaskan dengan kalimat "warna terlihat berbeda" dapat memiliki representasi numerik.
Penggunaan pada dokumentasi luka
Dalam dokumentasi luka, pencitraan serial dapat membantu menyimpan kondisi visual dari waktu ke waktu. CIELAB dapat digunakan untuk menggambarkan karakteristik warna pada area yang telah ditentukan, selama prosedur pengambilan gambar dibuat konsisten.
Misalnya, pemeriksaan dapat dilakukan pada hari pertama, hari ketiga, hari kelima, dan hari ketujuh. Setiap sesi menyimpan foto, area ROI, kondisi pencahayaan, perangkat, serta nilai warna yang dihasilkan.
Namun, penting untuk membedakan antara pengukuran warna dan diagnosis medis. Nilai CIELAB tidak dapat berdiri sendiri untuk menyatakan seseorang mengalami infeksi, inflamasi, atau kondisi medis tertentu. Interpretasi tetap membutuhkan penilaian klinis dan metode pemeriksaan yang sesuai.
Pembacaan urine strip 15 parameter
Konsep yang sama dapat dikembangkan pada pembacaan urine strip dengan 15 reaction pads. Setiap pad memiliki respons warna yang dapat dibandingkan dengan referensi sesuai metode produk.
Dalam sistem digital, proses dapat disusun menjadi:
Strip → Identifikasi Pad → ROI → RGB → XYZ → CIELAB → Fitur → Perbandingan
Kelima belas pad kemudian dapat dipandang sebagai satu dataset. Masing-masing pad dapat memiliki fitur seperti L*, a*, b*, chroma, dan hue. Data tersebut dapat disimpan untuk analisis lebih lanjut, termasuk analisis statistik atau pengembangan machine learning apabila dataset dan label referensinya memadai.
Teknologi digital tetap harus divalidasi terhadap metode referensi. Angka yang dihasilkan komputer bukan otomatis berarti hasil tersebut benar secara klinis.
Pengukuran warna pada daging sapi dan ayam
CIELAB juga dapat digunakan untuk mendokumentasikan perubahan warna permukaan daging sapi dan ayam dalam penelitian atau pengawasan mutu yang terkendali. Warna daging dapat berubah karena berbagai faktor, termasuk oksidasi pigmen, suhu, penyimpanan, kondisi permukaan, dan lingkungan.
Pengukuran CIELAB dapat membantu membuat perubahan tersebut menjadi data numerik. Tetapi ada batas penting: warna daging saja tidak dapat membuktikan bahwa hewan dalam kondisi sakit sebelum disembelih dan tidak dapat menjadi satu-satunya dasar untuk menyatakan daging aman atau tidak aman secara mikrobiologis.
Jika diperlukan penilaian kondisi hewan sebelum penyembelihan, keamanan pangan, kontaminasi, atau kualitas daging secara menyeluruh, diperlukan pemeriksaan veteriner, laboratorium, pH, suhu, mikrobiologi, dan parameter lain sesuai tujuan pemeriksaan.
Mengapa kalibrasi sangat penting?
Dua foto dari objek yang sama dapat menghasilkan tampilan berbeda jika pencahayaan, kamera, jarak, white balance, atau pemrosesan internal kamera berubah. Karena itu, sistem CIELAB berbasis kamera membutuhkan prosedur yang jelas.
Kartu referensi warna dapat ditempatkan di dalam frame sebagai acuan. Data seperti perangkat, waktu pengambilan, jarak kamera, kondisi cahaya, referensi warna, ROI, dan metode pengolahan sebaiknya disimpan bersama hasil.
Tujuannya bukan mengubah kamera ponsel menjadi spektrofotometer. Tujuannya adalah mengurangi variasi pencitraan sehingga perbandingan antarwaktu atau antarsampel menjadi lebih dapat dipertanggungjawabkan.
ΔE: mengukur jarak antarwarna
Salah satu perhitungan yang sering dikenal dalam CIELAB adalah perbedaan warna. Untuk formulasi klasik CIE76, jarak Euclidean dapat ditulis sebagai:
ΔE*ab = √[(ΔL*)² + (Δa*)² + (Δb*)²]
Semakin besar jarak koordinat, semakin besar perbedaan warna secara matematis. Namun, nilai ΔE tetap harus dibaca sesuai metode dan tujuan pengukuran. Satu angka tidak dapat dijadikan batas diagnosis universal untuk semua objek.
CIELAB dan artificial intelligence
Ketika foto telah diubah menjadi data warna yang terstruktur, machine learning dan artificial intelligence dapat digunakan untuk mempelajari pola dari dataset. Misalnya, ribuan gambar yang telah diberi label dapat digunakan untuk membangun model klasifikasi atau prediksi tertentu.
Tetapi AI tidak menghilangkan kebutuhan terhadap kualitas data. Jika dataset hanya berasal dari satu kamera, satu kondisi cahaya, atau satu kelompok sampel, model dapat mengalami kesulitan ketika diterapkan pada kondisi yang berbeda.
Karena itu, CIELAB dan AI dapat dipandang sebagai dua lapisan yang saling melengkapi: CIELAB membantu menyediakan representasi warna yang terstruktur, sedangkan AI dapat mempelajari pola dari data tersebut.
Peluang pengembangan CIELAB di Indonesia
Indonesia memiliki ruang yang luas untuk mengembangkan teknologi pengukuran warna berbasis citra. Kamera semakin mudah diperoleh, komputasi semakin terjangkau, dan kebutuhan dokumentasi digital semakin besar.
Penerapan dapat diarahkan pada penelitian laboratorium, industri pangan, pengendalian mutu, dokumentasi klinis, pendidikan, hingga pengembangan perangkat lunak computer vision.
Yang paling penting bukan sekadar membuat aplikasi yang dapat mengubah RGB menjadi CIELAB. Sistem yang baik membutuhkan protokol pengambilan gambar, kalibrasi, definisi ROI, metode segmentasi, validasi, dataset, dan dokumentasi yang konsisten.
Ringkasan
CIELAB telah berkembang menjadi salah satu pendekatan pengukuran warna yang digunakan secara luas secara internasional dalam penelitian, industri, pengendalian mutu, dan pengolahan citra. Dengan L*, a*, dan b*, perbedaan warna dapat diubah menjadi data yang dapat dihitung, dibandingkan, dan disimpan.
Pemanfaatannya dapat ditemukan pada berbagai bidang, mulai dari manufaktur dan pangan hingga penelitian farmasi serta analisis citra digital. Dalam konteks kesehatan, CIELAB dapat membantu dokumentasi dan analisis visual, tetapi bukan pengganti diagnosis atau pemeriksaan klinis.
Di Indonesia, pendekatan ini membuka peluang untuk membangun sistem digital yang lebih terukur, termasuk pembacaan urine strip 15 parameter, dokumentasi luka, dan penelitian kualitas warna bahan pangan.
Pada akhirnya, kekuatan CIELAB terletak pada satu gagasan sederhana: warna yang sebelumnya hanya dilihat dapat diubah menjadi data yang dapat diukur, dibandingkan, dan ditinjau kembali.
Kesimpulan
CIELAB adalah bagian dari perkembangan color science internasional yang menjembatani persepsi visual dengan pengukuran numerik. Ketika dikombinasikan dengan kamera, kalibrasi, image processing, statistik, dan AI, ruang warna ini dapat menjadi fondasi berbagai sistem observasi digital.
Namun kualitas hasil tetap bergantung pada metode. Semakin serius tujuan pengukuran, semakin penting standar akuisisi, kalibrasi, validasi, dan pemeriksaan independen. Dengan pendekatan tersebut, CIELAB bukan hanya cara menyebut warna, tetapi sebuah kerangka untuk membuat perubahan warna lebih terukur.