IMPLEMENTASI BACKEND DAN MACHINE LEARNING UNTUK ANALISIS KADAR LOGAM Fe DAN Cu BERBASIS CITRA DIGITAL PADA APLIKASI TUTOR AI TITRASI FARMASI
Abstract
ABSTRAK
Digitalisasi praktikum kimia farmasi, khususnya dalam analisis kuantitatif kadar logam, merupakan langkah krusial untuk mengatasi keterbatasan instrumen laboratorium yang mahal dan meminimalisir subjektivitas pengamatan visual manusia pada metode konvensional. Analisis logam Besi (Fe) dan Tembaga (Cu) secara konvensional dilakukan menggunakan instrumen seperti Atomic Absorption Spectrometry (AAS) dan ICP-MS yang memiliki biaya operasional tinggi dan aksesibilitas terbatas untuk praktikum rutin mahasiswa. Penelitian ini memaparkan perancangan dan implementasi sistem backend yang terintegrasi dengan pemodelan machine learning untuk menganalisis konsentrasi logam Fe dan Cu berbasis Digital Image Colorimetry (DIC) pada aplikasi Tutor AI Titrasi Farmasi. Arsitektur sistem dibangun menggunakan pendekatan two-layer backend, di mana Node.js difungsikan sebagai API Gateway untuk mengelola alur data dan autentikasi, sementara FastAPI difungsikan sebagai layanan mikro (microservice) khusus untuk komputasi inferensi. Algoritma Random Forest Regressor diimplementasikan sebagai model prediksi utama dengan parameter n_estimators sebesar 350. Berdasarkan karakteristik kimia visual, sistem mengekstraksi 9 fitur kombinasi dari ruang warna RGB untuk analisis sampel Fe, serta menggunakan fitur murni ruang warna HSV (H, S, V) untuk menangani fluktuasi pencahayaan pada sampel Cu. Evaluasi performa model menggunakan metrik Mean Absolute Error (MAE) dan koefisien determinasi (R²) menunjukkan bahwa model Fe mencapai MAE sebesar 1,5991 dengan R² sebesar 0,9934, sedangkan model Cu menghasilkan MAE sebesar 7,7795 dengan R² sebesar 0,7831. Seluruh fungsionalitas sistem telah tervalidasi melalui pengujian Black Box menggunakan Postman, mencakup autentikasi JWT, unggah citra, inferensi prediksi, dan penyimpanan riwayat pengujian ke basis data MySQL.
Keywords—Machine Learning, Pengolahan Citra Digital, Analisis Logam, Backend, Random Forest, Tutor AI
Full Text:
PDFReferences
M. Arjomandi and H. Shirkhanloo, "A Review: Analytical methods for heavy metals determination in environment and human samples," Analytical Methods in Environmental Chemistry Journal, vol. 2, no. 3, pp. 97–126, 2019.
L. Ciaccheri, B. Adinolfi, A. A. Mencaglia, and A. G. Mignani, "Smartphone-enabled colorimetry," Sensors, vol. 23, no. 12, p. 5559,
S. Russell and P. Norvig, Artificial Intelligence: A Modern Approach, 4th ed. Pearson, 2021.
Journal of Machine Learning Research, "Journal of Machine Learning Research," 2025. [Online]. Available: https://www.jmlr.org/
V. M. Herrera, T. M. Khoshgoftaar, F. Villanustre, and B. Furht, "Random forest implementation and optimization for Big Data analytics on LexisNexis’s high performance computing cluster platform," Journal of Big Data, vol. 6, art. 68, 2019.
scikit-learn developers, "scikit-learn: Machine learning in Python," 2025. [Online]. Available: https://scikit-learn.org/stable/
R. C. Gonzalez and R. E. Woods, Digital Image Processing, 4th ed. Pearson, 2020.
V. Markus, A. A. Paul, R. S. Marks, and J. Caleb, "Smartphone Digital Image Colorimetry: An Affordable Easy-To-Use Technique," Analytical Letters, 2025.
M. S. Khrisat, H. G. Zaini, and Z. A. Alqadi, "Simple, flexible method to extract digital image features," IIETA, 2021.
GeeksforGeeks, "Difference between RGB, CMYK, HSV, and YIQ color models," GeeksforGeeks, 2025. [Online]. Available: https://www.geeksforgeeks.org/
difference-between-rgb-cmyk-hsv-and-yiq-color-models/
M. A. Amrozi, D. S. W. Figo, and R. Wahyusari, "Perbandingan segmentasi ruang warna HSV dan YCbCr untuk deteksi objek," Infomatek, vol. 26, no. 2, 2024.
OpenJS Foundation, "Node.js documentation,"2025. [Online].Available: https://nodejs.org/
Express.js contributors, "Express – Node.js web application framework," 2025. [Online]. Available: https://expressjs.com/
FastAPI Developers, "FastAPI: High-performance Python web framework for building APIs," 2025. [Online]. Available: https://fastapi.tiangolo.com/
D. Pepadun, "Representational State Transfer (REST) sebagai arsitektur layanan web berbasis HTTP," Jurnal Pepadun, vol. 2, no. 1,pp. 81–89, 2021.
A. M. N. Riady, P. Paniran, and I. B. Suksmadana, "Perancangan backend API berbasis REST-API pada aplikasi rekomendasi resep makanan," Mars: Jurnal Teknik Mesin, Industri, Elektro dan Ilmu Komputer, vol. 2, no. 3, pp. 94–106, 2024.
R. Allafi and A. A. D. Darem, "Usability and security in online authentication systems," International Journal of Advanced and Applied Sciences, vol. 12, no. 6, pp. 1–12, 2025.
M. R. Wayahdi and F. Ruziq, "Pemodelan sistem penerimaan anggota baru dengan Unified Modeling Language (UML)," Jurnal Minfo Polgan, vol. 12, no. 1, pp. 1514–1521, 2023.
D. T. W. Ying et al., "Comparative analysis of SQL and NoSQL databases: Data models, use cases, and performance insights," Information Research Communications, vol. 2, no. 1, pp. 47–70,
D. Murdiani and M. Sobirin, "Perbandingan metodologi Waterfall dan RAD dalam pengembangan sistem informasi," Jurnal Informatika Teknologi dan Sains (JINTEKS), 2023.
N. Mahrozi and M. A. Yaqin, "Pengujian Aplikasi dengan Metode Blackbox Testing: Analisis Boundary Value dan Equivalence Partitioning," Scientica: Jurnal Ilmiah Sains dan Teknologi, 2024
DOI: http://dx.doi.org/10.51530/jutekin.v14i1.1208
Refbacks
- There are currently no refbacks.
Copyright (c) 2026 akik hidayat, Azmi Iftinah
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.