Perpustakaan Universitas Padjajaran
Pencarian Spesifik

Detail Cantuman

No image available for this title

Text  

4768- Pengembangan Metode Analisis Logam Tembaga (Cu) Dalam Air Menggunakan Pigmen Betalain Berbasis Digital Image Colorimetry dan Machine Learning (Fadia Fatiha; Prof. Mutakin, M.Si., Ph.D; Dr. Rimadani Pratiwi, M.Si; Dr. Intan Nurma Yulita, S.T., M.T.)

Pigmen betalain memiliki potensi sebagai indikator kolorimetri untuk menganalisis konsentrasi logam tembaga (Cu) dalam air. Kemampuan ini didasarkan ...

  • CodeCallNoLokasiKetersediaan
    FFUP202601694768Tersedia
  • Perpustakaan
    Fakultas Farmasi
    Judul Seri
    -
    No. Panggil
    4768
    Penerbit Fakultas Farmasi Universitas Padjadjaran : Jatinangor.,
    Deskripsi Fisik
    -
    Bahasa
    Indonesia
    ISBN/ISSN
    -
    Klasifikasi
    4768
    Tipe Isi
    -
    Tipe Media
    -
    Tipe Pembawa
    -
    Edisi
    -
    Subyek
    -
    Info Detil Spesifik
    -
    Pernyataan Tanggungjawab
  • Pigmen betalain memiliki potensi sebagai indikator kolorimetri untuk menganalisis konsentrasi logam tembaga (Cu) dalam air. Kemampuan ini didasarkan pada pembentukan kompleks Cu-Betalain dengan rasio 2:1, di mana peningkatan konsentrasi logam Cu akan menghasilkan perubahan respons warna dari pink keunguan menjadi kuning terang. Perubahan warna ini dimanfaatkan untuk pengembangan metode analisis digital image colorimetry yang diintegrasikan dengan machine learning, sehingga dihasilkan metode yang lebih praktis, real time, dan mudah diakses pada kondisi dengan fasilitas laboratorium yang terbatas. Penelitian ini mengeksplorasi penentuan kondisi pengambilan citra larutan, yang meliputi kotak fotografi, sumber pencahayaan, dan jumlah pigmen betalain. Citra larutan campuran logam Cu dan betalain diambil dalam kotak fotografi berukuran 25 x 18 x 9 cm dengan putih sebagai warna interior dan warna putih pada layar smartphone diletakan di belakang larutan sebagai sumber pencahayaan. Data warna RGB dari citra larutan digunakan dalam pemodelan machine learning dengan algoritma random forest regression. Optimasi parameter terbaik menggunakan GridSearchCV meliputi n_estimators pada 100, max_depth pada ‘none’, min_sample_split pada 2, min_sample_leaf pada 1. Hasil evaluasi model prediksi yang sudah dilatih menunjukkan performa yang baik dengan nilai R2 sebesar 0,9924, MAE 0,0441 dan RMSE 0,0738. Sebagai evaluasi akhir, dilakukan analisis statistik menggunakan Paired Wilcoxon Signed Rank. Hasil uji menunjukkan bahwa konsentrasi logam Cu sampel spike hasil analisis DIC machine learning tidak berbeda signifikan (p = 0,173) dengan metode ICP-OES. Namun, terdapat perbedaan signifikan pada sampel non-spike (p = 0,008) akibat keterbatasan sensitivitas pada metode DIC machine learning.
    Kata kunci: Betalain, Kolorimetri, Tembaga, Gambar Digital, Machine Learning

  • Tidak tersedia versi lain

  • Silakan login dahulu untuk melihat atau memberi komentar.


//

Informasi