<![CDATA[ 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]]>
