ColonyAI
Product Owner & AI Engineer
Gambaran Umum
Sistem Penghitung Koloni Bakteri Otomatis berbasis AI untuk laboratorium mikrobiologi. Model YOLOv8 yang di-fine-tune mencapai 94.1% mAP@0.5, 94.7% presisi, dan 92.5% recall dari 56.124 anotasi bounding box. Mengubah gambar piring agar menjadi laporan CFU/ml terstandar dalam waktu kurang dari 2 menit — mengurangi variabilitas antar-analisis hingga 92.5%. Dilengkapi CLAHE preprocessing, deteksi pelat Hough Circle, estimasi koloni SA-001, ketidakpastian pengukuran GUM, jejak audit SHA-256 untuk kepatuhan ISO 17025, serta pelaporan PDF/CSV sesuai BPOM & SNI. Dibangun dengan FastAPI, Next.js 14, PostgreSQL, dan di-deploy pada Railway dengan CI/CD pipeline.
Masalah
Laboratorium mikrobiologi menghadapi hambatan kritis: penghitungan koloni bakteri pada piring agar dilakukan secara manual oleh analis. Proses ini sangat memakan waktu dan menderita variabilitas antar-analis yang tinggi — koefisien variasi berkisar antara 22,7% hingga 80% tergantung kompleksitas piring. Inkonsistensi ini menyebabkan perhitungan CFU/ml yang tidak dapat diandalkan, kontrol kualitas yang terganggu, dan potensi risiko keamanan pangan. Solusi otomatis tradisional terlalu mahal atau tidak memiliki akurasi yang diperlukan untuk kepatuhan terhadap standar ISO 17025.
Solusi
ColonyAI adalah sistem otomatis bertenaga deep learning yang mengintegrasikan pipeline computer vision dengan dashboard web yang aman. Sistem ini menggunakan jaringan saraf YOLOv8 yang dioptimalkan untuk mendeteksi dan mengklasifikasikan objek ke dalam 5 kelas berbeda (colony_single, colony_merged, bubble, dust_debris, media_crack). Preprocessing dipercepat menggunakan Contrast Limited Adaptive Histogram Equalization (CLAHE) dan Hough Circle Transform untuk mengisolasi area piring agar secara otomatis. Sistem mencapai 94,1% mAP@0.5, 94,7% presisi, dan 92,5% recall dari 56.124 anotasi bounding box, mengurangi variabilitas antar-analis hingga 92,5%.
Fitur Unggulan
Pipeline Computer Vision
Jaringan saraf YOLOv8s yang dioptimalkan untuk deteksi 5 kelas (colony_single, colony_merged, bubble, dust_debris, media_crack). Preprocessing menggunakan CLAHE untuk peningkatan kontras dan Hough Circle Transform untuk lokalisasi piring agar otomatis.
Sistem Penolakan Artefak
Membedakan koloni biologis yang valid dari noise non-biologis (gelembung udara, partikel debu, retakan media) dengan presisi penolakan artefak lebih dari 90%, mencegah positif palsu dalam jumlah koloni akhir.
Perhitungan CFU/ml Ilmiah
Secara otomatis menghitung Colony Forming Units per mililiter berdasarkan faktor pengenceran dan volume yang dioleskan. Termasuk estimasi koloni SA-001 berbasis area untuk koloni yang tumpang tindih dan ketidakpastian pengukuran yang diperluas (k=2) sesuai ISO/IEC Guide 98-3 (GUM).
Jejak Audit Kriptografi
Pencatatan database anti-rusak sesuai ISO 17025 menggunakan SHA-256 cryptographic hash chaining. Modifikasi tidak sah pada log masa lalu secara otomatis membatalkan rantai berikutnya, membuat manipulasi data terdeteksi.
Keamanan Kelas Enterprise
Arsitektur Zero-Trust dengan hashing password Argon2, JWT dengan blacklist berbasis JTI untuk pencabutan sesi instan, verifikasi magic-bytes untuk mencegah spoofing MIME-type, stripping metadata EXIF otomatis untuk privasi GPS, dan pemindaian malware ClamAV terintegrasi.
Tata Kelola Multi-Peran
Kontrol Akses Berbasis Peran (RBAC) 4 tingkat — Admin, Manajer, Analis, dan Auditor — yang menegakkan pemisahan tugas yang ketat dalam alur kerja laboratorium.
Arsitektur
Frontend: Next.js 14 (App Router) dengan TypeScript, Tailwind CSS, dan state management Zustand. Backend: Python FastAPI dengan validasi Pydantic v2 dan ORM SQLAlchemy 2.0 Async. AI/ML: Model YOLOv8s via PyTorch dan OpenCV. Database: PostgreSQL 15 (ACID-compliant). Infrastruktur: Kontainer Docker di-deploy di Railway (backend) dan Vercel (frontend) dengan AWS S3 (AES-256 encrypted) untuk penyimpanan gambar.
Cara Penggunaan
Unggah gambar piring agar melalui dashboard web (colonyai-eta.vercel.app). Sistem secara otomatis memproses gambar melalui preprocessing CLAHE, mendeteksi batas piring agar menggunakan Hough Circle Transform, menjalankan mesin inferensi YOLOv8, dan menghasilkan laporan CFU/ml terstandar dalam waktu kurang dari 2 menit. Pengguna dapat meninjau koloni yang terdeteksi, menerima atau menolak klasifikasi otomatis, dan mengekspor hasil sebagai PDF (sesuai BPOM/SNI) atau CSV. Sistem mendukung pemrosesan batch untuk beberapa piring secara simultan.
Dampak & Hasil
Mentransformasi alur kerja laboratorium mikrobiologi dengan mengurangi waktu penghitungan koloni dari 15-30 menit per piring menjadi kurang dari 2 menit — pengurangan waktu analisis 90%+. Variabilitas antar-analis turun dari 22,7-80% CV menjadi konsistensi hampir nol. Algoritma estimasi koloni SA-001 berbasis area secara akurat menangani koloni yang tumpang tindih yang akan menyulitkan metode thresholding tradisional. Jejak audit SHA-256 cryptographic hash chaining memastikan kepatuhan ISO 17025 dengan pencatatan yang anti-rusak. Presisi penolakan artefak melebihi 90%, mencegah positif palsu dari gelembung, debu, dan retakan media. Sistem secara resmi disubmisikan ke AI Open Innovation Challenge 2026 oleh Tim President University.