Machine Learning-Based Quantitative Prediction of Pb2+ Concentration from Silver Nanoparticle Colorimetric Images

Abstract

Colorimetric sensing based on silver nanoparticles (AgNP) provides a simple and low-cost method for detecting heavy metal ions through aggregation-induced color changes. However, quantitative analysis commonly requires expensive spectrophotometers, limiting field applications. This study presents a machine learning framework for predicting Pb2+ concentration from AgNP colorimetric images using the device-independent CIELAB color space. Images were processed to extract L*, a*, and b* color features across a concentration range of 0–50 μM. A K-Nearest Neighbors (KNN) regressor, optimized with distance-based weighting and validated using 5-fold cross-validation, was employed for quantitative prediction. Model performance was evaluated using the coefficient of determination (R2), mean absolute error (MAE), and root mean square error (RMSE). The optimized model achieved excellent predictive accuracy with an R2 of 0.9863, MAE of 0.8073, and RMSE of 1.9797 μM. Integrated into a graphical user interface, the proposed framework demonstrates the potential of combining AgNP-based colorimetric sensing with machine learning to provide rapid, portable, and cost-effective environmental monitoring of Pb2+ contamination.

ABSTRAK

Sensor kolorimetri berbasis nanopartikel perak (AgNP) merupakan metode sederhana dan berbiaya rendah untuk mendeteksi ion logam berat melalui perubahan warna akibat agregasi nanopartikel. Namun, analisis kuantitatif umumnya masih bergantung pada spektrofotometer yang mahal sehingga kurang sesuai untuk aplikasi lapangan. Penelitian ini mengusulkan kerangka kerja berbasis machine learning untuk memprediksi konsentrasi Pb2+ dari citra kolorimetri AgNP menggunakan ruang warna CIELAB yang bersifat independen terhadap perangkat. Citra diproses untuk mengekstraksi fitur warna L*, a*, dan b* pada rentang konsentrasi 0–50 μM. Algoritma K-Nearest Neighbors (KNN) Regressor yang dioptimalkan dengan pembobotan berbasis jarak serta divalidasi menggunakan 5-fold cross-validation digunakan untuk melakukan prediksi kuantitatif. Kinerja model dievaluasi menggunakan koefisien determinasi (R2), mean absolute error (MAE), dan root mean square error (RMSE). Model terbaik menunjukkan akurasi prediksi yang sangat tinggi dengan nilai R2 sebesar 0,9863, MAE sebesar 0,8073 dan RMSE sebesar 1,9797 μM. Kerangka kerja yang terintegrasi dalam antarmuka pengguna grafis ini berpotensi menjadi solusi pemantauan pencemaran Pb2+ yang cepat, portabel, dan ekonomis.