<![CDATA[Gangguan kardiovaskular secara konsisten menempati peringkat teratas sebagai penyebab mortalitas di seluruh dunia, sehingga menuntut adanya inovasi dalam instrumen diagnosis dini yang akurat. Meskipun model Machine Learning (ML) seperti Random Forest menawarkan tingkat akurasi yang tinggi, implementasinya di ranah medis sering kali terhambat oleh karakteristik "kotak hitam" (black box) yang sulit dipahami oleh tenaga kesehatan. Penelitian ini bertujuan untuk merancang model prediksi penyakit jantung yang tidak hanya presisi, tetapi juga transparan melalui pendekatan Explainable AI (XAI). Metodologi yang diterapkan adalah eksperimen komputasi menggunakan dataset Heart Disease UCI, dengan algoritma Random Forest sebagai pengklasifikasi dan metode SHAP (SHapley Additive exPlanations) sebagai instrumen interpretasi. Rangkaian penelitian mencakup pra-pemrosesan data, partisi data latih dan uji dengan rasio 80:20, pelatihan model, serta analisis fitur mendalam. Hasil eksperimen menunjukkan bahwa model mencapai akurasi 84%. Analisis SHAP berhasil mengungkap fitur klinis yang paling dominan, yakni ca (jumlah pembuluh darah utama), cp (tipe nyeri dada), dan thalach (detak jantung maksimal). Visualisasi yang dihasilkan secara transparan menjelaskan bagaimana nilai variabel tersebut berkontribusi terhadap prediksi risiko. Disimpulkan bahwa integrasi SHAP mampu mentransformasi model prediktif menjadi sistem pendukung keputusan klinis yang dapat diandalkan, menjembatani kesenjangan antara performa algoritma dan kebutuhan interpretabilitas medis.]]>
