<![CDATA[Artificial Intelligence (AI) semakin banyak diterapkan dalam bidang kesehatan melalui model Machine Learning (ML) dan Deep Learning (DL). Namun, kompleksitas model modern yang bersifat black-box menimbulkan kebutuhan akan metode interpretasi yang transparan. Explainable AI (XAI) hadir untuk menjembatani hal tersebut, dengan memberikan pemahaman yang lebih baik terhadap kinerja model. Penelitian ini mengimplementasikan metode Local Interpretable Model-agnostic Explanations (LIME) untuk memvisualisasikan hasil klasifikasi model DL berbasis arsitektur ResNet18 terhadap citra Chest X-ray (CXR) pada tiga kelas: normal, COVID-19, dan pneumonia. Model mencapai precision, recall, dan F1-score rata-rata sebesar 97%, serta Accuracy sebesar 98%. Visualisasi LIME menunjukkan area citra yang berkontribusi signifikan terhadap klasifikasi, serta mampu membedakan ketiga kelas dengan baik. Hasil ini mendukung penggunaan XAI untuk meningkatkan interpretabilitas model DL dalam diagnosis medis.]]>
Copyrights © 2025
