<![CDATA[Kesehatan adalah keadaan sejahtera secara fisik, mental, dan sosial yang memungkinkan setiap individu dapat menjalani kehidupan secara produktif. Di antara berbagai dimensi kesehatan, kesehatan fisik menjadi aspek yang paling fundamental karena berperan penting dalam menjaga kualitas hidup manusia. Salah satu indikator utama dari kesehatan fisik adalah fungsi jantung, yang memiliki peran vital dalam mendukung aktivitas dan kinerja tubuh. Gangguan pada fungsi jantung tidak hanya berdampak pada kondisi fisik, tetapi juga dapat memengaruhi kesejahteraan mental dan sosial individu sehingga menyebabkan gagal jantung. Untuk mendeteksi gagal jantung secara dini, diperlukan penelitian dalam penerapan algoritma Machine Learning sebagai metode analisis yang dapat mendukung ketepatan serta efisiensi dalam proses diagnosis. Instrumen yang digunakan dalam algoritma Machine Learning adalah SHAP dan LIME, dengan memanfaatkan dataset medis pasien penderita gagal jantung sebagai objek analisis. Hasil penelitian ini bahwa algoritma random forest merupakan algoritma terbaik dalam memprediksi resikok gagal jantung. Hasil accuracy dari algoritma random forest menunjukkan nilai sebesar 0.8334 secara keseluruhan diikuti dengan nilai rata-rata precission sebesar 0,8125, nilai rata-rata recall sebesar 0,793, nilai rata-rata f1-scorenya sebesar 0,8015 dan nilai UACnya sebesar 0.90. Berdasarkan hasil klasifikasi selanjutnya dilakukan interpretability metode SHAP dan LIME. Hasil metode SHAP memberikan gambaran mendalam mengenai pengaruh variabel utama seperti time, serum creatinine, ejection fraction, dan age terhadap risiko gagal jantung. Hasil metode LIME memberikan hasil secara lokal yang artinya dalam kasus ini, metode LIME menyoroti serum creatinine sebagai variabel utama yang meningkatkan prediksi kematian.]]>
Copyrights © 2025
