<![CDATA[Fokus utama penelitian ini adalah rancang bangun sistem prediksi penyakit kardiovaskular dengan mengimplementasikan algoritma Random Forest. Guna mengatasi masalah "kotak hitam" pada kecerdasan buatan, studi ini mengintegrasikan pendekatan Explainable Artificial Intelligence (XAI) melalui metode SHAP (SHapley Additive exPlanations) untuk memperkuat aspek transparansi model. Analisis dilakukan menggunakan data sekunder dari Heart Disease UCI Dataset, yang mencakup variabel klinis esensial seperti usia, gender, tekanan darah, hingga kadar kolesterol. Siklus riset dimulai dari tahap pra-pemrosesan data, distribusi data latih dan uji, hingga fase konstruksi model. Evaluasi efektivitas sistem diukur menggunakan metrik akurasi, precision, recall, dan F1-score. Temuan empiris menunjukkan bahwa model mampu menghasilkan tingkat akurasi sebesar 83%, dengan kapabilitas klasifikasi yang stabil baik pada pasien positif maupun negatif penyakit jantung. Lebih lanjut, penerapan SHAP mengungkap bahwa variabel oldpeak, thalach, dan ca menjadi determinan paling krusial dalam pembentukan prediksi. Menariknya, fitur seperti kolesterol tidak selalu memberikan dampak linier langsung, melainkan bekerja melalui interaksi kompleks dengan atribut lainnya. Secara keseluruhan, integrasi XAI dalam studi ini terbukti meningkatkan interpretabilitas model machine learning. Hal ini diharapkan dapat memberikan landasan klinis yang lebih kuat bagi tenaga medis dalam proses pengambilan keputusan serta mempertebal kepercayaan terhadap sistem diagnostik berbasis AI.]]>
Copyrights © 2026
