<![CDATA[Penyakit jantung merupakan salah satu penyakit dengan risiko kematian tinggi sehingga deteksi dini menjadi aspek penting dalam bidang kesehatan. Machine learning dapat membantu klasifikasi penyakit jantung, tetapi model berperforma tinggi sering kali sulit ditafsirkan karena bersifat black box. Penelitian ini bertujuan mengevaluasi efektivitas metode Explainable AI (XAI), yaitu SHAP dan LIME, dalam menjelaskan model klasifikasi penyakit jantung melalui kerangka validasi multi-lapis, dengan terlebih dahulu membandingkan kinerja Random Forest dan XGBoost untuk memperoleh model klasifikasi terbaik sebagai objek yang dijelaskan. Penelitian menggunakan Dataset UCI Heart Disease Cleveland (303 sampel, 13 fitur prediktor, dan 1 target biner) melalui pipeline terintegrasi yang mencakup prapemrosesan data, penanganan ketidakseimbangan kelas menggunakan SMOTE, pelatihan model, evaluasi performa, implementasi XAI, serta validasi multi-lapis. XGBoost dipilih sebagai champion model dengan recall tertinggi sebesar 92,86%, meskipun Random Forest unggul pada accuracy dan AUC-ROC. SHAP menunjukkan stabilitas relatif lebih tinggi dibandingkan LIME dengan rata-rata Jaccard Index sebesar 0,7184, sedangkan LIME memperoleh 0,6103. Validasi semantik berbasis LLM menghasilkan rata-rata alignment score sebesar 3,05 dari 5, yang menunjukkan plausibilitas medis parsial dalam konteks penelitian. Validasi ahli domain menilai artefak XAI dapat dipahami dan dinilai relevan, tetapi belum siap digunakan secara klinis. Evaluasi model medis perlu mempertimbangkan performa, stabilitas penjelasan, plausibilitas medis, dan penilaian ahli domain secara berlapis.]]>
Copyrights © 2026
