![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
Dokumen Asli
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Artificial Intelligence (AI) telah menjadi krusial dalam berbagai aspek kehidupan
manusia seperti perbankan dan bidang medis. Meskipun AI mampu melakukan
prediksi berdasarkan data, terdapat masalah transparansi, keadilan, dan potensi bias
dalam hasil prediksi. Untuk mengatasi ini, dikembangkan metode eXplainable AI
(XAI) yang memberikan penjelasan terhadap hasil prediksi model AI. Contoh
aplikasinya adalah dalam prediksi penyakit jantung koroner, yang merupakan
penyebab utama kematian global. Oleh karena itu, akan dibuat sebuah model AI
yang dapat memprediksi apakah seseorang akan terkena penyakit jantung koroner
atau tidak. Hasil prediksi juga akan dilengkapi dengan penjelasan oleh XAI serta
adanya rekomendasi tindakan berdasarkan pengetahuan dari ahli.
Model yang digunakan adalah random forest dengan tingkat akurasi sekitar 93%.
Setelah itu, diberikan penjelasan dari metode XAI yaitu LIME, SHAP, dan Anchor
yang dapat memberikan penjelasan lokal terhadap suatu instance data yang
diprediksi. Model dilatih dengan menggunakan data Framingham Heart Study yang
telah diproses sebelumnya sehingga memiliki kualitas yang lebih baik.
Hasil dari pengujian XAI yang telah dilakukan menunjukkan bahwa metode LIME
dapat memberikan hasil yang lebih sering dipilih oleh ahli. Sedangkan metode
SHAP kurang akurat dalam memberikan penjelasan dan metode Anchor
memberikan penjelasan yang terlalu umum karena menghasilkan semua fitur yang
dianggap sebagai jangkar. Sistem rekomendasi diimplementasi menggunakan
prinsip knowledge base system dengan menggunakan pengetahuan dari ahli terkait
kebiasaan yang perlu diadaptasi untuk setiap variabel. Ketika pengguna diprediksi
terkena penyakit jantung koroner, rekomendasi akan diberikan sesuai dengan
variabel yang mendukung prediksi dari model AI.