Dokumen Asli
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Deep Learning menunjukkan kinerja yang luar biasa dalam analisis citra medis,
seperti segmentasi objek dan diagnosis berbasis komputer. Namun, model deep
learning sering dianggap sebagai "black box" karena proses pengambilan
keputusannya yang kompleks dan kurang transparan. Explainable Artificial
Intelligence (XAI) hadir untuk menjelaskan prediksi model, sehingga
meningkatkan pemahaman dan kepercayaan terhadap hasilnya. Kerangka kerja
AUCMEDI membantu menyederhanakan analisis citra medis dengan deep learning
dan menstandarisasi evaluasi model dengan melibatkan XAI. Namun, AUCMEDI
masih terbatas dalam mendukung penambahan metode XAI berbasis posthoc yang
baru. Untuk itu dilakukan proses modifikasi fungsionalitas XAI pada kerangka
kerja AUCMEDI sehingga mampu dengan fleksibel memfasilitasi penambahan
metode XAI berbasis posthoc dengan indikasi seperti tidak banyak perubahan
komponen internal saat melakukan integrasi metode XAI berbasis posthoc dan
kebebasan pengguna dalam melakukan konfigurasi metode XAI. Proses modifikasi
menggunakan pendekatan rekayasa domain dan pengembangan kerangka kerja
berbasis hot spot dengan menerapkan pola desain strategi dan prinsip desain
Separation of Concerns (SoC). Modifikasi berhasil dilakukan dan diuji
menggunakan unit testing serta coverage test dan menghasilkan nilai coverage
sebesar 90 persen dari 700 baris kode fungsionalitas XAI. Selain itu perubahan
komponen saat melakukan integrasi metode XAI berbasis posthoc lain jauh lebih
sedikit jika dibandingkan pada saat sebelum proses modifikasi.