Perpustakaan Digital ITB

Diabetes merupakan salah satu tantangan kesehatan terbesar di Indonesia dengan prevalensi yang terus meningkat. Meskipun aplikasi kesehatan berbasis artificial intelligence (AI) telah banyak dikembangkan untuk deteksi dini, sebagian besar masih bersifat "black box" yang tidak memberikan penjelasan atas hasil prediksinya. Metode explainable artificial intelligence (XAI) menawarkan solusi untuk masalah ini, namun penjelasannya sering kali terlalu teknis dan sulit dipahami oleh pengguna awam. Penelitian ini bertujuan untuk mengembangkan antarmuka front-end aplikasi mobile yang mampu menyajikan hasil analisis risiko diabetes dari XAI dalam format yang intuitif dan mudah dimengerti. Metodologi pengembangan yang digunakan adalah model Waterfall yang mencakup tahap analisis kebutuhan melalui survei pengguna, perancangan antarmuka, implementasi, dan evaluasi. Berdasarkan hasil survei preferensi pengguna, aplikasi ini mengimplementasikan dua jenis visualisasi utama, yaitu bar chart dan pie chart, untuk menyajikan kontribusi setiap faktor risiko. Visualisasi ini didukung oleh narasi tekstual yang dipersonalisasi yang dihasilkan melalui integrasi dengan large language models (LLM), yaitu GPT-4o. Aplikasi dikembangkan secara native untuk platform Android menggunakan bahasa pemrograman Kotlin dan framework Jetpack Compose. Hasil dari penelitian ini adalah sebuah prototipe aplikasi mobile yang mampu menerjemahkan data teknis dari model XAI (nilai SHAP) menjadi kombinasi visualisasi grafik dan penjelasan naratif yang mudah dipahami. Hasil evaluasi melalui pengujian pemahaman pengguna (skala Likert dan wawancara) serta pengujian fungsionalitas teknis (end-to-end) menunjukkan bahwa tujuan penelitian berhasil dicapai. Kombinasi visualisasi dan narasi tekstual terbukti efektif meningkatkan pemahaman pengguna (skor rata-rata 4.31 dari 5), memberdayakan mereka untuk mengambil langkah preventif, serta didukung oleh aplikasi yang berfungsi andal dengan tingkat keberhasilan pengujian 100%.