Klik di sini untuk melihat video penelitian

Penerapan Artificial Intelligence (AI) dalam bidang kesehatan terus berkembang, termasuk untuk membantu proses prediksi dan klasifikasi penyakit jantung. Salah satu tantangan dalam pengembangan sistem prediksi penyakit jantung adalah bagaimana model dapat membedakan tingkat keparahan penyakit secara lebih spesifik. Berbeda dari klasifikasi biner yang hanya membedakan kondisi menjadi dua kategori, pendekatan multi-kelas memungkinkan sistem memberikan klasifikasi berdasarkan beberapa tingkat kondisi penyakit.

Menjawab tantangan tersebut, Alexander Subagio, mahasiswa Magister Teknik Informatika (MTI), di bawah bimbingan Prof. Dr.rer.nat. Ditdit Nugeraha Utama, S.Kom., MMSI., melakukan penelitian mengenai pengembangan model prediksi penyakit jantung multi-kelas menggunakan metode ensemble stacking yang dilengkapi dengan analisis SHAP (SHapley Additive exPlanations).

Model yang dikembangkan mengombinasikan tiga algoritma machine learning, yaitu XGBoost, LightGBM, dan CatBoost dalam pendekatan ensemble stacking. Kombinasi beberapa model tersebut bertujuan untuk memanfaatkan karakteristik dan kemampuan masing-masing algoritma sehingga dapat menghasilkan performa prediksi yang lebih baik dibandingkan penggunaan model dasar secara individual.

Selain mengejar performa prediksi, penelitian ini juga memperhatikan aspek interpretabilitas dalam sistem AI. Untuk memahami bagaimana model mengambil keputusan, penelitian menerapkan analisis SHAP yang dapat menunjukkan kontribusi masing-masing fitur klinis terhadap hasil prediksi. Pendekatan ini penting dalam konteks medis karena hasil prediksi perlu dapat dipahami dan dievaluasi, bukan hanya menghasilkan tingkat akurasi yang tinggi.

Hasil analisis menunjukkan adanya peran dominan CatBoost sebesar 58,53% dalam proses pengambilan keputusan pada model ensemble. Analisis SHAP juga memberikan gambaran mengenai kontribusi berbagai fitur klinis terhadap prediksi tingkat keparahan penyakit jantung.

Hasil penelitian menunjukkan bahwa pendekatan ensemble stacking yang dikembangkan mampu memberikan performa evaluasi yang lebih baik dibandingkan model dasar. Pada saat yang sama, penerapan SHAP membantu meningkatkan transparansi model dengan memberikan informasi mengenai faktor-faktor yang berkontribusi terhadap hasil prediksi.

Penelitian ini menunjukkan potensi pengembangan sistem AI untuk prediksi penyakit jantung yang tidak hanya berorientasi pada performa, tetapi juga mempertimbangkan aspek interpretabilitas dan transparansi. Pendekatan tersebut dapat menjadi salah satu langkah dalam pengembangan sistem pendukung keputusan berbasis AI yang lebih dapat dipahami dalam konteks klinis.

Lihat video penelitian selengkapnya di Instagram:
https://www.instagram.com/reel/DX5vKFvxNnq/?utm_source=ig_web_copy_link&stkn=MzRlODBiNWFlZA==