Explainable Artificial Intelligence And Rule Extraction In Hybrid Models For Enhancing The Interpretability Of Coronary Heart Disease
Urip Tri Prastowo, Dr.Eng. Ir. Igi Ardiyanto, S.T., M.Eng., IPM., SMIEEE ; Prof. Ir. Hanung Adi Nugroho, S.T., M.Eng., Ph.D., IPM., SMIEEE.
2025 | Tesis | S2 Teknologi Informasi
Penyakit jantung tetap menjadi salah satu
penyebab utama kematian di seluruh dunia, dengan prevalensi yang terus
meningkat, terutama di negara-negara berkembang. Penelitian ini bertujuan untuk
mengatasi tantangan dalam prediksi penyakit dengan mengembangkan model prediksi
yang tidak hanya mencapai akurasi klasifikasi tinggi tetapi juga memberikan
interpretasi yang jelas bagi praktisi medis.
Model yang diusulkan mengintegrasikan Artificial
Neural Network (ANN) sebagai feature extractor dengan LightGBM,
sebuah algoritma Gradient Boosting, untuk meningkatkan kinerja
prediktif. Teknik Explainable Artificial Intelligence (XAI),
termasuk SHAP, LIME, dan Permutation Feature Importance (PFI),
digunakan untuk menghasilkan wawasan yang komprehensif terhadap prediksi model,
sementara metode ekstraksi aturan menyediakan panduan yang dapat digunakan
dalam konteks klinis.
Penelitian ini mencapai akurasi cross-validation sebesar 94,5%, yang secara signifikan melampaui model konvensional. Validasi oleh dokter spesialis jantung mengonfirmasi relevansi klinis dari prediksi model, kejelasan output interpretatifnya, serta potensinya untuk mendukung pengambilan keputusan medis. Temuan ini menyoroti peran penting XAI dalam menjembatani kesenjangan antara teknologi berbasis AI dan adopsinya dalam praktik kesehatan.
Heart disease remains one of the leading causes of mortality worldwide, with its prevalence continuing to increase, particularly in developing countries. This study aims to address the challenges in disease prediction by developing a predictive model that not only achieves high classification accuracy but also ensures clear interpretability for medical practitioners.
The proposed model integrates an Artificial Neural Network (ANN) as a feature extractor with LightGBM, a Gradient Boosting Machine, to enhance predictive performance. Explainable Artificial Intelligence (XAI) techniques, including SHAP, LIME, and Permutation Feature Importance (PFI), are employed to provide comprehensive insights into model predictions, while rule extraction methods generate actionable guidelines for clinical application.
The study achieves a cross-validation accuracy of 94.5%, significantly outperforming conventional models. Validation by cardiologists confirms the clinical relevance of the model’s predictions, the clarity of its interpretative outputs, and its potential to support medical decision-making. These findings underscore the critical role of XAI in bridging the gap between AI-driven technologies and their practical adoption in healthcare.
Kata Kunci : heart disease classification, explainable artificial intelligence, artificial neural network, lightgbm, shap, lime, rule extraction, clinical validation
