Implementasi Neural Network untuk prediksi penyakit jantung dengan Explainable AI

ABSTRAK:

Penyakit jantung merupakan salah satu penyebab utama kematian dengan prevalensi yang terus meningkat, sehingga diperlukan metode deteksi dini yang akurat dan dapat dipercaya. Penelitian ini mengimplementasikan Neural Network berbasis Multi-Layer Perceptron (MLP) untuk memprediksi penyakit jantung serta mengintegrasikan Explainable Artificial Intelligence (XAI) menggunakan metode SHAP (Shapley Additive Explanations) guna meningkatkan transparansi hasil prediksi. Dataset yang digunakan adalah Heart Disease Dataset dari Kaggle yang terdiri dari 303 data pasien dengan 14 atribut medis, yang diproses melalui tahapan preprocessing, pembagian data, pelatihan model, dan evaluasi. Hasil pengujian menunjukkan bahwa model MLP mampu mencapai akurasi sebesar 90%, nilai F1-score 0,90, serta AUC-ROC 0,96, yang menandakan kemampuan klasifikasi yang sangat baik. Selain itu, metode SHAP berhasil mengidentifikasi fitur-fitur medis yang paling berpengaruh terhadap prediksi risiko penyakit jantung baik secara global maupun lokal, sehingga model yang dihasilkan tidak hanya akurat tetapi juga interpretatif dan dapat dipahami. Penelitian ini diharapkan dapat menjadi dasar pengembangan sistem pendukung keputusan medis berbasis kecerdasan buatan yang transparan dan aplikatif dalam bidang kesehatan.

ABSTRACT:

Heart disease ranks among the primary causes of death globally, with its growing incidence underscoring the necessity for precise and dependable early detection strategies. This research employs a Neural Network that utilizes a Multi-Layer Perceptron (MLP) architecture to forecast heart disease and incorporates Explainable Artificial Intelligence (XAI) via the SHAP (Shapley Additive Explanations) technique to bolster the clarity of prediction outcomes. The research utilizes the Heart Disease Dataset sourced from Kaggle, which contains 303 patient entries featuring 14 different medical characteristics. These entries underwent various stages, including data preprocessing, division of the dataset, training of the model, and assessment. The findings from the experiments reveal that the MLP approach attained an accuracy rate of 90%, an F1-score of 0.90, and an AUC-ROC score of 0.96, reflecting excellent classification efficacy. Additionally, the SHAP technique adeptly elucidates the impact of significant medical features at both overarching and individual scales, rendering the model not only precise but also understandable and reliable. This research is anticipated to contribute to the advancement of transparent and effective AI-driven medical decision-making systems in the field of healthcare.

مستخلص البحث:

يُعَدّ مرض القلب أحد الأسباب الرئيسية للوفاة مع زيادة مستمرة في الانتشار، مما يستدعي وجود أساليب دقيقة وموثوقة للكشف المبكر. ينفذ هذا البحث شبكة عصبية تعتمد على الإدراك متعدد الطبقات (MLP) للتنبؤ بأمراض القلب، وتدمج الذكاء الاصطناعي القابل للتفسير (XAI) باستخدام طريقة SHAP (تفسيرات شابلية التراكمية) لزيادة شفافية نتائج التنبؤ. مجموعة البيانات المستخدمة هي Heart Disease Dataset من Kaggle، والتي تتكون من 303 بيانات للمرضى مع 14 سمة طبية، وتمت معالجتها من خلال مراحل المعالجة المسبقة، وتقسيم البيانات، وتدريب النموذج، والتقييم. أظهرت نتائج الاختبار أن نموذج MLP قادر على تحقيق دقة بلغت 90%، وقيمة ف1 0.90، و AUC-ROC 0.96 مما يشير إلى قدرة تصنيفية ممتازة. بالإضافة إلى ذلك، نجحت طريقة SHAP في تحديد الميزات الطبية الأكثر تأثيرًا في توقع مخاطر أمراض القلب سواء على المستوى العام أو المحلي، وبالتالي فإن النموذج الناتج ليس دقيقًا فحسب بل قابل للتفسير والفهم أيضًا. ومن المتوقع أن يشكل هذا البحث أساسًا لتطوير أنظمة دعم اتخاذ القرار الطبي المستندة إلى الذكاء الاصطناعي والتي تكون شفافة وقابلة للتطبيق في مجال الصحة.