SHERLY ANANDA, - (2025) APPLYING LOCAL INTERPRETABLE MODEL-AGNOSTIC EXPLANATIONS (LIME) FOR INTERPRETABLE DEEP LEARNING IN LUNG DISEASE DETECTION. Journal of Artificial Intelligence and Software Engineering (JAISE), 5 (2). pp. 686-696. ISSN E-ISSN: 2777-001X

Preview	Text (JURNAL ARTIKEL) Bebas Pustaka - Sherly Ananda 12150121884 - SHERLY ANANDA TEKNIK INFORMATIKA.pdf - Published Version Download (5MB) | Preview
Preview	Text (PERNYATAAN PUBLIKASI MAHASISWA) Surat Pernyataan Serah Simpan Karya - Sherly Ananda 12150121884 (1) - SHERLY ANANDA TEKNIK INFORMATIKA.pdf Download (356kB) | Preview
Preview	Text (PERNYATAAN PUBLIKASI DOSEN) Form persetujuan publikasi - Sherly Ananda 12150121884 (1) - SHERLY ANANDA TEKNIK INFORMATIKA.pdf - Published Version Download (803kB) | Preview

Abstract

Artificial Intelligence (AI) semakin banyak diterapkan dalam bidang kesehatan melalui model Machine Learning (ML) dan Deep Learning (DL). Namun, kompleksitas model modern yang bersifat black-box menimbulkan kebutuhan akan metode interpretasi yang transparan. Explainable AI (XAI) hadir untuk menjembatani hal tersebut, dengan memberikan pemahaman yang lebih baik terhadap kinerja model. Penelitian ini mengimplementasikan metode Local Interpretable Model agnostic Explanations (LIME) untuk memvisualisasikan hasil klasifikasi model DL berbasis arsitektur ResNet18 terhadap citra Chest X-ray (CXR) pada tiga kelas: normal, COVID-19, dan pneumonia. Model mencapai precision 97%, recall 97%, dan F1-score 97%, serta Accuracy sebesar 98%. Visualisasi LIME menunjukkan area citra yang berkontribusi signifikan terhadap klasifikasi, serta mampu membedakan ketiga kelas dengan baik. Hasil dari penelitian ini menunjukkan bahwa penerapan XAI, khususnya LIME dengan model DL berbasis ResNet18 mampu memberikan interpretabilitas dalam tugas klasifikasi citra CXR.

Actions (login required)

View Item