SARIFAH MULIANI, - (2025) APPLICATION OF SHAPLEY ADDITIVE EXPLANATIONS (SHAP) IN DEEP LEARNING FOR LUNG DISEASE DETECTION USING X-RAY IMAGES. Journal of Artificial Intelligence and Software Engineering (JAISE), 5 (2). pp. 709-719. ISSN E-ISSN: 2777-001X, DOI: 10.30811/jaise.v5i2.7005

Preview	Text (ARTIKEL JURNAL) Daftar - Sarifah - Sarifah Muliani.pdf - Published Version Download (3MB) | Preview
Preview	Text (PERNYATAAN PUBLIKASI MAHASISWA) surat serah simpan karya - Sarifah Muliani.pdf - Published Version Download (369kB) | Preview
Preview	Text surat persetujuan publikasi - Sarifah Muliani.pdf Download (554kB) | Preview

Abstract

Pemeriksaan menggunakan citra x-ray merupakan metode yang efektif dalam membantu deteksi penyakit paru-paru, seperti COVID-19, dan pneumonia. Seiring dengan perkembangan teknologi yang meningkat, proses diagnosis kini dapat dilakukan secara lebih akurat dengan memanfaatkan sistem berbasis kecerdasan buatan. Salah satu metode yang banyak digunakan adalah deep learning namun metode ini bersifat black-box, sehingga hasil prediksi sulit dipahami dengan alasan dibalik keputusan model. Tujuan penelitian ini adalah untuk membangun sistem klasifikasi citra x-ray menggunakan model deep learning berbasis Convolutional Neural Network (CNN) dengan arsitektur VGG-16, serta menerapkan metode Shapley Additive Explanations (SHAP) untuk memberikan penjelasan mengenai visual terkait area citra yang mempengaruhi hasil prediksi. Model dilatih menggunakan beberapa konfigurasi, dan hasil terbaik diperoleh pada rasio data 80% : 20%, learning rate 0.001, batch size 32, dan 50 epoch dengan mencapai akurasi 96,00%. Evaluasi dilakukan mengggunakan metrik accuracy, precision, recall, F1-score, dan confusion matrix. Penerapan metode Shapley Additive Explanations (SHAP) pada penelitian ini berhasil meningkatkan pemahaman terhadap hasil prediksi model dengan menampilkan area area penting pada citra yang berkontribusi terhadap keputusan model.

Actions (login required)

View Item