Terbit online pada laman web jurnal: https://jurnal.
id/index.
php/tematik/index Jurnal Teknologi Informasi Komunikasi .
-Journa.
Vol.
12 No.
164 - 172
ISSN Media Elektronik: 2443-3640 Analisis Algoritma Machine Learning untuk Gagal Jantung dengan Interpretability SHAP dan LIME I Gede Sugita Aryandana1.
ALeni Anggraini Susanti2.
Putu Eka Suryadana3.
Wayan Gede Suka Parwita4 1,2,3Administrasi Bisnis.
Bisnis Digital.
Politeknik Negeri Bali 4Administrasi Bisnis.
Manajemen Bisnis International.
Politeknik Negeri Bali 1sugitaaryandana@pnb.
id, 2lenissnti@pnb.
id, 3esuryadana@pnb.
id, 4gede.
suka@pnb.
Abstract Health is a state of complete physical, mental, and social well-being that enables individuals to lead productive lives.
Among the various dimensions of health, physical health is the most fundamental as it plays a vital role in maintaining the quality of human life.
One of the primary indicators of physical health is heart function, which is crucial in supporting bodily activities and overall performance.
Impairments in heart function not only affect physical conditions but can also negatively impact mental and social well-being, ultimately leading to heart failure.
Early detection of heart failure is essential, prompting the need for research on the application of machine learning algorithms as analytical methods to enhance accuracy and efficiency in the diagnostic process.
In this study.
SHAP (Shapley Additive exPlanation.
and LIME (Local Interpretable Model-agnostic Explanation.
were utilized as interpretability tools, employing medical datasets from heart failure patients as the analysis The findings indicate that the random forest algorithm is the most effective in predicting heart failure risk, yielding an overall accuracy of 0.
8334, an average precision of 0.
8125, a recall of 0.
793, an F1-score of 0.
8015, and an area under the curve (AUC) value of 0.
Based on the classification results, interpretability analyses were conducted using SHAP and LIME.
The SHAP method provided comprehensive insights into the influence of key variables such as time, serum creatinine, ejection fraction, and age on the risk of heart failure.
Meanwhile.
LIME offered localized explanations, highlighting serum creatinine as the main variable increasing the prediction of mortality in specific cases.
These interpretability methods contribute to greater transparency and trust in machine learning-based medical diagnoses.
Keywords: Heart Failure.
Machine Learning.
SHAP.
LIME Abstrak Kesehatan adalah keadaan sejahtera secara fisik, mental, dan sosial yang memungkinkan setiap individu dapat menjalani kehidupan secara produktif.
Di antara berbagai dimensi kesehatan, kesehatan fisik menjadi aspek yang paling fundamental karena berperan penting dalam menjaga kualitas hidup manusia.
Salah satu indikator penting dalam kesehatan fisik adalah fungsi jantung, sehingga deteksi dini terhadap risiko gagal jantung menjadi krusial untuk mencegah kondisi klinis yang lebih Penelitian ini bertujuan mengembangkan model prediksi gagal jantung menggunakan pendekatan Machine Learning dengan membandingkan tiga algoritma, yaitu Random Forest.
Logistic Regression, dan Decision Tree.
Dataset medis pasien penderita gagal jantung digunakan sebagai objek analisis untuk mengevaluasi performa model berdasarkan metrik akurasi, precision, recall, f1-score, dan AUC.
Hasil penelitian menunjukkan bahwa Random Forest merupakan algoritma dengan performa terbaik dengan nilai akurasi 0,8334, precision 0,8125, recall 0,793, f1-score 0,8015, dan AUC 0,90.
Selanjutnya, interpretabilitas model terbaik dianalisis menggunakan metode SHAP dan LIME untuk menjelaskan kontribusi variabel terhadap prediksi.
Metode SHAP mengidentifikasi variabel time, serum creatinine, ejection fraction, dan age sebagai faktor paling berpengaruh secara global, sedangkan LIME memberikan penjelasan lokal yang konsisten, terutama menyoroti serum creatinine sebagai indikator kuat peningkat risiko kematian.
Penelitian ini menunjukkan bahwa model prediktif yang akurat, dipadukan dengan metode interpretabilitas, mampu memberikan pemahaman yang transparan mengenai faktor risiko gagal Temuan ini dapat mendukung tenaga medis dalam pengambilan keputusan klinis berbasis data dan meningkatkan ketepatan diagnosis.
Kata kunci: Gagal Jantung.
Machine Learning.
SHAP.
LIME Pendahuluan Kesehatan merupakan kondisi holistik yang mencakup kesejahteraan fisik, mental, dan sosial, sehingga memungkinkan individu untuk menjalani kehidupan yang bermakna dan produktif .
, .
, .
Dari ketiga dimensi tersebut, kesehatan fisik menjadi aspek yang paling mendasar karena secara langsung memengaruhi kapasitas tubuh dalam menjalankan aktivitas sehari-hari .
Kesehatan fisik yang baik tidak hanya berfungsi Diterima Redaksi: 29-09-2025 | Selesai Revisi: 28-11-2025 | Diterbitkan Online: 19-12-2025 I Gede Sugita Aryandana.
ALeni Anggraini Susanti.
Putu Eka Suryadana.
Wayan Gede Suka Parwita Tematik: Jurnal Teknologi Informasi Komunikasi .
-Journa.
Vol.
12 No.
sebagai penopang produktivitas, tetapi juga menjadi indikator utama kualitas hidup masyarakat .
Salah satu tantangan terbesar dalam menjaga kesehatan fisik masyarakat adalah meningkatnya prevalensi penyakit kardiovaskular, khususnya gagal jantung.
Gagal jantung merupakan salah satu penyebab utama kematian di dunia, termasuk di Indonesia.
Organisasi Kesehatan Dunia (WHO) mencatat bahwa penyakit jantung koroner dan gagal jantung menyumbang angka mortalitas yang tinggi setiap tahunnya .
, .
Kondisi ini diperparah oleh faktor risiko seperti hipertensi, diabetes melitus, obesitas, kebiasaan merokok, serta pola hidup sedentari yang kian meluas akibat modernisasi .
, .
Selain berdampak pada angka kematian, gagal jantung juga berdampak pada kondisi fisik yang mengganggu kesejahteraan mental dan sosial seseorang, yang pada akhirnya memperburuk kondisi jantung.
Oleh karena itu, deteksi dini menjadi aspek penting dalam upaya menekan angka kejadian dan meningkatkan kualitas hidup pasien dengan bantuan teknologi .
, .
Perkembangan teknologi kesehatan, khususnya pemanfaatan data medis, memberikan peluang baru dalam mendukung deteksi dan analisis gagal jantung .
Data medis pasien dapat dianalisis secara mengidentifikasi pola gagal jantung, serta memberikan rekomendasi medis yang lebih tepat .
Pada konteks ini, algoritma Machine Learning seperti Random Forest.
Logistic Regression, dan Decision Tree banyak digunakan karena kemampuannya mengolah variabel klinis untuk menghasilkan prediksi risiko secara lebih Namun, meskipun model-model ini menunjukkan performa yang kuat, aspek transparansi .
masih menjadi tantangan, terutama pada algoritma kompleks seperti random forest yang bersifat black box.
Penelitian-penelitian sebelumnya menegaskan bahwa model ensemble seperti Random Forest dan XGBoost mampu memberikan prediksi akurat, tetapi sulit diinterpretasikan secara klinis .
, .
Sebaliknya.
Logistic Regression lebih mudah dipahami namun kadang kalah dalam akurasi .
Kesenjangan ini menunjukkan perlunya studi komparatif yang tidak hanya menilai kinerja model, tetapi juga membandingkan tingkat interpretabilitasnya sehingga model yang dipilih tidak hanya akurat tetapi juga dapat dipahami oleh tenaga medis .
Untuk menjembatani masalah tersebut, dibutuhkan kajian mengenai interpretability yang tidak hanya mengevaluasi hasil prediksi, tetapi juga membantu menentukan pendekatan terbaik dalam memprediksi gagal jantung.
Penelitian ini mengintegrasikan dua yaitu SHAP dan LIME.
digunakan untuk melihat kontribusi variabel secara global berdasarkan nilai Shapley, sedangkan LIME memberikan interpretasi lokal pada setiap prediksi kasus individu.
Kombinasi keduanya memungkinkan pemahaman yang lebih komprehensif, baik pada level keseluruhan model maupun kasus-per-kasus, sehingga mendukung transparansi klinis yang dibutuhkan .
Berdasarkan hal tersebut, penelitian ini bertujuan untuk membandingkan kinerja tiga algoritma machine learning yaitu Random Forest.
Logistic Regression, dan Decision Tree dalam memprediksi risiko gagal jantung, serta mengevaluasi interpretabilitas model terbaik menggunakan SHAP dan LIME.
Dengan demikian, penelitian ini diharapkan dapat memberikan kontribusi dalam penyediaan pendekatan prediksi yang tidak hanya akurat tetapi juga transparan dan dapat diterapkan dalam pengambilan keputusan klinis.
Metode Penelitian Penelitian ini bertujuan untuk menentukan faktor utama yang berkontribusi terhadap resiko gagal jantung dengan menggunakan algoritma machine learning seperti random forest, logistic regression, dan decision tree serta menggunakan interpretability untuk mengukur feature importance .
Tahapan penelitian yang jelas dan terstruktur sangat penting untuk memastikan hasil prediksi menjadi transparan dan mudah dipahami.
Tahapan penelitian yang diterapkan kemudian divisualisasikan pada Gambar 1.
Gambar 1.
Alur Penelitian Diagram pada Gambar 1 menggambarkan alur kerja penelitian dalam membangun model prediksi gagal jantung menggunakan tiga algoritma Machine Learning serta interpretabilitas model.
Alur prosesnya adalah sebagai berikut:
SHAP
DOI: https://doi.
org/10.
38204/tematik Lisensi: Creative Commons Attribution 4.
0 International (CC BY 4.
I Gede Sugita Aryandana.
ALeni Anggraini Susanti.
Putu Eka Suryadana.
Wayan Gede Suka Parwita Tematik: Jurnal Teknologi Informasi Komunikasi .
-Journa.
Vol.
12 No.
Dataset yang digunakan dalam penelitian ini merupakan data medis dari Kaggle pada tahun 2024 yang telah difinalisasi dari berbagai sumber, seperti data medis dari Cleveland.
Hungarian dan Switzerland.
Data ini digunakan untuk menguji keakuratan proses mengevaluasi hasil tersebut dengan menggunakan interpretability untuk mendapatkan hasil prediksi yang lebih transparan.
Pra pemrosesan data dalam penelitian ini merupakan tahapan penting yang mencakup proses, standart scaller dan pembagian data menjadi train testing dari data medis.
Variabel yang ada di dalam dataset kemudian diolah agar mampu merepresentasikan karakteristik data yang relevan, sehingga hasil prediksi algoritma machine learning dapat lebih akurat dan sesuai dengan tujuan penelitian.
Tahap selanjutnya adalah proses menerapkan algoritma machine learning menggunakan algoritma random forest, logistic regression, dan decision tree.
Algoritma random forest digunakan dalam penelitian ini, dengan tujuan meningkatkan efektivitas prediksi serta mendukung proses pengambilan keputusan medis berbasis data.
Algoritma logistic regression digunakan untuk menganalisis faktor medis yang berkontribusi terhadap gagal jantung, dengan tujuan membangun model prediksi yang mampu mengklasifikasikan pasien berisiko tinggi dan rendah berdasarkan variabel dari dataset yang telah disediakan.
Algoritma decision tree digunakan dalam penelitian ini untuk mengklasifikasikan kondisi pasien berdasarkan variabel medis, seperti age, diabetes, sex, serta smoking, sehingga dapat membantu memperkirakan risiko seseorang mengalami gagal jantung.
Tahap evaluasi dalam penelitian ini, dilakukan penilaian kinerja berbagai model machine learning dengan menggunakan serangkaian metrik evaluasi yang komprehensif, meliputi accuration, precision, recall.
F1-score, serta kurva AOC (Area Under Curv.
- ROC (Receiver Operating Characteristi.
Metrik ini dipilih karena mampu memberikan gambaran menyeluruh mengenai kemampuan algoritma dalam melakukan Proses evaluasi ini tidak hanya membandingkan performa setiap algoritma secara kuantitatif, tetapi juga memastikan bahwa algoritma yang dipilih memiliki tingkat konsistensi tinggi dan minim risiko kesalahan prediksi.
Dengan pendekatan ini, algoritma machine learning memiliki hasil prediksi Untuk melihat hasil prediksi dibutuhkan confusion matrix dalam mengukur dan mengevaluasi kinerja klasifikasi.
Confusion matrix berguna untuk membandingkan hasil prediksi secara aktual dalam Komponen pada Tabel 1 digunakan untuk perbandingan yang melibatkan jumlah nilai pada TP (True Positiv.
FP(False Positiv.
TN(True Positiv.
, dan FN (False Negativ.
Tabel 1.
Confusion Matrix Prediksi Aktual Positif Positif Negatif Negatif Proses pemilihan best model machine learning dilakukan melalui serangkaian tahapan evaluasi yang ketat dengan memanfaatkan berbagai metrik performa seperti metrik accuration, precision, recall, serta F1score, dan AUC - ROC.
Metrik Accuration digunakan dalam penelitian ini untuk memprediksi risiko gagal jantung.
Melalui penelitian ini, tingkat akurasi yang dihasilkan dalam mengklasifikasikan pasien berisiko dapat terlihat dengan jelas, sehingga memberikan gambaran umum terkait prediksi yang dihasilkan.
Adapun rumus yang digunakan untuk mendapatkan hasil metrik accuration.
Variabel (TP dan TN) pada Rumus 1 berguna untuk menilai perbandingan antara porsi prediksi yang akurat dengan total yang dihasilkan dengan variabel (TP.
TN.
FP.
FN) .
yaycaycaycycycaycycnycuycu = ycNycE ycNycA ycNycE ycNycA yaycE yaycA Metrik Precision digunakan dalam penelitian ini untuk memprediksi risiko gagal jantung.
Metrik precision berfungsi untuk mengukur seberapa akurat metrik dalam mengklasifikasikan pasien yang benar-benar berisiko dari seluruh pasien yang diprediksi berisiko.
Dengan demikian, hasil ini memberikan gambaran mengenai kemampuan metrik dalam meminimalkan false positive sehingga prediksi yang dihasilkan lebih relevan dan terpercaya.
Adapun rumus yang digunakan untuk mendapatkan hasil metrik precision.
Variabel (TP) pada Rumus 2 berguna untuk menilai seberapa besar porsi prediksi data dengan nilai positip dengan nilai yang sebenarnya yang kemudian dibandingkan dengan keseluruhan hasil prediksi yang bersifat positip (TP dan FP) .
ycEycyceycaycnycycnycuycu = ycNycE ycNycE yaycE Metrik Recall digunakan dalam penelitian ini untuk memprediksi risiko gagal jantung.
Recall berfungsi untuk mengukur sejauh mana metrik mampu menemukan seluruh pasien yang termasuk kategori berisiko gagal jantung dari keseluruhan pasien berisiko yang ada.
Dengan demikian, metrik ini menekankan pada kemampuan dalam meminimalkan kesalahan false negative, sehingga pasien berisiko tidak terlewat dalam proses klasifikasi.
Adapun rumus yang digunakan untuk mendapatkan hasil metrik recall.
Variabel (TP) pada Rumus 3 berguna untuk mengukur porsi data yang DOI: https://doi.
org/10.
38204/tematik Lisensi: Creative Commons Attribution 4.
0 International (CC BY 4.
I Gede Sugita Aryandana.
ALeni Anggraini Susanti.
Putu Eka Suryadana.
Wayan Gede Suka Parwita Tematik: Jurnal Teknologi Informasi Komunikasi .
-Journa.
Vol.
12 No.
dikombinasikan dengan total data yang sebenarnya bernilai positip (TP dan FN) .
ycIyceycaycaycoyco = ycNycE ycNycE yaycA Metrik F1-Score digunakan dalam penelitian ini untuk memprediksi risiko gagal jantung.
F1-Score berfungsi sebagai tolok ukur keseimbangan antara precision dan recall, dengan cara menghitung rata-rata dari keduanya.
Metrik ini penting karena memberikan gambaran menyeluruh tentang performa model, khususnya ketika distribusi data pasien berisiko dan tidak berisiko tidak seimbang, sehingga hasil prediksi tetap adil dan Adapun Rumus 4 digunakan untuk mendapatkan hasil metrik F1-Score.
Rumus metrik F1Score digunakan untuk mengukur rata-rata perbandingan antara nilai precision dan recall .
ya1 Oe ycIycaycuycyce = 2 ycu ycEycyceycaycnycycnycuycuycuycIyceycaycaycoyco ycEycyceycaycnycycnycuycu ycIyceycaycaycoyco Metrik Area Under Curve - Receiver Operating Characteristic (AUC - ROC) digunakan untuk menilai efektivitas model klasifikasi bersifat efektif atau tidak efektif .
Dari hasil evaluasi tersebut, dipilihlah model terbaik yang mampu menunjukkan kemampuan paling unggul dalam memprediksi data dengan konsistensi tinggi.
Dengan demikian, model ini diharapkan dapat memberikan solusi yang efektif dan andal untuk mengatasi permasalahan yang dikaji dalam penelitian Penelitian menggunakan metode SHAP dan LIME untuk meningkatkan transparansi hasil prediksi machine Model SHAP digunakan untuk memberikan penjelasan yang mendalam dan komprehensif terhadap prediksi, khususnya dalam studi kasus gagal jantung.
SHAP
mampu mengukur kontribusi setiap variabel secara global, sehingga membantu memahami faktor risiko yang memengaruhi terjadinya gagal jantung.
Hal ini menjadikan proses interpretability tidak hanya menghasilkan prediksi yang akurat, tetapi juga menyediakan penjelasan yang jelas.
Sementara itu, model LIME berfungsi untuk mengidentifikasi faktor utama yang memengaruhi prediksi risiko gagal jantung pada tingkat individual pasien dengan memperhatikan variabel penting seperti tekanan darah, kadar kolesterol, dan usia.
Pendekatan ini memungkinkan tenaga medis memahami keputusan dari model yang bersifat black-box secara lebih mendukung pengambilan keputusan klinis yang lebih tepat dan personal.
Pada tahap hasil, penelitian memasuki proses akhir.
Hasil pengujian menggunakan interpretability metode SHAP dan LIME yang telah dilatih kemudian dianalisis dan disajikan sebagai laporan penelitian.
Studi ini ditutup dengan penyebarluasan hasil analisis menggunakan metode SHAP dan LIME sebagai interpretability, sehingga temuan yang diperoleh dapat memperkaya pengetahuan sekaligus mendorong penerapan machine learning di masa mendatang.
Pada fase akhir ini, disusun kerangka sistematis yang memastikan hasil prediksi bersifat valid dan transparan, sehingga dapat dijadikan acuan dalam pengembangan model maupun pengambilan keputusan berbasis data yang lebih akurat.
Hasil dan Pembahasan Rangkaian proses penelitian dilakukan secara bertahap untuk membangun analisa model yang mampu mengidentifikasi variabel penyebab gagal jantung berdasarkan dataset yang telah diuji.
Dimulai dari proses pra-pemrosesan data sampai hasil training algoritma machine learning dengan interpretability metode SHAP dan metode LIME.
Hasil dari setiap tahapan penelitian menunjukkan proses transformasi data serta pemilihan algoritma yang berperan penting dalam menentukan interpretability untuk memperoleh prediksi yang akurat dan transparan.
1 Pra Pemrosesan Data Tahap selanjutnya dalam pra-pemrosesan data adalah dengan membagi dataset menjadi dua bagian yaitu 80% data training dan 20% data testing dengan menerapkan cross validation .
Pada tahap pra-pemrosesan data dilakukan normalisasi untuk melengkapi variabel serta menghapus nilai yang dianggap tidak relevan.
Tabel 1 menampilkan variabel sebelum normalisasi, sedangkan Tabel 2 memperlihatkan hasil setelah proses Pada Tabel 2, terdapat 13 variabel yang menjadi bagian dari dataset.
Variabel tersebut terdiri dari age, anaemia, creatinine phosphokinase, diabetes, ejection fraction, high blood pressure, platelets, serum creatinine, serum sodium, sex, smoking, time dan death event.
Selanjutnya, variabel diubah dan disederhanakan menggunakan standard scaler dengan tujuan menyetarakan skala antarvariabel.
Proses ini dilakukan dengan mentransformasi setiap variabel agar memiliki rata-rata .
0 dan standar deviasi 1 melalui perhitungan z-score, yaitu selisih nilai data terhadap rata-rata yang dibagi dengan standar deviasi.
Dengan transformasi data tersebut, variabel yang semula memiliki satuan dan rentang berbeda dapat disejajarkan dalam skala yang sama, sehingga tidak ada variabel yang mendominasi analisis akibat perbedaan skala Deskripsi dan aturan transformasi data yang dijalankan tercantum pada Tabel 2.
Transformasi data yang tercantum pada Tabel 2 mengindikasikan 13 variabel yang dijadikan dasar DOI: https://doi.
org/10.
38204/tematik Lisensi: Creative Commons Attribution 4.
0 International (CC BY 4.
I Gede Sugita Aryandana.
ALeni Anggraini Susanti.
Putu Eka Suryadana.
Wayan Gede Suka Parwita Tematik: Jurnal Teknologi Informasi Komunikasi .
-Journa.
Vol.
12 No.
dalam menganalisis sejumlah variabel.
Masing-masing variabel diubah ke bentuk nilai numerik diskrit agar dapat merepresentasikan kategori tertentu.
Dengan cara ini, hubungan antar variabel dapat divisualisasikan secara lebih sederhana, sekaligus memungkinkan analisis data berlangsung lebih efisien dan mendalam.
Pada Tabel 2 variabel death event dihilangkan karena variabel tersebut merupakan variabel y.
Tabel 2.
Hasil Perolehan Data Age Anae _phospho Diab n_frac _creat Sex Smoking Time Death_ Event _press Tabel 3.
Data Setelah di Normalisasi Age Anaemia Diabetes _phospho high_bl ood_pr serum_so Sex Smoking Time n_frac Tahap berikutnya adalah proses cross-validation yang dilakukan setelah dataset melalui tahap normalisasi.
Adapun ilustrasi cross validation yang dilakukan dapat dilihat pada Gambar 2.
tertentu dan memberikan estimasi yang lebih stabil terhadap kemampuan generalisasi model.
2 Menerapkan Algoritma Machine Learning Tahap setelah pra pemrosesan data adalah menerapkan algoritma machine learning untuk membangun model prediktif yang mampu melakukan klasifikasi sesuai dengan tujuan penelitian.
Algoritma yang digunakan dalam pembentukan model ini mencakup algoritma random forest, logistic regression, dan decision tree Gambar 2.
Cross Validation (CV) 5 Pada Gambar 2, keseluruhan dataset dibagi menjadi lima bagian .
dengan ukuran yang relatif sama untuk dilakukan data training dan data testing.
Proses data training dan data testing dilakukan secara bergantian sebanyak lima kali, yang dimana pada setiap iterasi satu fold digunakan sebagai data testing, sedangkan empat fold lainnya digunakan sebagai data Dengan demikian, seluruh data memiliki kesempatan yang sama untuk digunakan sebagai data Hasil evaluasi model diperoleh dari rata-rata skor performa pada kelima iterasi tersebut, sehingga dapat mengurangi potensi bias akibat pembagian data Algoritma random forest digunakan dalam penelitian ini untuk proses training dataset dengan tujuan memperoleh dan membangun model klasifikasi yang akurat, sehingga menghasilkan prediksi yang baik.
Adapun data training yang sudah diterapkan dengan menggunakan algoirtma random forest dapat dilihat pada Tabel 4.
Tabel 4.
Classification Data Training Random Forest Class Accuracy Precission Recall F1-score Pada Tabel 4, hasil data training menunjukkan bahwa untuk class 0 dan class 1 didapatkan nilai accuracy sebesar 0,9246.
Nilai tersebut mengindikasikan bahwa model memiliki tingkat accuracy dan performa yang tinggi, baik dalam mengenali maupun memprediksi kategori yang ada.
DOI: https://doi.
org/10.
38204/tematik Lisensi: Creative Commons Attribution 4.
0 International (CC BY 4.
I Gede Sugita Aryandana.
ALeni Anggraini Susanti.
Putu Eka Suryadana.
Wayan Gede Suka Parwita Tematik: Jurnal Teknologi Informasi Komunikasi .
-Journa.
Vol.
12 No.
Algoritma logistic regression digunakan dalam penelitian ini untuk untuk menganalisis berbagai faktor medis yang berperan dalam menyebabkan gagal jantung, dengan maksud membangun hasil model prediksi yang akurat dengan mengklasifikasikan pasien ke dalam kelompok dengan risiko yang lebih tinggi maupun rendah berdasarkan variabel yang ada di dalam Adapun data training yang sudah diterapkan dengan menggunakan algoirtma logistic regression dapat dilihat pada Tabel 5 Tabel 5.
Classification Data Training Logistic Regression Class Accuracy Precission Recall F1-score Pada Tabel 5.
Hasil yang didapat mengindikasikan bahwa model memiliki kemampuan yang cukup baik dalam mengenali class 0 dengan nilai precision dan F1score yang tinggi, namun performa pada class 1 cenderung lebih rendah, terutama pada nilai precision.
Perbedaan ini dapat menggambarkan adanya memprediksi kedua kelas pada data yang di training.
Adapun hasil pengujian menggunakan data testing dapat dilihat pada Tabel 7.
Tabel 7.
Classification Data Testing Random Forest Class Accuracy Precission Recall F1-score Hasil pada Tabel 7 menunjukkan bahwa algoritma random forest mencapai akurasi sebesar 0,8334 dengan nilai rata-rata recall dan F1-score yang lebih tinggi dibandingkan algoritma logistic regression dan decision tree, sementara perbedaan nilai precision hanya sebesar 0,0095 yang tetap mengindikasikan konsistensi klasifikasi yang lebih baik, sehingga memperkuat posisi Random Forest sebagai algoritma terbaik untuk klasifikasi dalam penelitian ini.
Berdasarkan hasil pengujian menggunakan data testing, algoritma random forest memberikan performa evaluasi terbaik di antara ketiga algoritma yang telah diuji.
Selain itu, hasil confusion matrix untuk algoritma tersebut disajikan secara rinci pada Gambar 3 sebagai gambaran performa klasifikasi yang telah dihasilkan Algoritma decision tree digunakan dalam penelitian ini untuk mengklasifikasikan kondisi pasien berdasarkan variabel medis seperti age, sex, smoking, serta diabetes.
Dengan pendekatan ini, diharapkan dapat diperoleh model prediksi yang efektif dalam memperkirakan risiko gagal jantung pada pasien.
Adapun data training yang sudah diterapkan dengan menggunakan algoritma decision tree dapat dilihat pada Tabel 6 Tabel 6.
Classification Data Training Decision Tree Class Accuracy Precission Recall F1-score Pada Tabel 6, hasil evaluasi model menunjukkan bahwa untuk class 0 dan class 1 memiliki, nilai accuration sebesar 0,8828845.
Hasil ini memperlihatkan bahwa logistic regression memiliki kemampuan yang baik dalam mengklasifikasikan kedua class, dengan performa yang lebih tinggi di class 0 dibandingkan class 1, namun secara keseluruhan model cukup efektif dalam mengidentifikasi pasien berisiko berdasarkan variabel dataset yang telah dianalisis.
Evaluasi Tahap selanjutnya dalam penelitian ini adalah melakukan evaluasi berdasarkan hasil pengujian menggunakan data training.
Mengingat hasil yang diperoleh pada data training menunjukkan performa yang cukup memuaskan untuk algoritma random forest, maka pengujian dilanjutkan dengan menggunakan data testing dan algoritma random forest.
Tujuan dilakukan pengujian lanjutan adalah untuk mendapatkan hasil yang lebih baik dan membandingkan kemampuan klasifikasi masing-masing model secara objektif.
Gambar 3.
Confusion Matrix Random Forest Pada Gambar 3 ditampilkan hasil confusion matrix menggunakan data testing.
Algoritma random forest berhasil memprediksi dengan benar sebanyak 38 data untuk kelas 0 .
asien yang hidu.
dan 13 data untuk kelas 1 .
asien yang tidak hidu.
Namun, masih terdapat 3 data kelas 0 yang diprediksi salah sebagai class 1, serta 6 data class 1 yang diprediksi salah sebagai class 0.
Hasil ini menggambarkan tingkat akurasi model dalam mengklasifikasikan kondisi pasien berdasarkan variabel-variabel medis yang telah dianalisis dan menunjukkan kemampuan model secara Setelah melakukan evaluasi terhadap confusion matrix pada algoritma random forest, tahap berikutnya adalah DOI: https://doi.
org/10.
38204/tematik Lisensi: Creative Commons Attribution 4.
0 International (CC BY 4.
I Gede Sugita Aryandana.
ALeni Anggraini Susanti.
Putu Eka Suryadana.
Wayan Gede Suka Parwita Tematik: Jurnal Teknologi Informasi Komunikasi .
-Journa.
Vol.
12 No.
melakukan perbandingan kurva ROC (Receiver Operating Characteristi.
untuk ketiga algoritma machine learning yang digunakan.
Tujuannya untuk memperoleh visualisasi yang komprehensif mengenai kinerja ketiga model dalam membedakan positif class dan negatif class pada dataset testing.
Adapun hasil komparasi dapat dilihat pada Gambar 4.
Berdasarkan gambar 4 ROC curve comparison, dapat dilihat bahwa algoritma random forest memiliki nilai AUC tertinggi sebesar 0,90, diikuti oleh logistic regression dengan AUC sebesar 0,86, dan decision tree dengan AUC sebesar 0,83.
Nilai AUC mengukur kemampuan model dalam membedakan antara class positif dan negatif, sehingga semakin besar nilai AUC, semakin baik performa model dalam klasifikasi.
Curve random forest berada di atas curve algoritma lainnya, menunjukkan bahwa random forest paling efektif dalam memprediksi target class dibandingkan logistic regression dan decision tree pada data testing.
Selain itu, garis putusputus menunjukkan prediksi acak sebagai baseline, yang jauh lebih rendah dibandingkan kedua algoritma LIME.
Metode SHAP digunakan karena memiliki tujuan untuk memberikan hasil interpretasi yang jelas dan transparan terhadap prediksi model machine learning.
Adapun hasil analisis interpretability metode SHAP pada Gambar 5.
Gambar 5.
Analisis Hasil SHAP Berdasarkan hasil analisis SHAP pada Gambar 5, setiap titik dengan warna berbeda merepresentasikan satu instance data yang menunjukkan besarnya kontribusi masing-masing variabel terhadap prediksi model.
Warna merah pada titik menunjukkan nilai variabel yang tinggi, sedangkan warna biru menunjukkan nilai variabel yang rendah.
Analisis ini mengindikasikan bahwa variabel time memiliki pengaruh paling signifikan terhadap prediksi model, diikuti oleh serum creatinine, ejection fraction, dan age.
Hasil dengan nilai positif mengartikan bahwa nilai variabel tersebut meningkatkan risiko gagal jantung, sementara hasil dengan nilai negatif menunjukkan menurunnya risiko gagal jantung.
Dengan demikian, hasil menggunakan SHAP memberikan pemahaman mendalam mengenai peran variabel di dalam dataset serta perubahan nilai variabel dapat meningkatkan atau mengurangi prediksi risiko gagal jantung.
Metode LIME digunakan karena memiliki tujuan untuk menjelaskan hasil dari masing Ae masing variabel di setiap pasien secara lokal.
Adapun hasil analisis interpretability metode LIME pada Gambar 6.
Gambar 4.
ROC Curve Comparison Menerapkan Interpretability Tahap selanjutnya dalam penelitian ini adalah penerapan interpretability untuk menjelaskan hasil evaluasi yang telah diperoleh.
Langkah ini dilakukan agar proses pembentukan interpretability dapat dilaksanakan dengan baik, sehingga memungkinkan pemahaman yang lebih mendalam mengenai bagaimana algoritma random forest membuat prediksi serta variabel apa saja yang memengaruhi keputusan Dengan penerapan interpretability tidak hanya menghasilkan prediksi yang akurat, tetapi juga Interpretability yang digunakan dalam penelitian ini adalah metode SHAP dan metode Gambar 6.
Analisis Hasil LIME DOI: https://doi.
org/10.
38204/tematik Lisensi: Creative Commons Attribution 4.
0 International (CC BY 4.
I Gede Sugita Aryandana.
ALeni Anggraini Susanti.
Putu Eka Suryadana.
Wayan Gede Suka Parwita Tematik: Jurnal Teknologi Informasi Komunikasi .
-Journa.
Vol.
12 No.
Hasil analisis LIME pada Gambar 6 dapat dilihat berdasarkan data pasien nomor 5 dari sumber dataset yang telah digunakan.
Hasil analisis LIME menunjukkan dua warna bar yang merepresentasikan pengaruh setiap variabel terhadap prediksi gagal Bar merah pada variabel menandakan kontribusi cenderung menurun dalam memprediksi kematian, sedangkan bar hijau menandakan kontribusi cenderung meningkat dalam memprediksi kematian.
Variabel serum creatinine > 1.
00 memiliki hasil yang signifikan dalam meningkatkan hasil memprediksi Sebaliknya, variabel seperti time > 107.
ejection fraction <= 38.
00, dan age <= 75.
00 justru menurunkan kemungkinan memprediksi kematian.
Kontribusi variabel platelets > 353000.
00, serum sodium <= 137.
00, high blood pressure <= 0.
00, dan smoking <= 0.
00 sangat kecil terhadap prediksi gagal jantung dengan metode LIME pada kasus ini.
prediksi gagal jantung yang tidak hanya akurat tetapi juga transparan.
Integrasi SHAP dan LIME memungkinkan tenaga medis memahami alasan di balik prediksi model, sehingga hasil yang diperoleh lebih mudah diinterpretasikan untuk mendukung keputusan Penelitian ini diharapkan dapat menjadi landasan dalam pengembangan sistem pendukung keputusan berbasis machine learning yang lebih dapat dipertanggungjawabkan di bidang kardiologi .
Daftar Rujukan .
Kesimpulan Penelitian ini berhasil menemukan algoritma machine learning terbaik dalam memprediksi gagal jantung.
Algoritma random forest dipilih sebagai algoritma terbaik berdasarkan hasil evaluasi yang sudah dilakukan menggunakan data training dan data testing, hasil accuracy algoritma random forest menunjukkan nilai sebesar 0.
8334 secara keseluruhan diikuti dengan nilai rata-rata precission sebesar 0,8125, nilai rata-rata recall sebesar 0,793, nilai rata-rata f1-scorenya sebesar 0,8015 dan nilai UACnya sebesar 0.
hasil tersebut menunjukkan performa yang seimbang dan stabil di kedua class yaitu class 0 dan class 1.
Nilai metrik yang optimal ini menegaskan bahwa random forest efektif dalam mengatasi data yang kompleks dan imbalanced, serta mampu memberikan keseimbangan antara tingkat deteksi yang benar dan kesalahan prediksi, sehingga menghasilkan model yang lebih andal dan robust dibandingkan algoritma logistic regression dan decision tree.
Setelah model terbaik diperoleh, diterapkan metode interpretabilitas SHAP dan LIME untuk memahami faktor-faktor yang memengaruhi Hasil SHAP menunjukkan variabel time, serum creatinine, ejection fraction, dan age memiliki pengaruh terbesar terhadap risiko gagal jantung.
Temuan ini signifikan dalam konteks medis karena variabel-variabel tersebut memang mencerminkan progresivitas kondisi jantung, fungsi ginjal, dan kapasitas pompa ventrikel yang secara klinis relevan dalam menentukan prognosis pasien.
Sementara itu, hasil LIME pada kasus individual .
isalnya pasien nomor .
menegaskan bahwa serum creatinine > 1.
00 menjadi indikator lokal yang meningkatkan prediksi risiko kematian.
Pendekatan ini memengaruhi keputusan model pada level pasien.
Dengan pendekatan ini, penelitian ini memberikan kontribusi penting dengan menghadirkan model Sanni and H.
Guruprasad.
AuAnalysis of performance metrics of heart failured patients using Python and machine learning algorithms,Ay Global Transitions Proceedings, vol.
2, no.
2, pp.
233Ae237, 2021, doi:
https://doi.
org/10.
1016/j.
Venkat.
Abdelhalim.
DeGroat.
Zeeshan, and Z.
Ahmed.
AuInvestigating genes associated with heart failure, atrial fibrillation, and other cardiovascular diseases, and predicting disease using machine learning techniques for translational research and precision medicine,Ay Genomics, https://doi.
org/10.
1016/j.
Rao.
Neshat, and P.
Scott.
AuEnhancing Clinical Decision-Making in Heart Failure: SHAP-Based Interpretability of Length of Stay Predictions Using a LightGBM Machine Learning Model,Ay Heart Lung Circ.
S492AeS494, https://doi.
org/10.
1016/j.
Wang et al.
AuPotential diagnostic biomarkers in heart failure: Suppressed immune-associated genes identified by bioinformatic analysis and machine learning,Ay Eur J Pharmacol, vol.
986, p.
177153, 2025, doi:
https://doi.
org/10.
1016/j.
Newaz.
Ahmed, and F.
Shahriyar Haq.
AuSurvival prediction of heart failure patients using machine learning techniques,Ay Inform Med Unlocked, vol.
26, p.
2021, doi: https://doi.
org/10.
1016/j.
de M.
Gondim et al.
AuReliability, internal consistency, and validity of the World Health Organization disability assessment schedule (WHODAS) 2.
0 among adults with heart failure,Ay Heart & Lung, vol.
70, pp.
30Ae 35, 2025, doi: https://doi.
org/10.
1016/j.
Nakajima.
Nakata.
Doi.
Tada, and K.
Maruyama.
AuMachine learning-based risk model using 123I-metaiodobenzylguanidine to differentially predict modes of cardiac death in heart failure,Ay Journal of Nuclear Cardiology, vol.
29, no.
1, pp.
190Ae201, 2022, doi:
https://doi.
org/10.
1007/s12350-020-02173-6.
Van Essen et al.
AuObesity and inactivity cluster the strongest risk factor for the development of heart failure in a population-based study,Ay Int J Cardiol, p.
133914, 2025,
doi: https://doi.
org/10.
1016/j.
Mann.
Braunwald, and T.
Zelniker.
AuDiabetic cardiomyopathy revisited: The interplay between diabetes and heart failure,Ay Int J Cardiol, vol.
438, p.
133554, 2025,
doi: https://doi.
org/10.
1016/j.
Goel et al.
AuUtilising Machine Learning to Predict Heart Failure Readmission Following Emergency Department Presentation,Ay Heart Lung Circ, vol.
34, p.
S505, 2025, doi:
https://doi.
org/10.
1016/j.
Levinson.
Paul.
Meid.
-H.
Schultz, and B.
Wild.
AuIdentifying Predictors of Heart Failure Readmission in Patients From a Statutory Health Insurance Database:
Retrospective Machine Learning Study,Ay JMIR Cardio, vol.
8, 2024, doi: https://doi.
org/10.
2196/54994.
Md.
Ali et al.
AuA machine learning approach for risk factors analysis and survival prediction of Heart Failure DOI: https://doi.
org/10.
38204/tematik Lisensi: Creative Commons Attribution 4.
0 International (CC BY 4.
I Gede Sugita Aryandana.
ALeni Anggraini Susanti.
Putu Eka Suryadana.
Wayan Gede Suka Parwita Tematik: Jurnal Teknologi Informasi Komunikasi .
-Journa.
Vol.
12 No.
patients,Ay Healthcare Analytics, vol.
3, p.
100182, 2023,
doi: https://doi.
org/10.
1016/j.
XU et al.
AuMachine Learning for Proteomic Risk Scores in Heart Failure,Ay J Card Fail, vol.
29, no.
11, pp.
1583Ae https://doi.
org/10.
1016/j.
Naseri.
Tax.
van der Harst.
Reinders, and I.
der Bilt.
AuData-efficient machine learning methods in the ME-TIME study: Rationale and design of a longitudinal study to detect atrial fibrillation and heart failure from wearables,Ay Cardiovasc Digit Health J, vol.
4, no.
6, pp.
165Ae172, https://doi.
org/10.
1016/j.
Sunge.
Amali.
ZY.
Pramudito.
Badruzzaman, and Purwanto.
AuThe model interpretability on SHAP and comparison classification selection feature for heart disease prediction,Ay Procedia Comput Sci, vol.
210Ae219, https://doi.
org/10.
1016/j.
Peng et al.
AuDevelopment and validation of risk stratification and shared decision-making tool for catheter ablation for atrial fibrillation in patients with heart failure:
a multicentre cohort study,Ay EClinicalMedicine, vol.
83, p.
https://doi.
org/10.
1016/j.
Wang et al.
AuInterpretable prediction of 3-year all-cause mortality in patients with heart failure caused by coronary heart disease based on machine learning and SHAP,Ay Comput Biol Med, vol.
137, p.
104813, 2021, doi:
https://doi.
org/10.
1016/j.
Scrutinio et al.
AuPrediction of mortality in heart failure by machine learning.
Comparison with statistical modeling,Ay Eur J Intern Med, vol.
133, pp.
106Ae112, 2025, doi: https://doi.
org/10.
1016/j.
Gaudin.
Kaur.
Sharma, and R.
Kumar.
AuA Comparative Analysis of Machine Learning Models for the Classification of Heart Failure Patients in the Intensive Care Unit,Ay Recent Advances in Electrical and Electronic Engineering, vol.
18, no.
7, pp.
834Ae849, 2025, doi:
https://doi.
org/10.
2174/0123520965312805240506113451
Yao.
Golbus.
Gryak.
Pagani.
Aaronson, and K.
Najarian.
AuIdentifying potential candidates for advanced heart failure therapies using an interpretable machine learning algorithm,Ay The Journal of Heart and Lung Transplantation, vol.
41, no.
12, pp.
1781Ae https://doi.
org/10.
1016/j.
Lamp et al.
AuCharacterizing advanced heart failure risk and hemodynamic phenotypes using interpretable machine learning,Ay Am Heart J, vol.
271, pp.
1Ae11, 2024, doi:
https://doi.
org/10.
1016/j.
Cai.
Zhu.
Clarkson, and Y.
Feng.
AuThe Use of Machine Learning for the Care of Hypertension and Heart Failure,Ay JACC: Asia, vol.
1, no.
2, pp.
162Ae172, 2021, doi: https://doi.
org/10.
1016/j.
Jang et al.
AuMortality Prediction in Patients With or Without Heart Failure Using a Machine Learning Model,Ay JACC: Advances, vol.
2, no.
7, p.
100554, 2023,
doi: https://doi.
org/10.
1016/j.
Alda Amorita Azza.
Asep Id Hadiana, and Agus Komarudin.
AuKlasifikasi Aktivitas Pengguna yang Berpotensi Menyebabkan Kebocoran Informasi Sensitif Menggunakan Algoritma Random Forest,Ay TEMATIK, vol.
41Ae49.
Jun.
38204/tematik.
DOI: https://doi.
org/10.
38204/tematik Lisensi: Creative Commons Attribution 4.
0 International (CC BY 4.