View/Open

Author
FERDANA, AL-HAKIM

Date Published
05 Aug 2026

Advisor
Martin Clinton Tosima Manullang, S.T., M.T., Ph.D.,

Subject
Teknik Informatika

Publisher

Penyakit kardiovaskular merupakan penyebab kematian tertinggi secara global, dan kardiomegali menjadi salah satu indikator awal yang dapat dideteksi melalui citra Chest X-Ray (CXR). Model deep learning seperti DenseNet121 mampu mendeteksi kardiomegali dengan akurat, tetapi sifatnya yang black box menghambat adopsi klinis. Metode Explainable AI (XAI) seperti Grad-CAM dan Grad-CAM++ menghasilkan heatmap untuk menjelaskan keputusan model, namun kesetiaan (faithfulness) heatmap terhadap mekanisme internal model masih perlu diuji secara kuantitatif. Penelitian ini mengevaluasi faithfulness heatmap Grad-CAM dan Grad-CAM++ pada model DenseNet121 dengan strategi linear probing untuk deteksi kardiomegali. Model dilatih pada dataset NIH ChestX-ray14 (biner: cardiomegaly vs no finding) dengan pembagian tingkat pasien. Faithfulness diukur menggunakan metrik AUC-Deletion dan AUC-Insertion berbasis perturbasi superpixel SLIC, kemudian dibandingkan terhadap random baseline menggunakan uji Wilcoxon signed-rank. Model mencapai akurasi 0,7946 dan AUC 0,8827. Pada full test set (n=225), kedua metode menghasilkan AUC-Deletion lebih rendah dan AUC-Insertion lebih tinggi dibandingkan random baseline, dengan uji Wilcoxon menolak hipotesis nol (p < 0,01). Faithfulness terbukti bergantung pada tingkat keyakinan model: signifikan kuat pada confidence ≥ 0,80 dan tidak signifikan di bawahnya. Grad-CAM++ menunjukkan keunggulan tipis namun konsisten. Namun, evaluasi anatomical alignment menunjukkan bahwa faithfulness statistik tidak selalu sejalan dengan plausibility anatomis, dengan hanya 36,7% (Grad-CAM) dan 43,3% (Grad-CAM++) sampel tergolong True Success.

URI
https://repository.itera.ac.id/depan/submission/SB2607270012

Keyword
Kardiomegali Grad-CAM Faithfullness DenseNet121 XAI