Deskripsi
Detektor serangan jantung (MI) yang dikembangkan merupakan sebuah kerangka diagnostik baru yang menggabungkan akurasi tinggi dengan transparansi klinis. Menggunakan dataset rekaman phonocardiogram, kerangka ini melatih Convolutional Neural Network (CNN) VGG-16 satu dimensi yang dimodifikasi untuk klasifikasi biner antara MI dan suara jantung normal. Untuk memvalidasi proses pengambilan keputusan, kerangka kerja ini mengintegrasikan Phase-Aware XAI Engine untuk mengukur kontribusi fase-fase jantung tertentu (S1, sistol, S2 dan diastol) serta analisis Feature Importance yang menetapkan hierarki dari ekstraksi fitur yang dihasilkan untuk melatih model. Model yang diusulkan mencapai akurasi puncak sebesar 98,84% pada data train dan 83,04% pada data test, menunjukkan tingkat robustitas dan generalisasi yang tinggi dari model deteksi yang dikembangkan. XAI juga mengidentifikasi fitur spektral Constant-Q Transform (CQT) sebagai fitur dominan untuk deteksi patologis. Selain itu, analisis phase occlusion mengungkapkan bahwa kekuatan prediktif model sangat bergantung pada interval siklus jantung yang didominasi oleh oklusi pada fase diastolik menyebabkan penurunan kinerja. Temuan ini menyimpulkan bahwa kerangka kerja ini bekerja dengan mendeteksi anomali struktural halus pada domain frekuensi logaritmik dalam interval diastolik, serta menunjukkan bahwa akurasi diagnostik dan interpretabilitas model dapat berjalan berdampingan untuk mendukung layanan kesehatan jantung yang andal dan dapat dipercaya.
