Last Updated on October 19, 2026 by Zona Ekonomi

cara menggunakan SHAP value untuk menjelaskan hasil model prediksi Machine Learning

Table of Contents

Dunia riset ekonomi dan keuangan modern kini telah bergeser drastis. Jika dulu para dosen, mahasiswa, dan analis cukup mengandalkan regresi linier klasik untuk membaca data, kini algoritma Machine Learning tingkat lanjut mendominasi. Masalahnya, model canggih seperti XGBoost atau Random Forest sering kali bertindak sebagai “kotak hitam” (black box). Akurasinya tinggi, tetapi sulit menjelaskan bagaimana sebuah keputusan prediksi diambil. Di sinilah cara menggunakan SHAP value untuk menjelaskan hasil model prediksi Machine Learning menjadi kunci utama untuk menjembatani kompleksitas matematis dan kebutuhan transparansi.

Sebagai akademisi atau praktisi ekonomi, Anda tentu paham bahwa hasil prediksi tanpa alasan logis tidak akan berguna di hadapan pengambil kebijakan atau jurnal ilmiah. Artikel ini akan memandu Anda memahami cara kerja SHAP (SHapley Additive exPlanations) secara intuitif, praktis, dan langsung dapat diterapkan pada riset Anda.

Baca selengkapnya Penerapan Machine Learning dan Inferensi Kausal dalam Ekonometrika

Memahami Akar Konsep: Apa Itu SHAP Value dalam Konteks Ekonomi?

Secara sederhana, SHAP value adalah metode berbasis teori permainan (game theory) kooperatif yang dikembangkan oleh Lloyd Shapley. Dalam pemodelan prediktif—misalnya memprediksi tingkat inflasi atau risiko gagal bayar kredit—setiap variabel (fitur) dianggap sebagai “pemain” dalam sebuah tim.

Tiap variabel memberikan kontribusi (baik positif maupun negatif) untuk menarik nilai prediksi menjauh dari rata-rata datanya. Keunggulan utama SHAP dibandingkan metode lama seperti feature importance biasa adalah kemampuannya memberikan penjelasan yang konsisten dan adil untuk setiap observasi data individu.

Mengapa Penjelasan Model (Explainable AI) Sangat Krusial untuk Riset?

Validasi Akademik: Dosen dan reviewer jurnal menuntut transparansi, bukan sekadar angka akurasi yang tinggi.
Menghindari Bias: Membantu peneliti mendeteksi apakah model membuat prediksi berdasarkan korelasi semu atau hubungan ekonomi yang valid.
Kepercayaan Pemilik Kepentingan: Masyarakat dan pembuat kebijakan enggan mengikuti saran dari sistem yang tidak bisa mereka pahami jalan pikirannya.

Langkah Praktis: Cara Menggunakan SHAP Value dalam Python

Bagi mahasiswa dan periset yang terbiasa menggunakan Python, implementasi SHAP sebenarnya cukup ramah pengguna berkat pustaka (library) shap yang tersedia secara open-source. Berikut adalah tahapan logis penerapannya dalam riset ekonomi:

1. Instalasi dan Persiapan Model Machine Learning

Sebelum menghitung nilai SHAP, Anda tentu harus sudah melatih (fitting) model prediksi Anda menggunakan pustaka seperti Scikit-Learn, XGBoost, atau LightGBM. Pastikan data ekonomi Anda telah melalui tahap pra-pemrosesan seperti normalisasi dan penanganan data hilang.

2. Inisialisasi SHAP Explainer

Setelah model siap, panggil fungsi explainer yang sesuai dengan jenis algoritma Anda. Untuk model berbasis pohon (tree-based), TreeExplainer adalah pilihan tercepat dan paling efisien.

import shap

# Mengasumsikan 'model' adalah model XGBoost yang sudah dilatih
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X_test)

3. Visualisasi Global: Menemukan Variabel Paling Berpengaruh

Untuk melihat gambaran besar faktor apa saja yang paling memengaruhi model prediksi ekonomi secara keseluruhan, gunakan Summary Plot. Grafik ini menggabungkan kepentingan fitur (feature importance) dan dampak arahnya (positif atau negatif).

shap.summary_plot(shap_values, X_test)

Melalui plot ini, seorang peneliti dapat langsung menyimpulkan, misalnya, bahwa suku bunga acuan memiliki bobot negatif yang konsisten terhadap proyeksi pertumbuhan kredit UMKM.

4. Visualisasi Lokal: Membedah Satu Keputusan Spesifik

Salah satu kekuatan terbesar SHAP adalah kemampuannya menjelaskan satu sampel data saja (misalnya, mengapa profil risiko debitur A ditolak). Gunakan Force Plot untuk melihat tarik-menarik variabel pada level individu.

shap.force_plot(explainer.expected_value, shap_values[0], X_test.iloc[0])

Menjawab Pertanyaan Populer Seputar Interpretasi Model

Apa perbedaan antara SHAP value dan Permutation Importance?

Permutation Importance mengukur seberapa besar penurunan akurasi model ketika satu variabel dikacak nilainya secara global. Sementara itu, SHAP value mengukur kontribusi marginal dari setiap variabel terhadap prediksi pada level individu maupun global, sehingga memberikan detail yang jauh lebih kaya.

Apakah SHAP bisa digunakan untuk data time-series ekonomi?

Bisa, namun Anda harus berhati-hati dengan struktur data deret waktu. Pastikan pembagian data latih dan uji (train-test split) tidak melanggar prinsip kronologis untuk menghindari kebocoran data (data leakage).

Kesimpulan dan Rekomendasi Riset

Mengandalkan akurasi semata dalam pemodelan Machine Learning untuk ilmu ekonomi kini sudah ketinggalan zaman. Dengan menerapkan teknik interpretasi yang tepat, riset Anda tidak hanya akan menjadi valid secara statistik, tetapi juga memiliki nilai guna yang tinggi bagi masyarakat luas. Mulailah mengeksplorasi dokumentasi resmi dan asah kemampuan analisis Anda.

Ingin memperdalam wawasan seputar analisis data, ekonomi digital, dan metodologi riset terkini? Kunjungi Zona Ekonomi untuk mendapatkan berbagai artikel mendalam dan panduan praktis lainnya.

FAQ (Pertanyaan yang Sering Diajukan)

1. Apakah pemula dalam pemrograman bisa menggunakan SHAP?

Ya, pustaka SHAP di Python dirancang dengan dokumentasi yang sangat baik. Selama Anda memiliki dasar pemahaman tentang Pandas, Scikit-Learn, and dasar Machine Learning, Anda bisa mempelajarinya dalam beberapa hari.

2. Apakah SHAP hanya bisa dipakai untuk model regresi?

Tidak. SHAP sangat fleksibel dan mendukung model klasifikasi (biner maupun multikelas) serta regresi, menjadikannya alat yang sangat serbaguna untuk berbagai jenis riset ekonomi.

3. Bagaimana cara menyajikan grafik SHAP dalam jurnal ilmiah?

Gunakan format gambar beresolusi tinggi (seperti PNG 300 DPI atau format vektor PDF) untuk *summary plot* dan jelaskan sumbu X (besaran dampak SHAP) serta sumbu Y (peringkat variabel) secara rinci pada bagian narasi metodologi penelitian Anda.

Cara menggunakan SHAP value untuk menjelaskan hasil model prediksi Machine Learning