Model machine learning (ML) yang dapat diinterpretasikan semakin diperlukan karena teknologi machine learning telah terbukti berhasil mengatasi beberapa masalah komputasi pada berbagai bidang aplikasi yang semula dilakukan manusia seperti klasifikasi, regresi, klastering, dan deteksi anomali dengan kinerja yang sangat tinggi. Kemajuan ini telah merevolusi sejumlah industri mulai dari pendidikan dan keuangan hingga perawatan kesehatan dan hiburan. Namun, karena model machine learning yang dipergunakan menjadi semakin kompleks maka model tersebut menjadi semakin sulit dipahami dan diinterpretasikan penggunanya. Hal ini menjadi kendala dalam penggunaan teknologi machine learning pada beberapa bidang aplikasi yang bersifat safety critical seperti kesehatan, keuangan, keamanan, dan hukum. Pada bidang-bidang tersebut, model machine learning dituntut tidak saja harus akurat tetapi harus dapat diinterpretasikan penggunanya untuk membangun kepercayaan, memastikan keadilan, mematuhi peraturan, mendiagnosis kesalahan, berkolaborasi dengan manusia, dan mengelola risiko yang terkait dengan penerapan model machine learning di berbagai bidang.

Machine learning yang dapat ditafsirkan (Interpretable Machine Learning, IML) adalah sebuah cabang dari ilmu Kecerdasan Artifisial (Artificial Intelligence) yang berupaya mengatasi tantangan ini. Tujuan IML adalah merancang model machine learning yang tidak saja menghasilkan hasil prediksi yang akurat tetapi juga dapat memberikan penjelasan tentang bagaimana hasil prediksi tersebut diperoleh, bersifat lebih transparan, dapat dipercaya, dan lebih tahan terhadap berbagai serangan yang bertujuan untuk merusak kinerja dan integritas model.

Buku ini disusun bagi para pembaca dengan latar belakang pemula di bidang machine learning namun memberikan detail teknis bagi mereka yang ingin mendalami topik tertentu dengan lebih mendalam.