<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Analisis Explainable Artificial Intelligence Menggunakan SHAP dan LIME untuk Interpretasi Network Intrusion Detection System

dc.contributor.authorAnargya, Vito
dc.date.accessioned2026-11-12T05:42:58Z
dc.date.issued2026
dc.description.abstractPerkembangan teknologi komputer yang semakin pesat diikuti dengan meningkatnyaancaman keamanan siber, sehingga diperlukan sistem yang mampu mendeteksi berbagai jenis serangan jaringan secara akurat. Network Intrusion Detection System (NIDS) berbasis machine learning telah banyak digunakan untuk meningkatkan kemampuan deteksi serangan. Namun, sebagian besar model machine learning memiliki karakteristik black box yang menyebabkanproses pengambilan keputusan sulit dipahami. Penelitian ini bertujuan menganalisisinterpretasi model machine learning pada Intrusion Detection System menggunakan metodeExplainable Artificial Intelligence (XAI) berbasis Shapley Additive explanations. Dataset yangdigunakan adalah CIC-IDS2()17 yang terdiri atas enam kelas, yaitu Benign, Bot, Brute Force,Denial of Service (DoS), PortScan, dan WebAttack. Penelitian ini menggunakan tiga modelklasifikasi, yaitu Random Forest, eXtreme Gradient Boosting (XGBoost), dan Multi-Layer Perceptron (MLP). Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall,dan Fl-score, sedangkan interpretasi model dilakukan melalui analisis global dan lokalmenggunakan SHAP. Selain itu, metode LIME digunakan sebagai pembanding pada interpretasi lokal. Hasil penelitian menunjukkan bahwa model XGBoost memperoleh performa terbaik dengan nilai accuracy, precision, recall, dan F I -score masing-masing sebesar 99,650/0. Analisis SHAP menunjukkan bahwa titur seperti Destination port, Init_Win_bytes backward dan Bwd Packets/s memberikan kontribusi penting terhadap proses klasifikasi. Perbandinga interpretasi lokal menggunakan SHAP dan LIME menunjukkan bahwa kedua metode menghasilkan interpretasi yang konsisten terhadap fitur-fitur utama, akan tetapi SHAP memberikan informasi yang lebih komprehensif karena mampu menjelaskan model pada tingkat global maupun lokaL Hasil penelitian menunjukkan bahwa penerapan SHAP dapat meningkatkan transparansi serta pemahaman terhadap proses pengambilan keputusan model Network Intrusion Detection System berbasis machine learning.
dc.identifier.urihttps://repository.uii.ac.id/handle/123456789/67570
dc.publisherUniversitas Islam Indonesia
dc.subjectExplainable Artificial Intelligence
dc.subjectIntrusion Detection System
dc.subjectMachine Learning
dc.subjectSHAP
dc.subjectXGBoost
dc.titleAnalisis Explainable Artificial Intelligence Menggunakan SHAP dan LIME untuk Interpretasi Network Intrusion Detection System
dc.typeThesis

Files

Original bundle

Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
22523117.pdf
Size:
22.15 MB
Format:
Adobe Portable Document Format