Implementasi Deteksi Anomali Jaringan Berbasis XGBoost dengan Explainable AI (XAI) dan Retrieval-Augmented Generation (RAG)

Firman Widyatmoko, Stevanus (2026) Implementasi Deteksi Anomali Jaringan Berbasis XGBoost dengan Explainable AI (XAI) dan Retrieval-Augmented Generation (RAG). Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (966kB)
	PDF BAB_I.pdf Download (220kB)
	PDF BAB_II.pdf Download (315kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (238kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (231kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (4MB)
	Archive (ZIP) 00000069971_2521_LembarPengesahan.pdf Restricted to Registered users only Download (66kB)

Abstract

Serangan jaringan seperti Denial of Service (DoS), brute-force, dan reconnaissance tetap menjadi ancaman yang persisten dengan volume yang signifikan, namun sebagian besar model deteksi anomali berbasis machine learning masih bersifat black-box sehingga analis keamanan mengalami keterbatasan dalam memahami dasar klasifikasi yang dihasilkan, memperlambat respons insiden, dan menghambat pengambilan tindakan mitigasi yang tepat secara langsung. Penelitian ini bertujuan mengevaluasi kinerja XGBoost (Extreme Gradient Boosting) dalam mendeteksi anomali pada dataset GeNIS (GECAD Network Intrusion Scenarios), mengkaji kemampuan SHAP (SHapley Additive exPlanations) dan LIME (Local Interpretable Model-agnostic Explanations) dalam menghasilkan konteks ancaman yang jelas dan akurat, serta mengembangkan sistem RAG (Retrieval- Augmented Generation) berbasis Haystack yang menghasilkan rekomendasi mitigasi actionable berdasarkan penilaian praktisi keamanan jaringan. Model XGBoost dilatih pada 368.556 flow dengan 13 kelas menggunakan seleksi fitur dua fase dan SMOTE tiered adaptif, kemudian dievaluasi secara eksternal pada data traffic kampus nyata. Hasil evaluasi menunjukkan akurasi 99,9159% dan Macro-F1 = 1,00 pada data internal GeNIS, dengan SHAP mencapai konsistensi deterministik 100% pada 13/13 kelas dan LIME menghasilkan fidelity R2 rata- rata 0,6131. Sistem RAG mencapai context relevance rata-rata 0,54 dan answer faithfulness rata-rata 0,67, dengan rekomendasi mitigasi yang dinilai konkret dan actionable oleh praktisi dengan rata-rata skor 3,69 dari skala 5. Namun demikian, performa sempurna pada GeNIS tidak dapat dijadikan acuan keberhasilan model pada lingkungan operasional nyata, evaluasi pada data traffic kampus menghasilkan Macro-F1 = 0,18 dan akurasi 4,30%, mengonfirmasi domain shift struktural antara traffic sintetis dan nyata sebagai keterbatasan mendasar model klasifikasi berbasis fitur flow statistik.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Firman Widyatmoko, Stevanus (00000069971)
Contributors:	Widjaja, Moeljono
Keywords:	deteksi anomali jaringan, explainable artificial intelligence, retrieval- augmented generation, XGBoost
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	23 Jul 2026 07:59
URI:	https://kc.umn.ac.id/id/eprint/47933

Actions (login required)

View Item