ANALISIS PERBANDINGAN DAN INTERPRETASI SHAP VALUES TERHADAP MODEL RANDOM FOREST, DECISION TREE, DAN XGBOOST DALAM DETEKSI INTRUSI JARINGAN

Dalam perkembangan teknologi yang sangat pesat internet menjadi salah satu hal yang penting dalam kehidupan sehari hari, tidak menutup kemungkinan dapat terjadi serangan kejahatan dalam dunia cyber yang dapat merugikan bisnis komersial dan Pribadi, salah satu penanganannya dengan cara Intrusion Detection System (IDS), yang dimana melakukan pendeteksian aktifitas � aktiftas jaringan yang mencurigakan.tujuan dari penelitian ini melakukan prediksi aktifitas jaringan menggunakan Teknik machine learning (superviced learning) dengan model algortima Random Forest,Decision Tree, XG-Boost dan interpretasi model menggunakan SHAP Values yang bertujuan untuk memberikan penjelasan mengenai kinerja dari ke 3 model tersebut dalam memprediksi data dan dapat mengetahui fitur apa saja yang berpengaruh dalam prediksi. sehingga dapat mudah dipahami hasil dari prediksi tersebut. Dalam penelitian ini dataset yang digunakan yaitu dataset KDD CUP 99 10%. Proses dimulai dari pengumpulan dataset, kemudian melakukan tahapan pre-processing data kemudian melakukan processing dengan 3 model algoritma tersebut yang dimana ke 3 model tersebut menghasilkan accuracy Random forest sebesar 99,86 % , Decision Tree 98,63%, dan XG-Boost sebesar 99,94%. Kemudian tahapan selanjutnya melakukan tahapan interpretasi model menggunakan SHAP Values. Hasil dari penelitian ini menunjukkan bahwa model XG-Boost lebih efektif, yang dimana mendapatkan nilai akurasi yang tinggi dan model tersebut dapat memprocess data lebih adil atau lebih menyeluruh dibandingkan kedua model tersebut.