Analisis Kontribusi Fitur pada Model Random Forest untuk Klasifikasi Serangan Jaringan Menggunakan XAI Berbasis SHAP

ANARGYA, VITO
FAYRUZ RAHMA
ARRIE KURNIAWARDHANI

Automata
Vol. 7 No. 2 (2026)

Intrusion Detection System (IDS) berbasis machinelearning telah banyak digunakan untuk mendeteksi seranganjaringan karena mampu menghasilkan performa klasifikasi yangtinggi. Namun, sebagian besar model machine learning masihbersifat black box sehingga proses pengambilan keputusannyasulit dipahami. Penelitian ini bertujuan untuk menganalisiskeputusan model Random Forest menggunakan metode SHap-ley Additive exPlanations (SHAP) pada tugas deteksi seranganjaringan. Dataset yang digunakan adalah CIC-IDS2017 yangtelah diseimbangkan (balanced) dan terdiri dari enam kelas, yaituBenign, Bot, BruteForce, DoS, PortScan, dan WebAttack. Prosespenelitian dilakukan menggunakan metodologi CRISP-DM yangmeliputi pemahaman bisnis, pemahaman data, persiapan data,pemodelan, evaluasi, dan interpretasi model. Hasil pengujianmenunjukkan bahwa model Random Forest memperoleh nilaiAccuracy, Precision, Recall, dan F1-Score sebesar 99,65%. Anali-sis SHAP menunjukkan bahwa beberapa fitur, seperti DestinationPort dan Bwd Packet Length Min, muncul secara konsistensebagai fitur penting pada beberapa kategori serangan. Selainitu, setiap jenis serangan memiliki kombinasi fitur dominanyang berbeda sehingga model menggunakan pola keputusanyang berbeda untuk masing-masing kategori serangan. Hasilpenelitian menunjukkan bahwa SHAP mampu meningkatkantransparansi model dengan mengidentifikasi fitur-fitur yangberkontribusi terhadap proses klasifikasi. Informasi tersebuttidak hanya membantu memahami alasan di balik keputusanmodel, tetapi juga berpotensi mendukung cybersecurity analystdalam proses investigasi dan analisis insiden keamanan jaringan.