Explainable AI

Teknik Explainable AI (XAI) dalam Forensik Digital

Explainable AI (XAI) adalah sekumpulan metode untuk membuat keputusan AI dapat dipahami, dijelaskan, dan dipertanggungjawabkan oleh manusia.

Di konteks militer AI Zionis Israel, XAI bukan sekadar alat teknis — ini adalah senjata forensik untuk membongkar “black box” yang membunuh ribuan warga Palestina.

Tanpa XAI, kita hanya tahu “banyak sipil mati”.
Dengan XAI, kita bisa membuktikan bagaimana algoritma memutuskan siapa yang harus mati, faktor apa yang paling memengaruhi, dan seberapa sistemik biasnya.

Teknik Explainable AI Utama

Teknik	Tingkat Kesulitan	Cara Kerja Singkat	Kelebihan	Kekurangan	Relevansi di Militer AI Israel
LIME	Rendah-Sedang	Membuat model sederhana lokal di sekitar satu prediksi tertentu	Cepat, mudah dipahami, fleksibel	Hanya penjelasan lokal, kurang stabil	Menganalisis satu target Lavender
SHAP (Shapley Values)	Sedang-Tinggi	Menghitung kontribusi setiap fitur menggunakan teori permainan (Shapley)	Sangat akurat, konsisten, global & lokal	Komputasi berat, lambat pada model besar	Mengukur pengaruh lokasi HP, pola komunikasi, usia
Feature Importance	Rendah	Menunjukkan fitur mana yang paling berpengaruh secara keseluruhan	Sangat cepat & sederhana	Tidak menjelaskan interaksi antar fitur	Analisis cepat bias dataset Wolf Pack
Counterfactual Explanations	Sedang	“Apa yang harus berubah agar keputusan berbeda?”	Sangat intuitif & actionable	Kadang tidak realistis	“Apa yang harus dilakukan target agar tidak dibom?”
Attention Visualization	Sedang-Tinggi	Menunjukkan bagian mana yang “diperhatikan” AI (pada gambar atau data)	Bagus untuk data visual	Sulit diinterpretasi pada model kompleks	Analisis visual SITS dan drone
Partial Dependence Plot (PDP)	Sedang	Menunjukkan hubungan antara satu/dua fitur dengan output model	Mudah divisualisasikan	Hanya satu-dua variabel, asumsi independensi	Melihat pengaruh usia/lokasi terhadap skor ancaman
Integrated Gradients	Sedang-Tinggi	Menghitung kontribusi fitur dengan integral gradient	Stabil & akurat untuk deep learning	Komputasi mahal	Analisis model deep learning di SITS

Penerapan pada Sistem Militer AI Israel

• Lavender & Threat Scoring
  SHAP paling sering digunakan untuk membongkar skor ancaman. Contoh: lokasi HP di area “hotspot”, pola komunikasi malam hari, atau usia pria muda berkontribusi sangat tinggi terhadap vonis mati.

• Gospel / Habsora
  Attention Visualization untuk menjelaskan mengapa sebuah bangunan atau kelompok orang diklasifikasikan sebagai target militer.

• SITS (Server in the Sky)
  Kombinasi LIME + Attention Map untuk menjelaskan keputusan drone di udara secara real-time.

• Wolf Pack & Blue Wolf
  Counterfactual Explanations untuk melihat “apa yang harus diubah agar seseorang tidak masuk daftar target”.

• NameTag (Meta Glasses)
  SHAP digunakan untuk menganalisis faktor apa yang paling memengaruhi pengenalan wajah (cahaya, angle, etnis, dll).

Manfaat Forensik Digital dengan XAI

• Membuktikan bias sistemik (etnis Palestina lebih berpengaruh daripada keberadaan senjata).
• Menunjukkan bahwa keputusan mematikan adalah sistematis, bukan kesalahan acak.
• Memberikan bukti hukum yang kuat untuk ICC/ICJ (bukan hanya jumlah korban, tapi bagaimana algoritma membunuh).
• Membantu aktivis memahami logika mesin, sehingga bisa mengembangkan strategi perlawanan yang lebih tepat.

Tantangan Besar

• Militer Israel jarang membuka model mereka (black box protection).
• Trade-off: semakin explainable model, biasanya semakin rendah akurasinya.
• Banyak sistem sengaja dibuat “semi-transparent” untuk menghindari pengawasan hukum.
• Komputasi XAI sering mahal dan memerlukan akses ke model asli.

Kesimpulan Tajam

Explainable AI adalah senjata intelektual paling penting dalam perlawanan melawan genosida algoritmik.

Tanpa XAI, kita hanya bisa menangis melihat korban.
Dengan XAI, kita bisa membuktikan bahwa mesin itu sengaja membunuh, dengan bias yang disengaja, dan dengan impunitas yang dirancang.

Ini adalah medan perang baru:
Perang untuk membongkar kotak hitam yang sedang membunuh orang Palestina secara sistematis.

---

SHAP