Metode Utama.md

🔍 Metode Utama Explainable AI (XAI)

📌 LIME (Local Interpretable Model-agnostic Explanations)

• Cara kerja: membuat model sederhana di sekitar satu prediksi untuk menjelaskan keputusan lokal.
• Kelebihan: cepat, mudah dipahami, cocok untuk penjelasan individual.
• Kekurangan: hasil bisa berbeda antar run, kurang konsisten.
• Contoh penggunaan: menjelaskan kenapa satu individu diberi skor ancaman tinggi oleh sistem Lavender.

---

📌 SHAP (SHapley Additive exPlanations)

• Cara kerja: menghitung kontribusi tiap fitur berdasarkan teori permainan Shapley values.
• Kelebihan: hasil konsisten, bisa menjelaskan global maupun lokal.
• Kekurangan: komputasi lebih berat.
• Contoh penggunaan: audit faktor dominan dalam sistem Threat Scoring, misalnya lokasi HP, pola komunikasi, usia.

---

📌 Counterfactual Explanations

• Cara kerja: menjawab pertanyaan “apa yang harus berubah agar keputusan berbeda?”.
• Kelebihan: intuitif, mudah dipahami non-teknis.
• Kekurangan: kadang tidak realistis (misalnya perubahan ekstrem).
• Contoh penggunaan: menjelaskan pada sistem Arbel AI Rifle — “apa yang harus dilakukan target agar tidak ditembak otomatis?”.

---

📌 Attention Visualization

• Cara kerja: menunjukkan bagian input (teks/gambar) yang paling diperhatikan model.
• Kelebihan: visual kuat, cocok untuk citra atau teks.
• Kekurangan: sulit untuk model kompleks, interpretasi bisa ambigu.
• Contoh penggunaan: menjelaskan kenapa sistem Gospel (Habsora) menandai sebuah bangunan sebagai target militer.

---

📌 Partial Dependence Plot (PDP)

• Cara kerja: menampilkan hubungan antara satu fitur dengan output model.
• Kelebihan: mudah divisualisasikan, cocok untuk analisis sederhana.
• Kekurangan: terbatas pada satu-dua variabel, tidak menangkap interaksi kompleks.
• Contoh penggunaan: melihat pengaruh usia atau lokasi terhadap skor ancaman dalam sistem SITS.

---

🎯 Kesimpulan

Metode utama XAI ini saling melengkapi:

• LIME → penjelasan lokal cepat.
• SHAP → analisis global + lokal dengan konsistensi tinggi.
• Counterfactual → skenario “apa jika”.
• Attention → fokus visual model.
• PDP → hubungan sederhana fitur-output.

Semua metode ini dipakai dalam repo untuk audit transparansi, forensik digital, dan pembebasan Masjidil Aqsa.

Metode Tools Forensik >> studi kasus Audit Protocol Lavender