Implementasi Model GraphSAGE dan GraphSVX untuk Deeksi dan Interpretasi Pola Ancaman Internal dalam Profil Perilaku pada Dataset CERT Insider Threat r6.2

Latar Belakang: Ancaman internal merupakan salah satu bentuk serangan siber yang sulit terdeteksi karena dilakukan oleh individu yang memiliki akses sah terhadap sistem organisasi. Banyak organisasi mengalami kerugian signifikan akibat aktivitas pengguna yang menyimpang namun tidak terpantau. Untuk itu, dibutuhkan pendekatan yang mampu mendeteksi pola perilaku mencurigakan secara otomatis dan adaptif, dengan mempertimbangkan hubungan kompleks antar entitas dalam sistem. Representasi graf heterogen dan metode pembelajaran mesin berbasis Graph Neural Network (GNN) menjadi solusi yang potensial untuk mendeteksi pola semacam ini.
Tujuan: Penelitian ini bertujuan untuk membangun sistem deteksi ancaman internal berbasis model GraphSAGE dengan interpretasi hasil prediksi menggunakan metode GraphSVX, guna menjelaskan alasan di balik keputusan model secara transparan.
Metode Penelitian: Model GraphSAGE dilatih untuk mengklasifikasikan node user menjadi normal atau insider. Setelah pelatihan, GraphSVX digunakan untuk menafsirkan fitur perilaku yang paling memengaruhi prediksi ancaman.
Hasil: Model GraphSAGE menunjukkan performa akurasi rata-rata sebesar 99,2% dan F1-score sebesar 96%, bahkan mencapai skor sempurna pada sejumlah konfigurasi pengujian. Hasil interpretasi GraphSVX mengungkap bahwa perilaku seperti login di luar jam kerja, akses file, serta kunjungan ke situs cloud merupakan indikator utama yang berkontribusi terhadap deteksi ancaman.
Kesimpulan: Sistem deteksi ancaman internal berbasis GraphSAGE dan GraphSVX berhasil dibangun dan mampu mendeteksi serta menjelaskan pola perilaku mencurigakan dengan baik. Pendekatan ini tidak hanya akurat tetapi juga
dapat dijelaskan (interpretable), sehingga cocok diterapkan sebagai sistem pendukung keputusan di bidang keamanan siber.