Perpustakaan Digital ITB

Sistem Static Application Security Testing (SAST) berbasis kecerdasan artifisial memerlukan pemeliharaan berkelanjutan setelah penerapan, sebab kualitas modelnya bergantung pada data, konfigurasi, dan bobot yang terus berubah. Tugas akhir ini merancang dan membangun AI Platform, yaitu platform pengelolaan lifecycle data dan model untuk sistem SAST berbasis AI, yang mencakup versioning dataset, konfigurasi, dan model beserta keterlacakan (lineage); kurasi data kerentanan baru secara human-in-the-loop; orkestrasi pelatihan ulang termasuk pencarian hyperparameter; deteksi drift; serta release management. Rancangan solusi tersebut menjawab kelima rumusan masalah. Pengelolaan versi dataset, konfigurasi, dan model beserta keterlacakan antarartefak, yang ditegakkan melalui penguncian versi, menjamin evolusi model dapat dilacak dan direproduksi. Data kerentanan baru dari scraping, umpan balik, dan unggahan manual diubah menjadi versi dataset melalui seleksi human-in-the-loop. Orkestrasi pelatihan ulang memasok masukan metode pembelajaran berkelanjutan, yaitu Elastic Weight Consolidation dan Experience Replay, dari sumber yang benar. Deteksi drift memakai empat detektor komplementer dengan acuan baseline yang terjaga. Release management mendasarkan pemilihan versi pada bukti pembanding antarversi dan menyediakan rollback tanpa menghentikan layanan. Sistem dievaluasi melalui delapan skenario lifecycle serta pengujian empat puluh kebutuhan fungsional dan tujuh kebutuhan non-fungsional pada lingkungan penerapan berbasis CPU. Setiap skenario diperiksa kembali pada basis data agar yang dinilai adalah keadaan yang benar-benar tercatat, bukan tampilannya semata. Hasil evaluasi menunjukkan seluruh kebutuhan terpenuhi dan kelima rumusan masalah terjawab: artefak dapat ditelusuri dan direproduksi, masukan pembelajaran berkelanjutan terbukti benar, sinyal drift dihasilkan dengan acuan yang terjaga, serta pembaruan model dapat dikembalikan tanpa mengganggu layanan analisis.