Perpustakaan Digital ITB

Metode Explainable Artificial Intelligence (XAI) model-agnostic seperti SHAP, LIME, Anchors, dan Counterfactual Explanations umumnya tersedia sebagai library terpisah dengan antarmuka pemanggilan dan format keluaran yang berbeda-beda. Akibatnya, pengembang yang ingin memadukan beberapa metode sekaligus terpaksa menulis kode perekat yang berulang dan rapuh pada setiap proyek. Keluaran metode XAI yang bersifat teknis dan numerik juga sulit dipahami pengguna non-teknis, sementara pemanfaatan Large Language Model (LLM) untuk menerjemahkannya menjadi narasi kerap belum ditopang kontrak data yang seragam, sehingga rentan menghasilkan narasi yang tidak setia terhadap keluaran model. Tugas akhir ini mengembangkan Narrai, sebuah library Python yang mengintegrasikan beragam metode XAI dengan LLM melalui satu antarmuka tunggal. Narrai memetakan keluaran yang heterogen ke dalam satu kontrak data tervalidasi melalui penerapan Adapter Pattern, menyusun prompt terstruktur yang disertai aturan penjagaan kesetiaan, lalu menghubungkannya dengan penyedia LLM yang dapat dipertukarkan melalui Strategy Pattern. Library diuji pada empat aspek menggunakan dataset, backend XAI, dan pemanggilan LLM yang nyata. Hasil pengujian menunjukkan integritas kontrak data terpenuhi pada seluruh kasus uji, keberhasilan integrasi dari ujung ke ujung mencapai seratus persen, kesetiaan narasi mencapai rata-rata 83,9 persen dengan aturan penjagaan yang terbukti menaikkan kesetiaan sebesar 10,1 poin, serta reduksi baris kode integrasi sebesar 85,7 persen dibandingkan penulisan manual. Hasil ini menunjukkan bahwa Narrai mampu menyatukan pemanggilan beragam metode XAI dan menghasilkan penjelasan naratif yang setia terhadap keluaran XAI secara efisien dan andal.