Perpustakaan Digital ITB

Penelitian ini membahas pengembangan orkestrasi multi-agent Artificial Intelligence (AI) berbasis Large Language Model (LLM) lokal untuk mendukung konfigurasi dan analisis jaringan skala menengah. Kompleksitas jaringan modern, tingginya volume telemetri, serta keberadaan perangkat multi-vendor menyebabkan pengelolaan jaringan secara manual menjadi tidak efisien, rawan human error, dan membutuhkan waktu penanganan yang lama. Penelitian ini berfokus pada pengembangan subsistem Backend-AI yang mampu membantu proses analisis jaringan dan otomatisasi konfigurasi menggunakan antarmuka bahasa alami tanpa ketergantungan terhadap layanan cloud eksternal. Sistem dikembangkan menggunakan pendekatan agentic AI berbasis multi-agent yang terdiri atas engineer agent, analyst agent, dan verifier agent. Engineer agent bertugas menghasilkan konfigurasi perangkat jaringan berdasarkan instruksi pengguna, analyst agent melakukan pemantauan telemetri jaringan untuk mendeteksi anomali dan memberikan rekomendasi perbaikan, sedangkan verifier agent bertugas memvalidasi keseluruhan rencana konfigurasi dan hasil analisis. Backend-AI dibangun menggunakan model LLM lokal yang dijalankan melalui Ollama serta dipadukan dengan Retrieval-Augmented Generation (RAG) menggunakan ChromaDB untuk memperkaya konteks inferensi dan mengurangi hallucination pada model. Penelitian ini juga mengintegrasikan Model Context Protocol (MCP) sebagai middleware untuk menghubungkan sistem AI dengan perangkat jaringan melalui protokol SSH, serial, dan telnet. Pengujian dilakukan pada berbagai skenario konfigurasi jaringan, seperti OSPF, DHCP, VLAN, Etherchannel. Pengujian juga dilakukan pada berbagai skenario analisis lalu lintas jaringan seperi link down, native VLAN mismatch, dan DHCP pool exhaustion menggunakan simulator jaringan GNS3. Hasil pengujian menunjukkan bahwa sistem mampu menghasilkan konfigurasi jaringan dengan tingkat keberhasilan di atas 90% serta memberikan analisis anomali jaringan dengan tingkat akurasi di atas 4.50/5.00 menggunakan sumber daya lokal tanpa koneksi internet. Kebaruan penelitian ini terletak pada integrasi agentic AI, RAG, dan MCP dalam sebuah orkestrasi multi-agent berbasis LLM lokal untuk kebutuhan otomasi jaringan multi-vendor. Sistem yang dikembangkan tidak hanya mampu memberikan rekomendasi, tetapi juga mendukung analisis dan eksekusi konfigurasi secara terintegrasi pada lingkungan jaringan nyata maupun simulasi. Penelitian ini diharapkan dapat memberikan kontribusi terhadap pengembangan otomasi jaringan cerdas yang lebih efisien, aman, dan adaptif pada lingkungan jaringan skala menengah.