Algoritma Lavender - BlackAlph4ndr01D/Daftar-Militer-AI-zionis-israel-part.2 GitHub Wiki

Algoritma Lavender adalah sistem pembelajaran mesin berbasis supervised learning yang dikembangkan oleh Unit 8200 (divisi intelijen sinyal dan siber IDF). Fungsi utamanya adalah melakukan pemrosesan data massal untuk mengklasifikasikan populasi sipil dan menghasilkan daftar rekomendasi target pembunuhan (human target bank) secara otomatis.

1. Arsitektur Data dan Pipeline Ingesti

Lavender beroperasi di atas Data Lake tersentralisasi yang menyimpan profil digital dari hampir seluruh populasi Gaza (sekitar 2,3 juta jiwa). Arsitektur pemrosesannya terbagi menjadi empat lapisan utama:

[ Lapisan Ingesti Data ]
  ├── SIGINT (Sinyal, Panggilan, SMS)
  ├── GEOINT (Lokasi Seluler, GPS, SITS)
  ├── VISINT (Pengenalan Wajah Drone)
  └── OSINT (Media Sosial, Pesan Grup)
        │
        ▼
[ Graph Database & Feature Store ]
  ├── Pemetaan Hubungan / Graf Sosial
  └── Vektor Fitur Individu (X_i)
        │
        ▼
[ Machine Learning Inference Engine ]
  └── Model Klasifikasi Probabilitas P(Y=1|X)
        │
        ▼
[ Decision & Thresholding Layer ]
  └── Skor Probabilitas > Ambang Batas (θ) ──> Target Bank

Data Lake & Ingestion Layer: Menyerap data mentah dari berbagai sumber intelijen tanpa henti (real-time streaming), meliputi sadapan panggilan suara, metadata telekomunikasi, lalu lintas data internet, koordinat GPS seluler, serta log percakapan grup media sosial.
Graph Database (Neo4j / Kustom): Seluruh populasi dipetakan dalam bentuk node (individu) dan edge (interaksi/koneksi). Ini memungkinkan algoritma menghitung jarak sosial (topological distance) antara individu biasa dengan target yang sudah terkonfirmasi sebelumnya.
Feature Store: Mengubah data mentah menjadi puluhan ribu variabel terstruktur (feature vectors) untuk setiap individu di Gaza.

2. Variabel Input (Features Matrix)

Dalam proses inferensi, algoritma menyusun vektor fitur $\mathbf{X}_i$ untuk setiap individu $i$.

📊 Variabel Input – Empat Kategori Utama

Kategori Fitur	Variabel Input Spesifik	Bobot & Pengaruh
Topologi Jaringan (Graph Features)	• Frekuensi komunikasi dengan target terkonfirmasi. • Kehadiran dalam grup WhatsApp/Telegram yang sama dengan anggota militan. • Derajat sentralitas (centrality score) dalam jaringan komunikasi lokal. • Jumlah degree of separation dari komandan atau fasilitas militer.	Sangat Tinggi → variabel paling dominan dalam menaikkan skor target.
Spasial & Geolokasi (Spatio‑Temporal)	• Co‑location analysis: frekuensi berada di koordinat yang sama dengan ponsel militan lain pada jam tertentu. • Pola pergerakan malam hari atau pergantian lokasi yang tidak biasa. • Frekuensi perpindahan antar menara seluler (cell‑tower handoff).	Tinggi → mengidentifikasi pola pergerakan bersama atau pengawalan.
Perilaku Telekomunikasi (Telecom Metadata)	• Tingkat frekuensi pergantian kartu SIM (IMSI swapping) atau perangkat (IMEI swapping). • Durasi penggunaan ponsel dan pola pematian perangkat (device shutdown). • Penggunaan aplikasi komunikasi terenkripsi atau VPN.	Sedang–Tinggi → indikator perilaku operasional (OPSEC).
Demografi & Visual (Demographic Filters)	• Jenis kelamin (laki‑laki). • Rentang usia produktif (16–60 tahun). • Pencocokan visual awal via kamera pengintai udara/drone (biometric matching score).	Filter Dasar → mempersempit populasi sebelum pembobotan utama.

3. Logika Probabilitas dan Model Klasifikasi

Secara teknis, Lavender menggunakan model Binary Classification (seperti Gradient Boosted Decision Trees atau Deep Neural Networks) untuk menghitung probabilitas apakah seseorang merupakan anggota kelompok bersenjata ($Y = 1$) atau warga sipil ($Y = 0$).

A. Persamaan Probabilitas Dasar

B.Training Set dan Bias Sistemis

Model dilatih menggunakan sampel Positive Class (data anggota Hamas/PIJ yang sudah terkonfirmasi oleh intelijen manusia sebelum perang) dan Negative Class (sampel acak populasi umum).

Namun, terjadi krisis kualitas data latih: karena kurangnya data positif yang murni, pengembang memasukkan variabel "longgar" ke dalam training set (misalnya: kerabat militan, pegawai sipil pemerintah lokal, atau orang yang kebetulan berada di lokasi serangan). Hal ini menyebabkan model mempelajari korelasi yang salah (spurious correlations), seperti menganggap "berkomunikasi dengan anggota keluarga yang berada di organisasi pemerintahan" sebagai bukti aktivitas militer.

C. Ambang Batas (Dynamic Thresholding)

Nilai probabilitas yang dihasilkan dipotong menggunakan ambang batas keputusan: Screenshot 2026-08-11 7 24 56 PM

Eskalasi Target: Ketika kebutuhan operasional militer meningkat untuk menghasilkan ribuan nama per hari, analis menurunkan nilai $\theta$ (misalnya dari $0.85$ menjadi $0.65$).
Konsekuensi: Menurunkan nilai $\theta$ secara matematis memperluas jangkauan pencarian (recall), namun secara langsung meningkatkan angka False Positive (warga sipil yang salah teridentifikasi sebagai militan).

4. Tingkat Kesalahan (False Positive Rate) dan Pembongkaran Verifikasi

Margin Error 10%: Menurut investigasi korps intelijen yang dibocorkan oleh +972 Magazine dan Local Call, Lavender diizinkan beroperasi dengan tingkat kesalahan resmi sekitar 10%. Artinya, dari setiap 100 individu yang dimasukkan ke dalam daftar target oleh algoritma, setidaknya 10 di antaranya adalah warga sipil yang sama sekali tidak memiliki hubungan dengan aktivitas bersenjata.
Degradasi Human-in-the-Loop: Meskipun secara doktrin hukum dibutuhkan verifikasi manusia, peran operator manusia direduksi menjadi sekadar rubber-stamp (pengesahan otomatis). Analis manusia rata-rata hanya mengalokasikan waktu sekitar 20 detik per target—bukan untuk memeriksa keabsahan variabel data masukan algoritma, melainkan hanya untuk memastikan bahwa target berjenis kelamin laki-laki.

Melalui kombinasi arsitektur data masif, feature store yang agresif, dan penurunan ambang batas probabilitas ($\theta$), Lavender mengubah kalkulasi target kinetik dari proses intelijen berbasis bukti menjadi proses statistik kuantitatif massal.