Industrial Internet of Things (IIoT) telah berkembang pesat, meningkatkan efisiensi produksi dan profitabilitas, sekaligus memperkenalkan tantangan keamanan yang signifikan karena sistem IIoT menjadi lebih rentan terhadap serangan siber. Studi ini menangani tantangan tersebut dengan menerapkan deteksi serangan menggunakan metode ensemble learning dan Explainable Artificial Intelligence (XAI). Model seperti Random Forest, XGBoost, dan LightGBM digunakan bersama SHAP (SHapley Additive Explanations) untuk meningkatkan transparansi model. Stratified Sampling digunakan untuk mengurangi volume data sambil mempertahankan distribusi fitur, dan seleksi fitur dilakukan menggunakan Random Forest Feature Importance untuk mencapai akurasi dan efisiensi tinggi. Dataset Edge-IIoTset digunakan, dengan preprocessing dan seleksi fitur yang dioptimalkan melalui Random Forest Feature Importance. Pengujian melibatkan dua skenario dengan variasi jumlah fitur dan pembagian data untuk mengevaluasi efektivitas model. Hasil menunjukkan bahwa model LightGBM mencapai akurasi tertinggi sebesar 97,60%, diikuti oleh XGBoost dengan 96,90%, dan Random Forest dengan 96,51%. Selain itu, SHAP mengidentifikasi fitur fitur utama yang memengaruhi prediksi, meningkatkan kepercayaan dan pemahaman pengguna. Hasil ini menunjukkan bagaimana kombinasi ensemble learning dan XAI dapat meningkatkan keamanan IIoT secara efektif.
Kata kunci : Explainable AI, Industrial Internet of Things, Feature Selection, Stratified Sampling, Ensemble Learning