OPTIMASI KINERJA SISTEM DETEKSI INTRUSI MENGGUNAKAN HYBRID XGBOOST DAN ARSITEKTUR DEEP LEARNING EFISIEN

Transformasi digital yang pesat telah memperluas permukaan serangan siber, menuntut adanya Sistem Deteksi Intrusi (IDS) yang responsif dan handal. Kendala utama dalam pengembangan IDS berbasis Deep Learning saat ini adalah tingginya dimensi fitur pada lalu lintas jaringan dan ketidakseimbangan kelas data yang dapat memicu beban komputasi berlebih. Penelitian ini bertujuan untuk mengembangkan model IDS yang efisien dan kokoh dalam mendeteksi berbagai jenis serangan siber menggunakan dataset CIC-IDS2017. Metode yang diusulkan menerapkan pendekatan hibrida yang mengintegrasikan algoritma XGBoost untuk seleksi fitur kepentingan tertinggi. Penelitian ini mengeksplorasi berbagai konfigurasi kedalaman jaringan saraf dengan kombinasi fungsi aktivasi tanh dan SELU untuk menangani non-linearitas data. Kinerja model dievaluasi berdasarkan metrik klasifikasi standar serta metrik operasional keamanan. Hasil eksperimen menunjukkan bahwa model yang diusulkan mampu mencapai akurasi 99,39% dengan False Alarm Ratio (FAR) dan Attack Miss Ratio (AMR) yang rendah sebesar 2,90%. Penelitian ini berkontribusi dalam menghadirkan kerangka kerja deteksi intrusi yang mampu menyeimbangkan kompleksitas arsitektur dan efisiensi komputasi untuk implementasi pada lingkungan jaringan modern.