Meningkatkan Akurasi Deteksi Serangan Infiltration padaDataset CIC-IDS2017 Menggunakan Metode Ensemble Learning

Authors

  • Muhamad Rizki Ilahi Telkom University Author

Keywords:

infiltration, ensemble, intrusion detection, CIC-IDS2017, machine learning, random forest, deep neural network

Abstract

Serangan infiltration merupakan jenis intrusi dengan jumlah sampel kecil yang sering
terlewat oleh sistem deteksi. Artikel ini bertujuan untuk meningkatkan akurasi deteksi serangan
infiltration menggunakan metode ensemble learning yang menggabungkan Random Forest dan
Deep Neural Network. Dengan pendekatan weighted soft voting, model ensemble berhasil me-
ningkatkan deteksi serangan minor dibandingkan model tunggal. Hasil percobaan menunjukkan
bahwa model ensemble dengan bobot 80:20 (Random Forest:DNN) memberikan akurasi terbaik
dengan skor 99.824%. Penelitian ini memperlihatkan potensi penggabungan model untuk menangani
ketidakseimbangan kelas pada dataset CIC-IDS2017.

Published

2026-02-19

Issue

Vol. 1 No. 1 (2025): Metodologi Penelitian dan Tata Tulis Karya Ilmiah Semester Genap 2025

Section

IT-46-04a (S1 IT, Tel-U, Kampus Utama)