"Optimalisasi Deteksi Intrusi pada Dataset CICIDS2017 Menggunakan Feature Selection Lasso Regression dan Random Forest dengan Hyperparameter Tuning Berbasis Bayesian Optimization [AJG] [UII]"

Abstract

Deteksi intrusi pada sistem jaringan merupakan salah satu aspek penting dalam keamanan siber, dengan tujuan untuk melindungi data dan infrastruktur dari potensi serangan. Pada penelitian ini, dilakukan optimasi deteksi intrusi menggunakan algoritma Random Forest dengan penerapan seleksi fitur Lasso Regression dan **optimasi hyperparameter berbasis Bayesian Optimization pada dataset CICIDS2017. Dataset ini memiliki dimensi tinggi dan beragam jenis serangan yang memerlukan model yang akurat dan efisien.

Seleksi fitur dengan Lasso Regression diterapkan untuk mengurangi dimensi data dan memilih fitur-fitur yang paling relevan, sementara Bayesian Optimization digunakan untuk melakukan tuning hyperparameter pada algoritma Random Forest guna meningkatkan akurasi model. Hasil eksperimen menunjukkan bahwa penerapan Lasso Regression dalam seleksi fitur dapat meningkatkan efisiensi model dalam memilih fitur yang relevan, sementara optimasi hyperparameter berbasis Bayesian Optimization meningkatkan akurasi deteksi intrusi, yang tercermin dari peningkatan performa yang signifikan pada metrik akurasi, precision, recall, dan F1-score.

Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan sistem deteksi intrusi yang lebih akurat dan efisien, terutama dalam menangani dataset berdimensi tinggi dan class imbalance, serta meningkatkan efektivitas algoritma Random Forest dalam deteksi serangan di lingkungan jaringan yang kompleks.