Meningkatkan Akurasi Deteksi Serangan Infiltration Menggunakan Metode Ensemble Learning Berbasis Dataset CIC-IDS2017 [AJG]

Abstract

Deteksi serangan siber seperti Infiltration menjadi hal krusial dalam menjaga keamanan sistem jaringan. Salah satu tantangan utama adalah meningkatkan akurasi deteksi mengingat data Infiltration termasuk kelas minoritas dalam kebanyakan dataset IDS. Penelitian ini bertujuan untuk meningkatkan akurasi deteksi serangan Infiltration pada jaringan dengan memanfaatkan pendekatan ensemble learning yang menggabungkan Random Forest dan Deep Neural Network (DNN). Dataset yang digunakan adalah CIC-IDS2017 yang mencakup berbagai jenis serangan jaringan, termasuk Infiltration. Penelitian dilakukan melalui tahapan preprocessing data, penyeimbangan kelas menggunakan Synthetic Minority Oversampling Technique (SMOTE), pelatihan model individual (Random Forest dan DNN), serta penggabungan model melalui metode soft voting. Evaluasi performa dilakukan menggunakan confusion matrix, accuracy, precision, recall, dan f1-score. Berdasarkan hasil evaluasi, model ensemble menunjukkan peningkatan performa signifikan dalam mendeteksi serangan Infiltration, termasuk saat diuji pada data tidak seimbang, data baru, dan data yang mengandung noise. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan sistem Intrusion Detection System (IDS) berbasis machine learning yang lebih akurat, stabil, dan tangguh terhadap berbagai kondisi data.

Kata Kunci: intrusion detection system, infiltration, ensemble learning, random forest, deep neural network, CIC-IDS2017