Sistem Deteksi Intrusi Jaringan Berbasis Ensemble Learning pada Dataset CIC-IDS2017

Abstrak

Ancaman siber yang semakin kompleks menuntut mekanisme deteksi intrusi yang akurat dan efisien. Studi ini mengembangkan model ensemble Random Forest, XGBoost, dan LightGBM untuk mendeteksi serangan pada dataset CIC-IDS2017. Teknik SMOTE diterapkan untuk menangani ketidakseimbangan kelas. Model ensemble mencapai F1-score 98,1% dan waktu inferensi rata-rata 12 ms per aliran, sehingga layak diimplementasikan pada lingkungan jaringan enterprise.