Hybrid Ensemble Learning Sistem Keamanan Jaringan Untuk Meningkatkan Performa Deteksi Anomali

Abstract

Serangan siber seperti zero-day attacks dan APT menjadi tantangan serius bagi sistem deteksi intrusi jaringan, terutama yang masih mengandalkan metode berbasis tanda tangan. Penelitian ini bertujuan merancang sistem deteksi anomali jaringan berbasis hybrid ensemble learning dengan menggabungkan algoritma Isolation Forest, K-Means, dan Random Forest menggunakan metode majority voting. Proses penelitian meliputi preprocessing data, pelatihan dan evaluasi model menggunakan dataset publik CSE-CIC-IDS2018. Evaluasi dilakukan dengan metrik akurasi, precision, recall, F1-score, dan AUC. Hasil menunjukkan bahwa pendekatan hybrid ini meningkatkan akurasi deteksi hingga 99,9% dan menurunkan false positive secara signifikan dibanding pendekatan tunggal. Sistem yang diusulkan terbukti lebih adaptif dan efisien dalam mengidentifikasi berbagai pola serangan siber, serta memberikan kontribusi terhadap pengembangan teknologi keamanan jaringan yang lebih andal.