Perbandingan Algoritma Machine Learning untuk Intrusion Detection System pada Dataset NSL-KDD - Comparative Study

Aug 4, 2026

Unggah oleh Sage

Era digital mendorong serangan siber menjadi semakin kompleks, sehingga IDS berbasis aturan statis sering kurang mampu mengenali pola serangan baru. Penelitian ini merancang dan mengimplementasikan model machine learning untuk mendeteksi intrusi jaringan secara efektif dengan meminimalkan latensi melalui analisis komparatif algoritma Decision Tree, Random Forest, Support Vector Machine (SVM), dan Boosting. Data NSL-KDD diproses melalui transformasi, pembersihan, normalisasi, serta pembagian pelatihan dan pengujian. Evaluasi menggunakan akurasi, presisi, recall, F1-score, dan analisis waktu pelatihan/prediksi. Hasil menunjukkan Boosting mencapai akurasi 99,36% dan lebih andal pada kelas minoritas meski membutuhkan waktu pelatihan lebih lama.

BahasaIndonesian

KategoriPenelitian & Laporan

FormatPDF

Halaman11

Waktu Membaca17 mnt

AksesGratis untuk diunduh

Daftar Isi

Pendahuluan

Latar belakang keamanan sistem informasi dan IDS

Keterbatasan IDS berbasis aturan statis

Integrasi machine learning pada IDS

Tujuan penelitian dan algoritma yang digunakan

PerbandinganAlgoritma Machine Learning untuk Intrusion Detection System pada Dataset NSL-KDD A Comparative Study ofMachine Learning Algorithms for Intrusion Detection Systems using theNSL-KDD Dataset 1Rulyansyah Permata Putra, 2Amarudin* 1Program Studi Teknologi Informasi, Fakultas Teknik dan Ilmu Komputer, Universitas Teknokrat Indonesia 2Program Studi Ilmu Komputer, Fakultas Teknik dan Ilmu Komputer, Universitas Teknokrat Indonesia 1,2Jl. Zainal Abidin Pagaralam No.9-11 Labuhan Ratu, Bandar Lampung, Indonesia *e-mail: [rulyansyah_permata_putra@teknokrat.ac.id](rulyansyah_permata_putra@teknokrat.ac.id), [amarudin@teknokrat.ac.id](amarudin@teknokrat.ac.id) (received: 25 April 2025, revised: 24 May 2025, accepted: 25 May 2025) Abstrak Di era digital saat ini, serangan siber berkembang semakin kompleks, sehingga sistem deteksi intrusi (IDS) berbasis aturan statis sering kali gagal mengenali pola serangan baru. Tujuan utama penelitian adalah merancang dan mengimplementasikan model machine learning untuk mendeteksi intrusijaringan komputer secara efektif dengan meminimalkan latensi, melalui analisis komparatif antara beberapa algoritma, yaitu Decision Tree, Random Forest, Support Vector Machine (SVM), dan Boosting. Metode penelitian yang digunakan meliputi pengumpulan dataset NSL-KDD, proses transformasi data, pembersihan, normalisasi, dan pembagian data menjadi set pelatihan dan pengujian. Masing-masing algoritma dilatih dengan parameter yang telah disesuaikan, dan performanya dievaluasi menggunakan metrik akurasi, presisi, recall, f1-score, serta analisis waktu pelatihan dan prediksi. Hasil penelitian menunjukkan bahwa algoritma Boosting menonjol dengan tingkat akurasimencapai 99,36% . Boosting juga terbukti lebih handal dalam mendeteksi kelas minoritas meskimemerlukan waktu pelatihan lebih lama. Penerapan metode machine learning, khususnya Boosting, merupakan pendekatan efektif untuk meningkatkan deteksi intrusi yang dapat dijadikan dasar bagipengembangan sistem keamanan siber lebih adaptif dan andal. Kata kunci: intrusion detection system, boosting, machine learning, NSL-KDD, keamanan siber Abstract In today’s digital era, cyberattacks are becoming increasingly complex, rendering traditional rulebased Intrusion Detection Systems (IDS) often ineffective in recognizing new attack patterns. The primary objective of this study is to design and implement a machine learning model for detecting network intrusions efficiently while minimizing latency, through a comparative analysis of several algorithms: Decision Tree, Random Forest, Support Vector Machine (SVM), and Boosting. The research methodology includes the collection of the NSL-KDD dataset, followed by data transformation, cleaning, normalization, and partitioning into training and testing sets. Each algorithm was trained using tuned parameters, and performance was evaluated using metrics such as accuracy, precision, recall, F1-score, and an analysis of training and prediction time. The results indicate that the Boosting algorithm stands out, achieving an accuracy rate of 99.36%. Boosting also demonstrated greater reliability in detecting minority classes, despite requiring longer training times. The application of machine learning methods—particularly Boosting—proves to be an effective approach to enhancing intrusion detection and can serve as a foundation for developing more adaptive and reliable cybersecurity systems. Keywords: intrusion detection system, boosting, machine learning, NSL-KDD, cyber security 1 Pendahuluan Keamanan sistem informasi menjadi aspek krusial dalam dunia digital yang terus berkembang pesat. Ancaman siber, seperti serangan peretasan, pencurian data, dan penyusupan jaringan, semakin kompleks dan sulit dideteksi. Seiring dengan meningkatnya jumlah data yang mengalir dalam suatusistem, metode konvensional dalam mendeteksi serangan siber sering kali kurang efektif dalam mengenali pola serangan yang baru dan canggih. Ol

Pertanyaan Umum

Mengapa IDS berbasis aturan statis sering gagal mendeteksi serangan baru?

Karena serangan baru belum memiliki pola yang terdefinisi dalam database aturan yang ada, sehingga IDS statis sulit mengenali variasi ancaman tersebut.

Algoritma apa saja yang dibandingkan dalam penelitian ini?

Penelitian membandingkan Decision Tree, Random Forest, Support Vector Machine (SVM), dan Boosting.

Apa hasil utama yang menunjukkan keunggulan metode Boosting?

Boosting menonjol dengan akurasi 99,36% dan lebih handal mendeteksi kelas minoritas, meskipun waktu pelatihan cenderung lebih lama.

Aug 4, 2026

Unggah oleh Sage