Detail Cantuman

Peningkatan lalu lintas jaringan dan kompleksitas serangan siber menuntut sistem deteksi intrusi (Intrusion Detection System/IDS) yang tidak hanya akurat, tetapi juga efisien secara komputasi. Dataset UNSW-NB15 banyak digunakan sebagai acuan IDS modern karena merepresentasikan berbagai jenis serangan jaringan yang realistis, namun tingginya jumlah fitur dan ketidakseimbangan distribusi kelas menjadi tantangan utama dalam proses pelatihan model. Penelitian ini mengusulkan pendekatan IDS berbasis Light Gradient Boosting Machine (LightGBM) yang dikombinasikan dengan seleksi fitur menggunakan Analisis Variansi (ANOVA) untuk meningkatkan kinerja deteksi. Penelitian ini menggunakan pendekatan kuantitatif dengan pembelajaran terawasi. Tahapan prapemrosesan meliputi pembersihan data, normalisasi label biner, pengodean fitur kategorikal menggunakan OrdinalEncoder, serta imputasi median pada fitur numerik. Evaluasi dilakukan melalui beberapa skenario baseline dan konfigurasi lanjutan (Improve), dengan subset fitur numerik terbaik hasil ANOVA dan penyesuaian hiperparameter menggunakan Optuna. Hasil eksperimen menunjukkan bahwa pada analisis attack-wise, model mencapai performa sangat tinggi pada serangan dominan Generic dengan akurasi 0,9938, F1-score 0,9908, dan AUC 0,9996, disertai waktu pelatihan 5,28 detik dan waktu pengujian 0,65 detik. Konfigurasi terbaik secara keseluruhan, yaitu IMPROVE 3, menghasilkan akurasi 0,908, F1-score 0,907, dan AUC sekitar 0,985, dengan waktu pelatihan 12,83 detik dan waktu pengujian 1,73 detik. Analisis attack-wise juga menunjukkan bahwa LightGBM mampu menangkap baik pola global maupun karakteristik spesifik setiap jenis serangan melalui distribusi feature importance. Secara keseluruhan, kombinasi seleksi fitur ANOVA dan LightGBM terbukti efektif dalam meningkatkan kinerja IDS sekaligus menjaga efisiensi komputasi, serta memberikan pemahaman yang lebih mendalam mengenai perilaku model terhadap berbagai tipe serangan jaringan.