<![CDATA[Penelitian ini bertujuan mengembangkan dan mengevaluasi strategi oversampling untuk mengatasi ketidakseimbangan kelas pada dataset WSN-DS guna meningkatkan performa Intrusion Detection System (IDS) berbasis machine learning pada Wireless Sensor Networks (WSN). Empat metode oversampling, yakni Borderline SMOTE, SMOTE-ENN, Conservative-SMOTE, dan ADASYN, diterapkan pada data pelatihan dan dikombinasikan dengan empat algoritma klasifikasi: random forest, gradient boosting, histogram gradient boosting, dan extra trees. Evaluasi kualitas data sintetis dilakukan melalui uji Kolmogorov–Smirnov (KS), Jensen–Shannon Divergence (JSD), dan preservasi korelasi. Hasil menunjukkan bahwa SMOTE-ENN dan Conservative-SMOTE menghasilkan data sintetis dengan kemiripan distribusi tertinggi terhadap data asli, masing-masing dengan nilai KS sebesar 0,037 dan 0,0379. Dari sisi performa klasifikasi, kombinasi gradient boosting dengan Conservative-SMOTE memberikan hasil optimal dengan akurasi 99,64%, F1-score 99,64%, dan AUC ROC 0,9974. Hasil ini melampaui penelitian terdahulu yang mencapai akurasi 98,52% menggunakan ANN. Estimasi waktu inferensi dengan menghitung static cycle pada mikrokontroler ARM Cortex-M4F menunjukkan latensi 0,132 ms untuk model terbaik, memvalidasi kelayakan implementasi pada perangkat WSN dengan sumber daya terbatas. Kata kunci: oversampling, wireless sensor networks, intrusion detection system, machine learning]]>
