<![CDATA[Meningkatnya kompleksitas dan kecanggihan ancaman siber pada jaringan komputer modern mendorong kebutuhan akan Sistem Deteksi Intrusi (IDS) yang lebih cerdas dan adaptif. Penelitian ini mengusulkan optimasi Sistem Deteksi Intrusi berbasis Deep Neural Network (DNN) yang dikombinasikan dengan mekanisme Seleksi Fitur Adaptif untuk meningkatkan akurasi deteksi sekaligus mengurangi kompleksitas komputasi. Penelitian menggunakan dataset benchmark CICIDS-2017 dan NSL-KDD, menerapkan pendekatan seleksi fitur hibrida yang mengintegrasikan metode filter (mutual information dan chi-square) dengan metode wrapper (recursive feature elimination) untuk memilih subset fitur paling diskriminatif. Arsitektur DNN yang diusulkan terdiri dari beberapa hidden layer dengan batch normalization dan dropout regularization untuk mencegah overfitting. Hasil eksperimen menunjukkan bahwa sistem yang diusulkan mencapai akurasi deteksi 99,41%, presisi 98,87%, recall 99,12%, dan F1-score 98,99% pada dataset CICIDS-2017, melampaui metode yang ada. Metode seleksi fitur adaptif secara efektif mengurangi dimensi fitur sebesar 62,3%, menghasilkan pengurangan waktu pelatihan sebesar 45,7% tanpa mengorbankan kinerja deteksi. Sistem menunjukkan kinerja yang tangguh terhadap serangan zero-day dan lalu lintas terenkripsi. Temuan ini mengonfirmasi bahwa integrasi deep learning dengan seleksi fitur adaptif merupakan strategi efektif untuk membangun sistem deteksi intrusi generasi berikutnya pada lingkungan jaringan komputer modern.]]>
