<![CDATA[Penelitian ini mengusulkan framework deteksi serangan siber hybrid dengan menggabungkan rule based filtering dan machine learning dalam proses dua tahap. Pada tahap pertama, algoritma Decision Tree digunakan untuk ekstraksi aturan yang dapat diinterpretasikan, diikuti oleh klasifikasi menggunakan algoritma ensemble, yaitu Random Forest, XGBoost, dan LightGBM. Framework dievaluasi menggunakan dataset UNSW-NB15, yang terdiri dari 2.540.044 data normal dan serangan dari sembilan tipe serangan. Filtering berbasis aturan menghapus 23% data non-serangan, sehingga 77% data tersisa untuk klasifikasi. Efisiensi komputasi diukur dengan membandingkan waktu eksekusi dan penggunaan CPU dengan dan tanpa filtering. Dengan filtering, program berjalan selama 9 menit dengan penggunaan CPU maksimum 0–303%, menghasilkan pengurangan waktu pemrosesan sebesar 24% dibandingkan tanpa filtering. Hasil penelitian menunjukkan XGBoost memberikan performa terbaik dengan akurasi 96,1%, recall 95,0%, dan F1-score 95,2%. Framework juga mengoptimalkan recall untuk meminimalkan false negative, dan meningkatkan recall dan mencapai 97.0% pada model XGBoost. Validasi statistik menggunakan uji Wilcoxon menunjukkan peningkatan performa signifikan (p < 0,05). Framework hybrid ini tidak hanya meningkatkan akurasi dan efisiensi, tetapi juga memberikan sistem deteksi yang interpretatif dan transparan, sehingga cocok untuk implementasi Intrusion Detection System (IDS) real-time.]]>
Copyrights © 2026
