<![CDATA[Keamanan jaringan membutuhkan Intrusion Detection System (IDS) yang mampu mendeteksi serangan secara akurat dan efisien. Tingginya jumlah fitur pada data jaringan dapat meningkatkan kompleksitas model dan beban komputasi. Penelitian ini mengevaluasi pengaruh Correlation-based Feature Selection (CFS) terhadap kinerja algoritma Decision Tree pada dataset NSL-KDD dan CICIDS2017. Model tanpa seleksi fitur digunakan sebagai baseline dan dibandingkan dengan model berbasis CFS menggunakan metrik Accuracy, Precision, Recall, F1-Score, ROC-AUC, serta waktu pelatihan. Hasil menunjukkan bahwa CFS secara signifikan mengurangi jumlah fitur dan waktu pelatihan pada kedua dataset, tetapi berdampak pada penurunan performa klasifikasi, terutama Recall pada NSL-KDD. Uji Wilcoxon Signed-Rank pada 10-Fold Cross-Validation menunjukkan adanya perbedaan yang signifikan (p = 0,001953). Temuan ini menunjukkan adanya trade-off antara efisiensi komputasi dan kemampuan deteksi, sehingga penerapan CFS perlu disesuaikan dengan prioritas sistem IDS.]]>
Copyrights © 2026
