OPTIMASI DAN DETEKSI INTRUSI MENGGUNAKAN HYBRID FEATURE SELECTION DAN DECISION TREE RULE-BASED PADA DATA NSLKDDRiki Nur IndraPutraauthorKeamanan jaringan komputer menghadapi tantangan besar akibat meningkatnya volume lalu lintas data dan kecanggihan serangan siber. Penggunaan Intrusion Detection System (IDS) berbasis Machine Learning menjadi solusi vital, namun sering terkendala oleh dimensi data yang tinggi (seperti 41 fitur pada dataset NSL-KDD) yang membebani komputasi, serta sifat black-box dari model AI yang sulit divalidasi logikanya oleh manusia. Masalah ini menyebabkan ketidakefisienan sistem dan keraguan administrator terhadap keputusan blokir yang diambil oleh IDS. Penelitian ini bertujuan untuk mengoptimalkan kinerja IDS sekaligus memberikan transparansi keputusan. Metode yang digunakan adalah Hybrid Feature Selection yang menggabungkan kecepatan Random Forest (Filter) dan ketelitian Recursive Feature Elimination with Cross-Validation (Wrapper) untuk menyeleksi fitur terbaik. Selanjutnya, algoritma Decision Tree digunakan untuk mengekstraksi aturan logika (Rule Extraction) dari setiap serangan. Hasil penelitian menunjukkan bahwa sistem mampu mereduksi 41 fitur menjadi 23 fitur optimal dengan mempertahankan akurasi validasi sebesar 99,73%. Sistem juga berhasil menghasilkan "kamus aturan" yang transparan untuk 40 jenis serangan berbeda, sehingga dapat dimanfaatkan oleh praktisi keamanan jaringan untuk memvalidasi insiden keamanan secara cepat dan akurat.000 Ilmu komputer, informasi dan pekerjaan umum2026-01-28Universitas AMIKOM Yogyakarta;Fakultas Ilmu KomputerThesis