%D 2026
%L universitasamikomyogyakarta31900
%X Keamanan 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.
%T OPTIMASI DAN DETEKSI INTRUSI MENGGUNAKAN 
HYBRID FEATURE SELECTION DAN DECISION TREE
RULE-BASED PADA DATA NSLKDD
%A Riki Nur Indra Putra
%K Intrusion Detection System, Hybrid Feature Selection, RFECV, Decision
Tree, Explainable AI.
%I Universitas AMIKOM Yogyakarta