http://eprints.amikom.ac.id/id/eprint/32617 2026-09-08T03:43:00Z info:eu-repo/semantics/descriptiveMetadata https://eprints.amikom.ac.id/id/eprint/32617/ MODEL INTRUSION DETECTION SYSTEM MENGGUNAKAN AUTOENCODER CNN-BILSTM DENGAN HYBRID RESAMPLING BERBASIS ANOMALY SCORE UNTUK PENANGANAN DATA TIDAK SEIMBANG Wicaksana, Arya Satrya 000 Ilmu komputer, informasi dan pekerjaan umum Ancaman siber yang terus berkembang mendorong kebutuhan akan sistem deteksi intrusi yang mampu mendeteksi serangan secara akurat, khususnya pada kelas serangan yang sangat jarang terjadi. Dataset NSL-KDD yang umum digunakan sebagai benchmark IDS memiliki ketidakseimbangan kelas yang ekstrem, dengan kelas U2R hanya mencakup 0,04% dan R2L hanya 0,79% dari total data, sehingga model cenderung gagal mendeteksi serangan pada kelas minoritas meskipun mencapai accuracy yang tinggi. Penelitian ini mengusulkan model yang mengintegrasikan Autoencoder, CNN dan BiLSTM dengan mekanisme Dual Attention (FocusConv dan TempoNet), dikombinasikan dengan strategi Hybrid Resampling RUS-SMOTE berbasis Anomaly Score. Anomaly score diperoleh dari reconstruction error (RE) median per kelas hasil pelatihan Autoencoder secara unsupervised, yang digunakan untuk menentukan intensitas oversampling tiap kelas secara adaptif tanpa hyperparameter arbitrer. Kelas U2R dengan median RE sebesar 0,091631 dimana 53,9 kali lebih tinggi dari kelas Normal secara otomatis mendapatkan faktor pengali terbesar (14,35×), sehingga imbalance ratio berhasil direduksi dari 1.306× menjadi 36,45×. Evaluasi pada 7 skenario ablasi menggunakan data uji NSL-KDD (25.195 sampel) menunjukkan bahwa model final mencapai accuracy 99,31%, Macro Sensitivity 0,9757, Macro Specificity 0,9984, Recall R2L 0,9950, dan Recall U2R 0,9000 dengan Score Komposit 0,9871. Perbandingan dengan existing methods pada dataset yang sama menunjukkan peningkatan Macro Sensitivity sebesar 15,57% dibandingkan Dangol & Eaman (2025) dan peningkatan Recall R2L sebesar 25,19% dibandingkan Ben Said et al. (2023). Hasil ablasi membuktikan bahwa anomaly score berkontribusi meningkatkan Recall U2R sebesar 20,00% dibandingkan SMOTE rata tanpa anomaly score, mengkonfirmasi peran sentralnya sebagai mekanisme yang menjadikan strategi resampling lebih efisien dan dapat dipertanggungjawabkan secara ilmiah. 2026-05-21 Thesis NonPeerReviewed text id https://eprints.amikom.ac.id/id/eprint/32617/1/24.55.1592%20-%20Arya%20Satrya%20Wicaksana.pdf Wicaksana, Arya Satrya (2026) MODEL INTRUSION DETECTION SYSTEM MENGGUNAKAN AUTOENCODER CNN-BILSTM DENGAN HYBRID RESAMPLING BERBASIS ANOMALY SCORE UNTUK PENANGANAN DATA TIDAK SEIMBANG. S2 - Magister thesis, Universitas AMIKOM Yogyakarta. info:eu-repo/semantics/objectFile info:eu-repo/semantics/humanStartPage