EPrints Universitas Amikom YogyakartaMODEL INTRUSION DETECTION SYSTEM MENGGUNAKAN AUTOENCODER CNN-BILSTM DENGAN HYBRID RESAMPLING BERBASIS ANOMALY SCORE UNTUK PENANGANAN DATA TIDAK SEIMBANGArya SatryaWicaksanaauthorAncaman 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.000 Ilmu komputer, informasi dan pekerjaan umum2026-05-21Universitas AMIKOM Yogyakarta;PJJ Magister InformatikaThesis

For work being deposited by its own author: In self-archiving this collection of files and associated bibliographic metadata, I grant EPrints Universitas Amikom Yogyakarta the right to store them and to make them permanently available publicly for free on-line. I declare that this material is my own intellectual property and I understand that EPrints Universitas Amikom Yogyakarta does not assume any responsibility if there is any breach of copyright in distributing these files or metadata. (All authors are urged to prominently assert their copyright on the title page of their work.)

For work being deposited by someone other than its author: I hereby declare that the collection of files and associated bibliographic metadata that I am archiving at EPrints Universitas Amikom Yogyakarta) is in the public domain. If this is not the case, I accept full responsibility for any breach of copyright that distributing these files or metadata may entail.

Clicking on the deposit button indicates your agreement to these terms.