@prefix void: . @prefix epid: . @prefix xsd: . @prefix rdfs: . @prefix event: . @prefix cc: . @prefix foaf: . @prefix geo: . @prefix skos: . @prefix dct: . @prefix ep: . @prefix eprel: . @prefix bibo: . @prefix dc: . @prefix owl: . @prefix rdf: . <> foaf:primaryTopic ; rdfs:comment "The repository administrator has not yet configured an RDF license."^^xsd:string . dct:hasPart ; ep:hasFile ; rdf:type bibo:Document, ep:Document; rdfs:label "MODEL INTRUSION DETECTION SYSTEM\r\nMENGGUNAKAN AUTOENCODER CNN-BILSTM DENGAN\r\nHYBRID RESAMPLING BERBASIS ANOMALY SCORE\r\nUNTUK PENANGANAN DATA TIDAK SEIMBANG (Text)"^^xsd:string . rdf:_1 . <> ; bibo:abstract "Ancaman siber yang terus berkembang mendorong kebutuhan akan sistem \r\ndeteksi intrusi yang mampu mendeteksi serangan secara akurat, khususnya pada\r\nkelas serangan yang sangat jarang terjadi. Dataset NSL-KDD yang umum\r\ndigunakan sebagai benchmark IDS memiliki ketidakseimbangan kelas yang\r\nekstrem, dengan kelas U2R hanya mencakup 0,04% dan R2L hanya 0,79% dari\r\ntotal data, sehingga model cenderung gagal mendeteksi serangan pada kelas\r\nminoritas meskipun mencapai accuracy yang tinggi. Penelitian ini mengusulkan\r\nmodel yang mengintegrasikan Autoencoder, CNN dan BiLSTM dengan\r\nmekanisme Dual Attention (FocusConv dan TempoNet), dikombinasikan dengan\r\nstrategi Hybrid Resampling RUS-SMOTE berbasis Anomaly Score. Anomaly score\r\ndiperoleh dari reconstruction error (RE) median per kelas hasil pelatihan\r\nAutoencoder secara unsupervised, yang digunakan untuk menentukan intensitas\r\noversampling tiap kelas secara adaptif tanpa hyperparameter arbitrer. Kelas U2R\r\ndengan median RE sebesar 0,091631 dimana 53,9 kali lebih tinggi dari kelas\r\nNormal secara otomatis mendapatkan faktor pengali terbesar (14,35×), sehingga\r\nimbalance ratio berhasil direduksi dari 1.306× menjadi 36,45×. Evaluasi pada 7\r\nskenario ablasi menggunakan data uji NSL-KDD (25.195 sampel) menunjukkan\r\nbahwa model final mencapai accuracy 99,31%, Macro Sensitivity 0,9757, Macro\r\nSpecificity 0,9984, Recall R2L 0,9950, dan Recall U2R 0,9000 dengan Score\r\nKomposit 0,9871. Perbandingan dengan existing methods pada dataset yang sama\r\nmenunjukkan peningkatan Macro Sensitivity sebesar 15,57% dibandingkan Dangol\r\n& Eaman (2025) dan peningkatan Recall R2L sebesar 25,19% dibandingkan Ben\r\nSaid et al. (2023). Hasil ablasi membuktikan bahwa anomaly score berkontribusi\r\nmeningkatkan Recall U2R sebesar 20,00% dibandingkan SMOTE rata tanpa\r\nanomaly score, mengkonfirmasi peran sentralnya sebagai mekanisme yang\r\nmenjadikan strategi resampling lebih efisien dan dapat dipertanggungjawabkan\r\nsecara ilmiah."^^xsd:string; bibo:authorList ; bibo:status ; dc:hasVersion ; dct:creator , ; dct:date "2026-05-21"; dct:isPartOf ; dct:issuer , ; dct:subject ; dct:title "MODEL INTRUSION DETECTION SYSTEM\r\nMENGGUNAKAN AUTOENCODER CNN-BILSTM DENGAN\r\nHYBRID RESAMPLING BERBASIS ANOMALY SCORE\r\nUNTUK PENANGANAN DATA TIDAK SEIMBANG"^^xsd:string; ep:hasDocument ; ep:hasPublished ; rdf:type bibo:Article, bibo:Thesis, ep:EPrint, ep:ThesisEPrint; rdfs:seeAlso . rdf:type skos:Concept; skos:prefLabel "000 Ilmu komputer, informasi dan pekerjaan umum"@en . rdfs:label "24.55.1592 - Arya Satrya Wicaksana.pdf"^^xsd:string . dc:format "text/html"; dc:title "HTML Summary of #32617 \n\nMODEL INTRUSION DETECTION SYSTEM \nMENGGUNAKAN AUTOENCODER CNN-BILSTM DENGAN \nHYBRID RESAMPLING BERBASIS ANOMALY SCORE \nUNTUK PENANGANAN DATA TIDAK SEIMBANG\n\n"; foaf:primaryTopic . dct:hasPart ; foaf:name "Universitas AMIKOM Yogyakarta"^^xsd:string; rdf:type foaf:Organization . dct:isPartOf ; foaf:name "PJJ Magister Informatika, Universitas AMIKOM Yogyakarta"^^xsd:string; rdf:type foaf:Organization . foaf:familyName "Marco"^^xsd:string; foaf:givenName "Robert"^^xsd:string; foaf:name "Robert Marco"^^xsd:string; rdf:type foaf:Person . foaf:familyName "Wicaksana"^^xsd:string; foaf:givenName "Arya Satrya"^^xsd:string; foaf:name "Arya Satrya Wicaksana"^^xsd:string; rdf:type foaf:Person .