eprintid: 32617
rev_number: 7
eprint_status: archive
userid: 12
dir: disk0/00/03/26/17
datestamp: 2026-09-08 03:43:00
lastmod: 2026-09-08 03:43:00
status_changed: 2026-09-08 03:43:00
type: thesis
metadata_visibility: show
creators_name: Wicaksana, Arya Satrya
creators_nim: 24.55.1592
contributors_name: Marco, Robert
corp_creators: Universitas AMIKOM Yogyakarta
title: MODEL INTRUSION DETECTION SYSTEM
MENGGUNAKAN AUTOENCODER CNN-BILSTM DENGAN
HYBRID RESAMPLING BERBASIS ANOMALY SCORE
UNTUK PENANGANAN DATA TIDAK SEIMBANG
ispublished: pub
subjects: 000.000.000A
divisions: PJJ
full_text_status: public
keywords: Intrusion Detection System, Autoencoder, CNN-BiLSTM, Anomaly
Score, Imbalanced Data, NSL-KDD.
abstract: 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.
date: 2026-05-21
date_type: published
institution: Universitas AMIKOM Yogyakarta
department: PJJ Magister Informatika
thesis_type: masters
thesis_name: tesis
citation:   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.   
document_url: https://eprints.amikom.ac.id/id/eprint/32617/1/24.55.1592%20-%20Arya%20Satrya%20Wicaksana.pdf