IMPLEMENTASI HYBRID MODEL RANDOM FOREST DAN CONVOLUTIONAL NEURAL NETWORK DENGAN FEATURE SELECTION UNTUK KLASIFIKASI SERANGAN JARINGAN PADA DATASET UNSW-NB15

Penelitian ini mengembangkan model hybrid yang menggabungkan random forest dan CNN dengan teknik feature selection untuk meningkatkan akurasi dan efisiensi deteksi serangan jaringan pada dataset UNSW-NB15. Ancaman keamanan siber terus berkembang dengan berbagai jenis serangan seperti DoS, DDoS, exploits, backdoors, dan worms yang menimbulkan kerugian global mencapai USD 10,5 triliun per tahun. Penelitian ini membatasi fokus pada klasifikasi biner antara traffic normal dan serangan menggunakan metrik evaluasi akurasi, presisi, recall, dan f1-score. Metode yang diterapkan meliputi tahap preprocessing data, feature selection berbasis random forest untuk mereduksi 47 fitur menjadi 24 fitur terpenting, pembagian data dengan rasio 80:20, pembangunan model hybrid CNN dan RF, dan evaluasi menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa feature selection berhasil mengidentifikasi fitur penting seperti ct_state_ttl, sttl, dan srcip sebagai indikator utama serangan. Model hybrid mencapai performa terbaik dengan akurasi 99,53%, presisi 98,36%, recall 97,92%, dan f1-score 98,14%. Performa ini setara dengan random forest tunggal dengan akurasi 99,53%, namun jauh melampaui CNN tunggal yang hanya mencapai akurasi 98,47% dengan recall 89,20%. Integrasi CNN sebagai feature extractor hierarkis dan random forest sebagai classifier akhir terbukti efektif memanfaatkan kekuatan kedua algoritma. Kesimpulan penelitian ini membuktikan bahwa pendekatan hybrid CNN dan random forest dengan feature selection merupakan solusi yang efisien untuk sistem deteksi intrusi jaringan. Model berhasil mengintegrasikan kemampuan deep learning dalam menangkap pola kompleks dengan stabilitas machine learning dalam klasifikasi, menghasilkan sistem deteksi yang robust dan dapat diandalkan untuk melindungi infrastruktur digital dari ancaman siber.