Optimalisasi Deteksi Intrusi Menggunakan Feature Selection Lasso Regression dan Random Forest dengan Hyperparameter Tuning Berbasis Bayesian Optimization
Abstrak
Perkembangan teknologi informasi yang cepat telah meningkatkan risiko keamanan siber. Intrusion detection system (IDS) berbasis machine learning adalah salah satu metode yang paling umum digunakan untuk mendeteksi aktivitas intrusi dalam jaringan. Namun, tantangan muncul ketika berhadapan dengan dataset besar dan berdimensi tinggi yang dapat mengganggu kinerja dan performansi model. Penelitian ini bertujuan untuk mengoptimalkan kinerja algoritma Random Forest dalam mendeteksi intrusi jaringan melalui penerapan seleksi fitur berbasis Lasso Regression untuk Feature Selection dan Bayesian Optimization sebagai optimasi hyperparameter. Metode penelitian dimulai melalui tahap pre-processing, data splitting atau pembagian data menjadi data latih, data uji dan data validasi. Selanjutnya, dilakukan pengujian terhadap tiga skenario model, yaitu model Random Forest sebagai model baseline, Random Forest dengan seleksi fitur Lasso Regression, serta model Random Forest dengan seleksi fitur Lasso Reggression yang diptimasi menggunakan Bayesian Optimization. Hasil penelitian menunjukkan bahwa penerapan seleksi fitur menggunakan Lasso Regression mampu mengurangi kompleksitas data dengan tetap mempertahankan performa model, sementara Bayseian Optimization memberikan peningkatan akurasi dibandingkan dengan model baseline dan model tanpa optimasi. Model yang diusulkan menunjukkan performa yang stabil dan efisien dalam mendeteksi berbagai jenis serangan pada jaringan. Berdasarkan hasil tersebut, dapat disimpulkan bahwa model kombinasi Lasso Regression dan Bayesian Optimization efektif dalam meningkatkan kinerja dan efisiensi algoritma Random Forest untuk sistem deteksi intrusi jaringan.
Kata Kunci: Deteksi Intrusi, Random Forest, Lasso Regression, Bayesian Optimization, Seleksi Fitur, Hyperparameter Tuning
Referensi
C. Zhang, D. Jia, L. Wang, W. Wang, F. Liu, and A. Yang, “Comparative research on network intrusion detection methods based on machine learning,” Comput. Secur., vol. 121, p. 102861, 2022, doi: 10.1016/j.cose.2022.102861.
B. Pes, “Learning from high-dimensional and class-imbalanced datasets using random forests,” Inf., vol. 12, no. 8, 2021, doi: 10.3390/info12080286.
Z. Mei and Z. Shi, “On LASSO for high dimensional predictive regression,” J. Econom., vol. 242, no. 2, 2024, doi: 10.1016/j.jeconom.2024.105809.
I. Sartika and N. N. Debataraja, “ANALISIS REGRESI DENGAN METODE LEAST ABSOLUTE SHRINKAGE AND SELECTION OPERATOR ( LASSO ) DALAM MENGATASI MULTIKOLINEARITAS,” vol. 09, no. 1, pp. 31–38, 2020, doi: https://doi.org/10.26418/bbimst.v9i1.38029.
C. Yokochi, R. Bispo, F. Ricardo, and R. Calado, “Regularization Methods for High-Dimensional Data as a Tool for Seafood Traceability,” J. Stat. Theory Pract., vol. 17, no. 3, pp. 1–21, 2023, doi: 10.1007/s42519-023-00341-8.
S. Roy, J. Li, B. J. Choi, and Y. Bai, “A lightweight supervised intrusion detection mechanism for IoT networks,” Futur. Gener. Comput. Syst., vol. 127, pp. 276–285, 2022, doi: 10.1016/j.future.2021.09.027.
D. Conn, T. Ngun, G. Li, and C. M. Ramirez, “Fuzzy forests: Extending random forest feature selection for correlated, high-dimensional data,” J. Stat. Softw., vol. 91, no. 9, 2019, doi: 10.18637/jss.v091.i09.
S. Sharma, V. Kumar, and K. Dutta, “Multi-objective optimization algorithms for intrusion detection in IoT networks: A systematic review,” Internet Things Cyber-Physical Syst., vol. 4, no. February, pp. 258–267, 2024, doi: 10.1016/j.iotcps.2024.01.003.
B. Satria, “Optimasi random forest dengan ga dan rfe pada high dimensional data stunting skripsi,” 2024.
N. Salman and M. Sari, “PENGARUH PENYETELAN HYPERPARAMETER TERHADAP KINERJA PREDIKSI RANDOM FOREST PADA PENDETEKSIAN SPAM,” J. INSTEK (Informatika Sains dan Teknol., vol. 5, no. 2, p. 149, Aug. 2020, doi: 10.24252/instek.v5i2.15617.
I. Muhamad Malik Matin, “Hyperparameter Tuning Menggunakan GridsearchCV pada Random Forest untuk Deteksi Malware,” Multinetics, vol. 9, no. 1, pp. 43–50, 2023, doi: 10.32722/multinetics.v9i1.5578.
S. Bagui and K. Li, “Resampling imbalanced data for network intrusion detection datasets,” J. Big Data, vol. 8, no. 1, p. 6, 2021, doi: 10.1186/s40537-020-00390-x.
Y. R. K and G. S. Lingam, “INTELLIGENT SYSTEMS AND APPLICATIONS IN A Novel Hybrid Deep Learning Framework with Multi-Scale Temporal Convolutions , Attention , and Uncertainty Quantification for Network Intrusion Detection,” vol. 12, pp. 1018–1028, 2024, doi: https://doi.org/10.1038/s41598-025-32697-1.
R. Yacouby and D. Axman, “Probabilistic Extension of Precision, Recall, and F1 Score for More Thorough Evaluation of Classification Models,” pp. 79–91, 2020, doi: 10.18653/v1/2020.eval4nlp-1.9.
S. S. Islam, M. S. Haque, M. S. U. Miah, T. Bin Sarwar, and R. Nugraha, “Application of machine learning algorithms to predict the thyroid disease risk: an experimental comparative study,” PeerJ Comput. Sci., vol. 8, pp. 1–35, 2022, doi: 10.7717/peerj-cs.898.
