Kursus Deteksi Intrusi Jaringan IoT dengan Hybrid Autoencoder + XGBoost
Bangun sistem deteksi intrusi (IDS) untuk jaringan IoT: dataset NSL-KDD, praproses trafik, seleksi fitur, Random Forest dan XGBoost, autoencoder untuk anomali, lalu sistem hybrid yang menangkap serangan zero-day — dilengkapi dashboard monitoring.
Materi mengikuti seri video Kursus Deteksi Anomali & Intrusi Jaringan IoT dengan Hybrid Machine Learning (6 modul). Modul 1 bisa ditonton gratis.
Hasil yang Dicapai
- 86,7% — Detection rate sistem hybrid
- 80% — Serangan zero-day yang terdeteksi (XGBoost saja 37%)
- 122 — Fitur trafik setelah praproses
- 148 ribu — Koneksi jaringan NSL-KDD
Apa yang Dipelajari
- Serangan & Dataset: DoS, Probe, R2L, U2R, dan serangan zero-day di NSL-KDD.
- Praproses Trafik: One-hot encoding, log1p, MinMax tanpa kebocoran, oversampling.
- Seleksi Fitur: Mutual information, PCA, dan dampaknya pada model.
- Model Tunggal: Random Forest, XGBoost, dan autoencoder dari trafik normal.
- Sistem Hybrid: Autoencoder menangkap anomali, XGBoost menamai serangan.
- Dashboard Monitoring: Detection rate, false alarm, dan pemantauan per jendela trafik.
Untuk Siapa?
- Mahasiswa S1/S2 (skripsi & tesis) — Kerangka penelitian deteksi intrusi lengkap: metode pembanding, metode usulan, eksperimen, dan evaluasi siap bab 4.
- Peneliti & dosen — Kode scikit-learn, XGBoost & PyTorch yang rapi dan mudah diganti data, parameter, atau metodenya untuk publikasi.
- Praktisi & engineer — Memahami cara kerja deteksi intrusi dari teori sampai implementasi yang bisa dicoba sendiri.
- Developer & data scientist — Praktik scikit-learn, XGBoost & PyTorch pada studi kasus nyata, bukan sekadar contoh mainan.
Dataset dan file project tersedia khusus untuk pelanggan premium. Butuh pendampingan riset? Lihat jasa riset keamanan jaringan & ids.








