Keamanan sistem jaringan menjadi fokus penting dalam menghadapi kompleksitas serangan siber yang terus berkembang dan mengancam kerahasiaan, integritas, dan ketersediaan. Penelitian ini menganalisis sistem deteksi intrusi (Intrusion Detection System/IDS) berbasis machine learning untuk klasifikasi biner yang memanfaatkan fitur-fitur lalu lintas jaringan pada dataset UNSW-NB15 dan NSL-KDD guna membedakan trafik normal dan serangan. Enam algoritma diuji, yaitu K-Nearest Neighbors (K-NN), Random Forest, Support Vector Machine (SVM), Naive Bayes, Decision Tree, dan Logistic Regression, menggunakan dataset NSL-KDD dan UNSW-NB15. Variasi rasio data training dan testing (50:50 hingga 90:10) turut diuji untuk memperoleh konfigurasi optimal, di mana rasio 80:20 memberikan performa terbaik secara konsisten. Hasil pengujian menunjukkan bahwa Random Forest merupakan algoritma dengan akurasi tertinggi (98,59% pada UNSW-NB15 dan 98,02% pada NSL-KDD) dan mampu mempertahankan performa yang kuat pada data uji baru dengan komposisi seimbang normal dan serangan (86,86% pada UNSW-NB15 dan 80,67% pada NSL-KDD). Sistem yang dikembangkan berhasil menyajikan hasil deteksi dalam laporan, sekaligus memperlihatkan kemampuan generalisasi yang baik sebagai IDS berbasis machine learning.

---

Network security has become a critical focus in addressing the complexity of evolving cyberattacks that threaten confidentiality, integrity, and availability. This study analyzes a machine learning-based Intrusion Detection System (IDS) for binary classification, leveraging network traffic features in the UNSW-NB15 and NSL-KDD datasets to distinguish between normal traffic and attacks. Six algorithms were evaluated, namely K-Nearest Neighbors (K-NN), Random Forest, Support Vector Machine (SVM), Naive Bayes, Decision Tree, and Logistic Regression. Various training and testing data split ratios (from 50:50 to 90:10) were tested to determine the optimal configuration, where the 80:20 ratio consistently delivered the best performance. The results show that Random Forest achieved the highest accuracy (98.59% on UNSW-NB15 and 98.02% on NSL-KDD) and maintained strong performance when tested on new data with a balanced composition of normal and attack traffic (86.86% on UNSW-NB15 and 80.67% on NSL-KDD). The developed system successfully presents detection results in reports while demonstrating good generalization capability as a machine learning-based IDS.