Serangan siber terus mengalami peningkatan sehingga diperlukan sistem deteksi
intrusi yang mampu mengidentifikasi berbagai jenis serangan secara akurat.
Namun, permasalahan ketidakseimbangan kelas pada dataset sering menyebabkan
performa model klasifikasi menjadi kurang optimal, terutama dalam mendeteksi
kelas minoritas. Penelitian ini bertujuan untuk meningkatkan performa algoritma
XGBoost dalam mendeteksi serangan siber pada dataset NSL-KDD melalui
penerapan seleksi fitur menggunakan SHAP, penyeimbangan data menggunakan
SMOTE, dan optimasi hyperparameter menggunakan Random Search.
Tahapan penelitian meliputi preprocessing data, normalisasi menggunakan MinMax

Scaler, seleksi 20 fitur terbaik menggunakan SHAP, penyeimbangan data
dengan dua strategi SMOTE yaitu SMOTE tidak seimbang dan SMOTE seimbang
penuh, serta optimasi hyperparameter menggunakan Random Search dengan 5-fold
cross validation. Evaluasi model dilakukan menggunakan metrik accuracy,
precision, recall, dan F1-score.Hasil penelitian menunjukkan bahwa model 
XGBoost + SHAP memperoleh accuracy sebesar 82,32%. Penerapan SMOTE tidak
seimbang meningkatkan performa model menjadi 83,04%, sedangkan SMOTE
seimbang penuh menghasilkan accuracy sebesar 80,73%. Setelah dilakukan
optimasi hyperparameter menggunakan Random Search, model memperoleh
performa terbaik dengan accuracy sebesar 83,73%. Hasil tersebut menunjukkan
bahwa strategi SMOTE tidak seimbang lebih efektif dibandingkan SMOTE
seimbang penuh, serta optimasi hyperparameter menggunakan Random Search
mampu meningkatkan performa model XGBoost dalam mendeteksi serangan siber
pada dataset NSL-KDD.