Penelitian ini bertujuan mengembangkan dan membandingkan algoritma deep learning untuk mengklasifikasi intrusi jaringan guna mengatasi keterbatasan Intrusion Detection System (IDS) konvensional dalam menghadapi serangan siber yang kian kompleks, termasuk zero-day attack. Dataset dibuat secara mandiri melalui simulasi serangan (DoS, Port Scanning, Brute Force, Spoofing) pada lingkungan virtual menggunakan Kali Linux dan Server Ubuntu, direkam dengan Wireshark, lalu diolah menjadi fitur aliran menggunakan CICFlowMeter dan digabungkan menjadi satu dataset berlabel.
Tiga model deep learning utama—Deep Neural Network (DNN), Long Short-Term Memory (LSTM), dan Bidirectional Gated Recurrent Unit (BiGRU diimplementasikan dan dievaluasi. Hasil evaluasi menunjukkan ketiga model memiliki akurasi pelatihan dan validasi tinggi. Namun, analisis Confusion Matrix memperlihatkan DNN lebih praktis karena kemampuannya mendeteksi lalu lintas Normal (192 True Positive), sementara LSTM dan BiGRU gagal mendeteksi kelas Normal (True Positive = 0).Model yang dipilih kemudian diimplementasikan ke dalam IDS berbasis web menggunakan framework Streamlit, memungkinkan pengguna mengunggah file CSV untuk deteksi.