Keamanan jaringan komputer merupakan salah satu aspek krusial dalam bidang Teknologi Informasi seiring dengan meningkatnya intensitas dan kompleksitas serangan siber. Salah satu mekanisme penting dalam menjaga keamanan jaringan adalah Intrusion Detection System (IDS), yang berfungsi untuk mendeteksi aktivitas mencurigakan atau serangan pada lalu lintas jaringan. Namun, metode IDS konvensional masih memiliki keterbatasan dalam mendeteksi serangan baru dan kompleks, terutama pada data jaringan berskala besar. Penelitian ini mengusulkan pengembangan sistem IDS berbasis deep learning menggunakan arsitektur Convolutional Neural Network – Gated Recurrent Unit (CNN GRU) yang dioptimasi dengan Genetic Algorithm (GA) sebagai metode seleksi fitur. CNN digunakan untuk mengekstraksi fitur spasial dari data lalu lintas jaringan, sedangkan GRU berperan dalam mempelajari pola temporal. Genetic Algorithm diterapkan untuk memilih subset fitur yang paling relevan guna meningkatkan kinerja klasifikasi dan kemampuan generalisasi model. Dataset yang digunakan dalam penelitian ini adalah UNSW-NB15, yang merepresentasikan lalu lintas jaringan modern dengan berbagai jenis serangan siber. Evaluasi kinerja model dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score, serta dianalisis melalui confusion matrix. Pengujian dilakukan pada dua skenario, yaitu model baseline CNN-GRU dan model CNN-GRU dengan seleksi fitur berbasis GA. Hasil pengujian menunjukkan bahwa model baseline CNN-GRU memperoleh nilai akurasi tertinggi sebesar 61,94% dengan nilai F1-score sebesar 57,77% pada rasio pembagian data 90:10. Sementara itu, penerapan Genetic Algorithm sebagai metode seleksi fitur mampu meningkatkan performa model, dengan akurasi mencapai 65,56% dan nilai F1-score sebesar 58,02% pada rasio pembagian data yang sama. Peningkatan ini menunjukkan bahwa seleksi fitur berbasis GA efektif dalam mengurangi kesalahan klasifikasi dan meningkatkan kemampuan model dalam membedakan pola serangan jaringan. Dari perspektif Teknologi Informasi, integrasi deep learning dan algoritma optimasi ini memberikan kontribusi positif dalam pengembangan sistem keamanan jaringan yang lebih akurat, adaptif, dan andal dalam mendeteksi serangan siber.