ABSTRAKSI: Intrusi dalam dunia jaringan komputer merupakan suatu tindakan menembus otoritas atau tindakan melebihi hak akses terhadap suatu sistem komputer. Intrusi ini dapat mengancam kelancaran proses bisnis suatu organisasi atau perusahaan. Salah satu solusi untuk mengatasi intrusi ini adalah dengan menggunakan Intrusion Prevention System (IPS). IPS merupakan perkembangan dari Intrusion Detection System. IPS akan merespon suatu kejadian intrusi dengan tindakan yang dapat menghentikan terjadinya intrusi. Dalam tugas akhir ini dibuat suatu implementasi IPS dengan jaringan syaraf tiruan (JST) sebagai komponen penentu terjadinya intrusi atau serangan. JST dalam IPS diimplementasikan dalam bentuk Snort Dynamic Rules. JST memerlukan pelatihan sebelum dapat diimplementasikan kedalam suatu IPS. Proses training dicoba untuk dilaksanakan dengan algoritma belajar propagasi balik standar. Pengujian dilakukan terhadap bermacam-macam arsitektur JST dengan input berupa informasi packet header. Data untuk pelatihan JST diambil dari DARPA Intrusion Detection Dataset. Terakhir beberapa arsitektur JST dengan algoritma belajar propagasi balik ini dianalisis apakah cocok untuk digunakan dalam bidang IPS. Dalam tugas akhir ini ditemukan bahwa arsitektur JST yang diuji belum dapat diimplementasikan secara baik dalam IPS.Kata Kunci : intrusion prevention system, jaringan syaraf tiruan, propagasi balik.ABSTRACT: In term of computer network, intrusion is an action to break the authority or to exceed the privilege in computer system. Intrusion can threat the business process work flow in the organization or company. Intrusion Prevention System (IPS) is a solution to overcome this issue. IPS is the successor of Intrusion Detection System. IPS will respond the intrusion event by stopping the intrusion. In this thesis there are IPS developed by implementing artificial neural network (ANN) as the component to determine intrusion/attack. However, the ANN need to be trained before it can be implemented in IPS. Training is conducted by using standard backpropagation learning algorithm. The experiment involves several ANN architecture with packet header information as the input. The training data is taken from DARPA Intrusion Detection Dataset. Finally, the ANN architectures in the experiment are evaluated for the feasibility to be implemented in IPS. This thesis discovered that some ANN architectures in the experiment are not good enough to be implemented in IPS.Keyword: intrusion prevention system, artificial neural network,backpropagation.