ABSTRAKSI: Semakin berkembangnya teknologi informasi secara tidak langsung membuat semakin banyak jenis intrusi yang membahayakan keamanan dari suatu jaringan komputer atau sistem informasi. Untuk mendeteksi adanya intrusi tersebut maka dibutuhkan sebuah sistem yang disebut dengan Intrusion Detection System (IDS). Banyak metode yang bisa dilakukan untuk membangun IDS. Salah satunya adalah teknik data mining untuk menghasilkan detection model yang bisa membedakan antara jenis koneksi normal atau intrusi. Pada tugas akhir ini, diimplementasikan sebuah algoritma hybrid yang menggunakan dua algoritma learning, yaitu Eager Learning dan Lazy Learning. Untuk Eager Learning digunakan algoritma RIPPER sedangkan untuk Lazy Learning digunakan algoritma Nearest Neighbour (K-NN). Sesuai dengan namanya, Eager Learning lebih banyak menginvestasikan waktu untuk fase learning, sedangkan Lazy Learning lebih banyak meluangkan waktu dalam fase klasifikasi. Penerapan feature selection dan resampling pada training data digunakan untuk membentuk training data yang lebih representatif. Pengujian dilakukan dengan beberapa skenario untuk mengetahui nilai akurasi, precision, recall, dan f-measure dari detection model yang dihasilkan. Pada tahap analisis dan pengujian, detection model yang dihasilkan mampu memberikan nilai akurasi terbaik sebesar 92.3220% dengan menggunakan testing data.Kata Kunci : intrusion detection system, algoritma hybrid, klasifikasi, ripper, nearest neighbour.ABSTRACT: The growing of information technology indirectly make more types of intrusions that endanger the security of a computer network or information systems. To detect intrusions is required a system called the Intrusion Detection System (IDS). Many methods can be done to build the IDS. One is a data mining technique to generate detection models that can distinguish between normal or intrusion connection type. At this final project, implemented a hybrid algorithm that uses two learning algorithms, namely Eager Learning and Lazy Learning. For Eager Learning is used RIPPER algorithm while for Lazy Learning is used Nearest Neighbor algorithm (K-NN). Accordance with its name, Eager Learning more invest time in learning phase, while Lazy Learning spend more time in classification phase. The application of feature selection and resampling on training data used to form the training data more representative. Tests carried out with several scenarios to determine the value of accuracy, precision, recall, and f-measure of the detection models that produced. At this stage of analysis and testing, detection models that produced can provide the best value of 92.3220% accuracy using the testing data.Keyword: intrusion detection system, hybrid algorithms, classification, ripper, nearest neighbour.