Penggunaan Internet of Things (IoT) yang meluas meningkatkan risiko keamanan, terutama terhadap serangan siber seperti DDoS dan malware. Intrusion Detection System (IDS) berbasis Machine Learning dan Deep Learning telah banyak digunakan untuk mengatasi masalah ini, tetapi efektivitas IDS sangat bergantung pada dataset yang digunakan untuk pelatihan model. Dataset CICIoT 2023 menawarkan cakupan serangan yang lebih komprehensif, namun dengan jumlah data yang sangat besar. Berdasarkan permasalahan tersebut, penulis mengajukan pendekatan Incremental Learning berbasis Extreme Gradient Boosting yang dioptimasi dengan Grey Wolf Optimization, bertujuan meningkatkan akurasi deteksi serangan pada dataset CICIoT 2023 dengan kompleksitas komputasi yang lebih kecil. Pengujian metode yang diusulkan menunjukkan hasil Accuracy sebesar 99.45%, Precision 83.16%, Recall sebesar 83.76%, dan F1-Score sebesar 83.41% pada masalah klasifikasi 8 kategori serangan utama serta Accuracy sebesar 99.28%, Precision 78.89%, Recall sebesar 85.34%, dan F1-Score sebesar 80.32% pada masalah klasifikasi 34 sub kategori serangan. Hasil tersebut menunjukkan kenaikan nilai F1-Score sebesar 11.48% pada masalah klasifikasi 8 kategori serangan utama, serta kenaikan kenaikan nilai F1-Score sebesar 8.92% pada masalah klasifikasi 34 sub kategori serangan dibandingkan dengan penelitian sebelumnya yang sudah dilakukan.
