Perkembangan teknologi informasi dan komunikasi telah meningkatkan pemanfaatan jaringan komputer dalam berbagai sektor kehidupan, namun di sisi lain juga diikuti oleh meningkatnya ancaman siber yang kompleks dan beragam. Intrusion Detection System (IDS) merupakan salah satu cara yang digunakan untuk mendeteksi aktivitas mencurigakan pada jaringan. Snort sebagai IDS berbasis signature memiliki kemampuan yang baik dalam mendeteksi serangan yang telah dikenal, namun memiliki keterbatasan dalam mengidentifikasi variasi serangan baru serta menghasilkan informasi yang terbatas mengenai kategori serangan. Penelitian ini bertujuan mengembangkan Hybrid Intrusion Detection System (Hybrid IDS) dengan mengintegrasikan Snort dan algoritma Support Vector Machine (SVM) untuk meningkatkan kemampuan klasifikasi serangan jaringan secara realtime. Model SVM dibangun menggunakan dataset training data realtime yang dikelompokkan ke dalam lima kategori, yaitu Normal, DDoS, Probe, R2L, dan U2R. Untuk memperoleh model dengan performa terbaik, dilakukan optimasi hyperparameter menggunakan metode Grid Search Cross Validation dengan Stratified 10-Fold Cross Validation. Hasil optimasi menunjukkan bahwa kombinasi parameter terbaik diperoleh pada kernel Radial Basis Function (RBF) dengan C = 100, gamma = scale, dan class weight = balanced. Model hasil optimasi memberikan peningkatan performa dibandingkan model baseline dengan nilai accuracy sebesar 85,65%, precision sebesar 87,72%, recall sebesar 86,36%, dan F1-score sebesar 85,34%. Hasil evaluasi menggunakan confusion matrix menunjukkan bahwa sebagian besar data berhasil diklasifikasikan dengan benar, sedangkan analisis Receiver Operating Characteristic (ROC) menghasilkan nilai Area Under Curve (AUC) di atas 0,90 pada seluruh kategori serangan, yang menunjukkan kemampuan model dalam membedakan aktivitas normal dan serangan dengan sangat baik. Model yang yang telah dioptimasi selanjutnya diimplementasikan pada sistem IDS berbasis Snort sehingga mampu mengklasifikasikan alert yang dihasilkan secara realtime ke dalam kategori DDoS, Normal, Probe, R2L, dan U2R. Hasil penelitian ini menunjukkan bahwa integrasi Snort dan SVM mampu meningkatkan kemampuan sistem IDS tidak hanya dalam mendeteksi keberadaan serangan, tetapi juga dalam mengklasifikasikan jenis serangan secara lebih akurat, adaptif, dan informatif. Sehingga dapat dilakukan tindak lanjut secara cepat dan tepat terhadap permasalahan keamanan jaringan.