Los sistemas de detección de intrusiones son ampliamente utilizados en el campo de la ciberseguridad, para prevenir y mitigar amenazas. Los sistemas de detección de intrusiones (IDS) ayudan a mantener las amenazas y vulnerabilidades fuera de las redes informáticas. Para desarrollar sistemas de detección de intrusiones efectivos, se dispone de una variedad de métodos de aprendizaje automático. Los métodos de conjunto de aprendizaje automático tienen un historial bien probado cuando se trata de aprendizaje. Utilizando métodos de conjunto de aprendizaje automático, este documento propone un sistema de detección de intrusiones innovador. Para mejorar la precisión de clasificación y eliminar falsos positivos, se seleccionaron características del conjunto de datos CICIDS-2017. Este documento propone un sistema de detección de intrusiones utilizando algoritmos de aprendizaje automático como árboles de decisión, bosques aleatorios y SVM (IDS). Después de entrenar estos modelos, se agregó una técnica de conjunto clasificador de votación y se logró una precisión del 96.25%. Además, el modelo propuesto también incorpora el algoritmo XAI LIME para una mejor explicabilidad y comprensión del enfoque de caja negra para la detección confiable de intrusiones. Nuestros resultados experimentales confirmaron que XAI LIME es más amigable para la explicación y más receptivo.